AI-förutsagda sjukdomsbanor i diabetes: en retrospektiv studie (AI-TRYDIA)

Den föreslagna studien syftar till att utnyttja kraften hos artificiell intelligens (AI) och maskininlärning (ML) för att tillgodose kritiska kliniska behov vid hanteringen av diabetes mellitus (DM), en kronisk och icke-remissiv sjukdom som avsevärt påverkar patienternas liv. Trots tillgången på hypoglykemiska terapier är förebyggandet av både mikrovaskulära (retinopati, nefropati, neuropati) och makrovaskulära (kardiovaskulära, cerebrovaskulära sjukdomar och perifer artärsjukdom) komplikationer en utmaning, med diabetespatienter i högre risk jämfört med den allmänna befolkningen.

Studien fokuserar på två primära mål: för det första att a priori identifiera patienter med varierande sannolikhet att utveckla DM-komplikationer, vilket möjliggör ett mer resurskrävande tillvägagångssätt för dem med större risk; för det andra att peka ut de mest effektiva terapeutiska valen som är skräddarsydda för individuella patientprofiler. Dessa mål härrör från distinkta kliniska egenskaper och behov vid hanteringen av typ 1 DM (T1DM) och typ 2 DM (T2DM). För T1DM föreslår fenomenet med partiell klinisk remission efter diagnos, märkt av minskat insulinbehov och glykemisk variation, ett fönster för förbättrade långsiktiga resultat. Omvänt saknar T2DM-hantering tydlig vägledning för personliga läkemedelsregimer efter metformin, vilket visar på en lucka i behandlingsoptimering.

Att utnyttja AI och ML för analys av multidimensionella och longitudinella hälsodata presenterar ett innovativt tillvägagångssätt för att förutsäga sjukdomsbanor och terapeutiska resultat vid DM. Denna observationella, retrospektiva studie, initialt monocentrisk med potential för bredare dataintegration, kommer att fördjupa sig i Electronic Health Records (EHR) med hjälp av Smart Digital Clinic Software (Meteda). Genom att screena patienter baserat på specifika behörighetskriterier, inklusive DM-typklassificering och historiska hälsomarkörer, syftar denna forskning till att generera två distinkta patientkohorter för djupgående analys.

Denna studie tar inte bara upp en trängande klinisk nödvändighet genom att syfta till att förbättra personlig DM-hantering och förhindra komplikationer utan bidrar också till det begynnande området för AI-tillämpning inom sjukvården. Genom denna utforskning försöker studien erbjuda nya insikter, validera AI och ML:s användbarhet i medicinska förutsägelser och skapa en grund för framtida forskning och klinisk praxis som omfattar tekniska framsteg för förbättrad patientvård.