CGM-precisie en glycemische variabiliteit

De volgende studie is een verkennend onderzoek naar continue glucosemonitoring op basis van gegevens van een voltooide klinische studie van Novo Nordisk A/S. Raadpleeg ClinicalTrials.gov Identificatienummer: NCT02825251.

Continuous Glucose Monitoring (CGM) levert elke 5 minuten een interstitiële glucosemeting en is dus een krachtig en belangrijk hulpmiddel om glykemische variabiliteit bij mensen met diabetes te identificeren. CGM is waardevol voor mensen met diabetes om hun glucosemetabolisme te begrijpen en het kan worden gebruikt voor het detecteren en voorspellen van glycemische excursies, zoals de mogelijk fatale en onvermijdelijke gebeurtenissen van hypoglykemie, of zelfs als een onderdeel van de heilige graal van diabetes technologie; de kunstmatige alvleesklier.

CGM is echter bekritiseerd omdat het onnauwkeurig en onbetrouwbaar is, onder andere vanwege de fysiologische en een apparaatgerelateerde vertraging tussen plasmaglucose (PG) en interstitiële glucose (IG). Desalniettemin blijft CGM populair en in februari 2017 werd op het congres Advanced Technologies & Treatments for Diabetes (ATTD) een internationale consensus bereikt die CGM-gegevens zelfs beschouwt als een waardevol en zinvol eindpunt voor gebruik in klinische proeven met nieuwe geneesmiddelen en apparaten voor diabetesbehandeling waarbij nauwkeurigheid van groot belang is.

De bovengenoemde use cases houden in dat de CGM-gegevens nauwkeurig zijn. Daarom is het eerste deel van dit onderzoeksvoorstel om te onderzoeken of de nieuwste state-of-the-art CGM-apparaten die in Novo Nordisk-onderzoeken worden gebruikt, inderdaad nauwkeurig zijn. Op basis van deze resultaten wordt onderzocht in welke mate glycemische variabiliteit aan het licht kan komen.

Om de nauwkeurigheid van CGM te onderzoeken, wordt het gemiddelde absolute relatieve verschil (MARD) berekend en gepresenteerd en wordt de impact van de vertraging beoordeeld door tijdverschuivende CGM-metingen. Bovendien zullen er correlatieanalyses worden uitgevoerd, tussen bijvoorbeeld PG en eerste afgeleide van IG, om te proberen te begrijpen wanneer CGM-apparaten de neiging hebben om onnauwkeurig te meten. Ten slotte zullen machine learning en/of deep learning-benaderingen worden gebruikt om glykemische patronen te onthullen en om uitkomsten, zoals hypoglykemie, te detecteren/voorspellen.

Er zullen verschillende glycemische variabiliteitsonderzoeken worden uitgevoerd:

• Test van PG versus IG en effect op klinisch onderzoek. [analyse van verschillen]
• Correlatie tussen PG-waarden voor het slapengaan en nachtelijke hypoglykemische gebeurtenissen [correlatieanalyses]
• Effect van avondmaaltijd en maaltijddosis op nachtelijke hypoglykemische gebeurtenissen [correlatieanalyses]
• Voorspelling van PG-bevestigde hypoglykemische gebeurtenissen met CGM, dosis- en maaltijdgegevens als input [machine learning]
• De optimale dosis- en maaltijdverdeling en de minste CGM-variabiliteit / eHbA1c [machine learning]
• Algoritme om optimale dosering voor te stellen in relatie tot glycemische variabiliteit [machine learning]

Gevraagde gegevens zijn demografische, CGM-, maaltijd-, dosis- en hypoglykemiegegevens van de volgende studie. De analyses zijn onafhankelijk van de behandeling en daarom kan de behandelarm worden geblindeerd.