Optymalne zdrowie metaboliczne dzięki ciągłemu monitorowaniu poziomu glukozy (CGM)

Osiągnięcie optymalnego zdrowia metabolicznego i kontroli glikemii jest wspólnym celem nie tylko diabetyków, ale także zdrowych osób, sportowców, elitarnych operatorów wojskowych oraz zapobiegania chorobom zakaźnym i odporności. Żaden izolowany biomarker nie jest obecnie powszechnie akceptowany jako marker ogólnego stanu metabolicznego, a większość opiera się na izolowanych analizach migawek (pojedynczy punkt czasowy), a nie na ciągłej ocenie danych biomarkerów w pętli zamkniętej. Hemoglobina glikozylowana (A1c) zapewnia ograniczoną charakterystykę zmienności glikemii, co przyczynia się do postępu rozregulowania glikemii. Na przykład pojawiające się dowody łączą amplitudę i czas trwania zmienności glikemii jako niezależny czynnik ryzyka związany z chorobami układu krążenia (CVD) (Di Flaviani 2011, Monnier 2006). Dysfunkcja śródbłonka wywołana hiperglikemią i stres oksydacyjny są większe wraz z większą zmiennością glikemii (Monnier 2006, Buscemi 2010). Zmienność glikemii jest bardziej szkodliwa dla układu sercowo-naczyniowego niż utrzymująca się hiperglikemia (Nalysnyk 2010). Niewiele technologii pozwala na ciągłe monitorowanie biomarkerów w czasie i w różnych warunkach, takich jak codzienne czynności, pływanie, ćwiczenia fizyczne, sen itp. Liczne dowody silnie wskazują na prognostyczny wpływ i wartość monitorowania zmienności glikemii na ostry i przewlekły stan zdrowia populacji z cukrzycą i populacji bez cukrzycy (Rodriguez-Segade 2018, Zeevi 2015). W związku z tym pojawiło się zainteresowanie podejściami terapeutycznymi, które mają na celu zmniejszenie zmienności glikemii. Ta możliwość wczesnego wykrywania rozregulowania glikemii jest prawdopodobnie najbardziej korzystnym efektem stosowania CGM jako narzędzia informacyjnego, zwłaszcza w kontekście okresowych pomiarów innych biomarkerów. Jest prawdopodobne, że ludzie będą wprowadzać modyfikacje stylu życia, jeśli będą świadomi zbliżającego się problemu zdrowotnego, wykrytego za pomocą zmienności glikemii śledzonej w czasie rzeczywistym za pomocą GCM. Udowodniono, że modyfikacja stylu życia jest najskuteczniejszą interwencją w przywracaniu prawidłowego poziomu glukozy na czczo i zapobieganiu cukrzycy wśród osób z dysglikemią, zmniejszając konwersję do cukrzycy o 58% w porównaniu z placebo io 39% w porównaniu z metforminą w jednym dużym badaniu amerykańskim (Diabetes Prevention Program Research Grupa 2002). Długoterminowe obserwacje innych międzynarodowych badań wykazały równie znaczące wyniki po 4 latach (Tuomilehto 2001) i 14 lat (Li 2008) po zakończeniu kontrolowanych interwencji związanych ze stylem życia, w tym zmniejszenie częstości występowania cukrzycy odpowiednio o 58% i 43%.

Wiadomo, że zdrowie metaboliczne to spektrum, a długoterminowe badania w populacjach chorych na cukrzycę wykazały, że zmniejszenie zmienności glikemii jest ważniejsze niż obniżenie wyjściowej hiperglikemii pod względem zmniejszenia powikłań sercowo-naczyniowych (Hall 2018). Dlatego istnieje naukowe uzasadnienie, aby badać interwencje, które mogą zoptymalizować zdrowie metaboliczne u osób bez cukrzycy, ponieważ potencjalne korzyści ze świadomości metabolicznej wykraczają poza populację diabetyków. Pojawiająca się technologia, która może dostarczać dokładnych informacji zwrotnych na temat wpływu stylu życia, może być cennym mechanizmem dla osób bez cukrzycy, które chcą poprawić edukację i zmniejszyć ryzyko choroby w ciągu całego życia. Chociaż takie wyniki nie zostały jeszcze wykazane w badaniach długoterminowych, istniejące badania ujawniają obiecujące wyniki, w tym ulepszone badania przesiewowe ryzyka metabolicznego (Rodriguez-Segade 2018), wyraźną obserwowalność skutków interwencji w styl życia (Hall 2018, Brynes 2005, Freckmann 2007) oraz akceptacja strategii minimalnego ryzyka do stosowania jako narzędzia zapobiegawczego w populacji bez cukrzycy (Liao 2018). Grupa Badawcza ds. Programu Zapobiegania Cukrzycy wezwała do zmiany podejścia w celu odwrócenia tych trendów, stwierdzając, że: „metody leczenia cukrzycy pozostają niewystarczające i preferowana jest profilaktyka (Grupa badawcza Programu zapobiegania cukrzycy 2002)”. Monitorowanie zmienności glikemii, choć nie zostało udowodnione jako środek zapobiegawczy, jest w najgorszym przypadku mało prawdopodobne, aby zaostrzyło problem. W najlepszym razie, jeśli stanie się powszechnym narzędziem stylu życia, korzyści płynące z lepszej indywidualnej świadomości metabolicznej i świadomego działania mogą mieć złożone skutki na większą skalę społeczną.

Dlatego istnieje naukowe uzasadnienie, aby badać interwencje, które mogą zoptymalizować zdrowie metaboliczne dzięki ulepszonym technologiom monitorowania glikemii (Danne 2017). Staje się jasne, że oprócz populacji chorych na cukrzycę, normalne, zdrowe populacje mogą odnieść korzyści ze stabilnego, kontrolowanego poziomu cukru we krwi oraz że można zastosować mechanizmy sprzężenia zwrotnego, w tym technologie do noszenia. Zatem CGM może być obiecującą metodą poprawy biomarkerów zdrowia metabolicznego praktycznie dla każdego. Ponadto optymalne zdrowie metaboliczne jest zwykle związane z poprawą zdrowia behawioralnego i odporności poznawczej oraz podejmowaniem decyzji (Hadj-Abo 2020). Zatem optymalizacja i monitorowanie kontroli glikemii może być przydatne dla zdrowia psychicznego i może być cennym narzędziem dla personelu wojskowego i osób udzielających pierwszej pomocy w przypadku stresu metabolicznego. Postępy w technologiach oprogramowania i sprzętu zostały opracowane w celu pomiaru, analizy i przewidywania zmienności glikemii oraz zapewniają wgląd w to, jak ten dynamiczny biomarker koreluje ze sprawnością metaboliczną. W szczególności nowe postępy w technologiach CGM oferują potencjał monitorowania, przewidywania i zmiany zachowania za pośrednictwem zamkniętego systemu sprzężenia zwrotnego. Porównując dane CGM z markerami krwi dotyczącymi zdrowia metabolicznego (np. HbA1c, insulina itp.) i stanów zapalnych (np. hsCRP, cytokiny) i wraz z oceną emocji, funkcji poznawczych i zachowania, możliwa może być bardziej solidna interpretacja i dekonwolucja danych CGM za pomocą interwencji eksperymentalnych.