Salute metabolica ottimale grazie al monitoraggio continuo del glucosio (CGM)

Il raggiungimento di una salute metabolica ottimale e del controllo glicemico è un obiettivo comune non solo tra i diabetici, ma anche per individui sani, atleti, operatori militari d'élite e per la prevenzione e la resilienza delle malattie infettive. Nessun biomarcatore isolato è attualmente accettato in modo ubiquitario come indicatore della salute metabolica complessiva e la maggior parte si basa su analisi istantanee isolate (singolo punto temporale) e non su una valutazione continua dei dati del biomarcatore a circuito chiuso. L'emoglobina glicosilata (A1c) fornisce una caratterizzazione limitata della variabilità glicemica, che contribuisce alla progressione della disregolazione glicemica. Ad esempio, evidenze emergenti collegano l'ampiezza e la durata della variabilità glicemica come fattore di rischio indipendente legato alle malattie cardiovascolari (CVD) (Di Flaviani 2011, Monnier 2006). La disfunzione endoteliale indotta da iperglicemia e lo stress ossidativo sono maggiori con una maggiore variabilità glicemica (Monnier 2006, Buscemi 2010). La variabilità glicemica è più deleteria per il sistema cardiovascolare rispetto all'iperglicemia sostenuta (Nalysnyk 2010). Poche tecnologie consentono il monitoraggio continuo dei biomarcatori nel tempo e in una serie di condizioni come attività quotidiane, nuoto, esercizio fisico, sonno, ecc. Diverse linee di evidenza suggeriscono fortemente l'impatto predittivo e il valore del monitoraggio della variabilità glicemica sulla salute acuta e cronica delle popolazioni diabetiche e delle popolazioni non diabetiche (Rodriguez-Segade 2018, Zeevi 2015). Pertanto, è emerso un interesse emergente per gli approcci terapeutici che cercano di ridurre la variabilità glicemica. È probabile che questo potenziale per la diagnosi precoce della disregolazione glicemica sia l'unico effetto più vantaggioso dell'utilizzo del CGM come dispositivo informativo, specialmente nel contesto di misure periodiche di altri biomarcatori. È probabile che le persone apportino modifiche allo stile di vita se sono consapevoli di un problema di salute imminente, rilevato attraverso la variabilità glicemica tracciata in tempo reale da GCM. Le modifiche dello stile di vita hanno dimostrato di essere l'intervento più efficace per ripristinare i normali livelli di glucosio a digiuno e prevenire il diabete tra i soggetti disglicemici, riducendo la conversione al diabete del 58% rispetto al placebo e del 39% rispetto alla metformina in un ampio studio statunitense (Diabetes Prevention Program Research Gruppo 2002). Follow-up a lungo termine su altri studi internazionali hanno mostrato risultati ugualmente significativi a 4 anni (Tuomilehto 2001) e 14 anni (Li 2008) dopo la conclusione degli interventi sullo stile di vita controllato, comprese riduzioni dell'incidenza del diabete rispettivamente del 58% e del 43%.

È noto che la salute metabolica è su uno spettro e studi a lungo termine nelle popolazioni diabetiche hanno dimostrato che la riduzione della variabilità glicemica è più importante della riduzione dell'iperglicemia basale in termini di riduzione delle complicanze cardiovascolari (Hall 2018). Pertanto, esiste una logica scientifica per studiare interventi che possono ottimizzare la salute metabolica nei non diabetici poiché i potenziali benefici della consapevolezza metabolica si estendono oltre la popolazione diabetica. La tecnologia emergente in grado di fornire un feedback preciso sugli effetti dello stile di vita potrebbe essere un meccanismo prezioso per i non diabetici che cercano di migliorare l'istruzione e ridurre il rischio di malattia nel corso della vita. Sebbene tali risultati non siano ancora stati dimostrati in studi a lungo termine, la ricerca esistente rivela risultati promettenti, tra cui un miglioramento dello screening per il rischio metabolico (Rodriguez-Segade 2018), una chiara osservabilità degli effetti dell'intervento sullo stile di vita (Hall 2018, Brynes 2005, Freckmann 2007) e l'accettazione di una strategia a rischio minimo da utilizzare come strumento preventivo in una popolazione non diabetica (Liao 2018). Il Diabetes Prevention Program Research Group ha chiesto un cambiamento nella risposta per invertire queste tendenze, affermando che: "i metodi di trattamento del diabete rimangono inadeguati e che la prevenzione è preferibile (Diabetes Prevention Program Research Group 2002)". Anche se non provata come misura preventiva, è improbabile che il monitoraggio della variabilità glicemica - nel peggiore dei casi - aggravi il problema. Nella migliore delle ipotesi, tuttavia, se diventa uno strumento di stile di vita diffuso, i benefici di una migliore consapevolezza metabolica individuale e di un'azione istruita potrebbero avere effetti combinati su una scala sociale più ampia.

Pertanto, esiste una logica scientifica per studiare interventi in grado di ottimizzare la salute metabolica con migliori tecnologie di monitoraggio glicemico (Danne 2017). Sta diventando chiaro che oltre alle popolazioni diabetiche, le popolazioni normali e sane possono beneficiare di livelli di zucchero nel sangue stabili e controllati e che possono essere impiegati meccanismi di feedback, comprese le tecnologie indossabili. Pertanto, il CGM potrebbe essere un metodo promettente per migliorare i biomarcatori della salute metabolica praticamente per chiunque. Inoltre, una salute metabolica ottimale è tipicamente associata a una migliore salute comportamentale, resilienza cognitiva e processo decisionale (Hadj-Abo 2020). Pertanto, l'ottimizzazione e il monitoraggio del controllo glicemico possono essere utili per la salute mentale e possono essere uno strumento prezioso per il personale militare e i primi soccorritori sotto stress metabolico. I progressi nelle tecnologie software e hardware sono stati sviluppati per misurare, analizzare e prevedere la variabilità glicemica e forniscono informazioni su come questo biomarcatore dinamico è correlato alla forma fisica metabolica. In particolare, i nuovi progressi nelle tecnologie CGM offrono il potenziale per monitorare, prevedere e modificare il comportamento attraverso un sistema di feedback a circuito chiuso. Confrontando i dati CGM con i marcatori ematici di salute metabolica (ad es. HbA1c, insulina, ecc.) e infiammazione (ad es. hsCRP, citochine) e insieme alle valutazioni di emozione, cognizione e comportamento, potrebbe essere possibile un'interpretazione e una deconvoluzione più robuste dei dati CGM con interventi sperimentali.