Rethinking Diabetesification

סוכרת משפיעה על יותר מ-500 מיליון אנשים ברחבי העולם, אך הניהול שלה נשאר מוטרד על ידי אחת מהתוצאות של גישה בגודל אחד מתאים לכל הקשורה לסיווגים מסורתיים של סוכרת סוג 1 וסוג 2. קטגוריות רחבות אלה המסיכה משמעותית בהתקדמות המחלה, תגובה, טיפול, וסיבוכים של בדיקות נתונים אישיים, כי במשך עשרות שנים, רופאים הבחינו כי חלק מהחולים עם סוכרת סוג 2 מעולה לשמור על שליטה גליקמית עם metformin לבד, בעוד אחרים, תוך כדי לזהות במהירות את הסימפטומים של ניתוח אינטנסיבי של ניתוח אינטנסיבי של ניתוח זה טיפול פסיכולוגי.

מהו Cluster Analysis?

ניתוח קלוסטר הוא שיטת למידה לא מבוססת מכונה שקבוצות אובייקטים או יחידים לתוך אשכולות המבוססים על דמיון בין תכונות מרובות.בניגוד למידה מבוקרת, אשר מסתמכת על תוצאות מתוייגות, ניתוח אשכול מגלה מבנים טבעיים בתוך נתונים ללא קטגוריות מוגדרות מראש.הרעיון הליבה הוא פשוט: נקודות בתוך אותו אשכול חולק יותר מאפיינים אחד עם השני מאשר נקודות במקבץ אחר.התהליך כולל מרחק כגון Oclide - כלומר, כלומר, בין שני מאפיינים דומים למינימום, כאשר הם משווים בין אנשים אחרים.

בחירת האלגוריתם תלויה במבנה הנתונים ובמטרות המחקר.שיטות נפוצות כוללות:

  • (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) היררכי המקבץ את ה-FLT:1: בונה מבנה דמוי עץ (denrogram) של אשכולות מקוננות, המאפשר לחוקרים לדמיין מערכות יחסים ברמות גרניטריות מרובות.
  • [01:0]DBSCANFLT:1: צביר מרחבי מבוסס דנס המזהה אשכולות כמו אזורים צפופים מופרדים על ידי אזורים ספאריים, שימושי עבור לכידת תת-קבוצות בצורת שרירותית וטיפול בזרמים.
  • (FLT:0) מודלים של תערובת Gaussian של מודל FLT:1: גישה פרובביליסטית מניחה שנקודות נתונים עולות מתוך תערובת של מספר התפלגות גאוסיאנית, מתן הקצאות רכות והערכות אי ודאות.

לכל אלגוריתם יש כוחות ומגבלות. עבור יישומי סוכרת, K-means ו- hierarchical אשכולing נפוצים ביותר בשל הפרשנות וההיקף שלהם לאלפים של חולים על פני עשרות משתנים.

סוכרת ההטרוגניות והצורך ב- Subtyping

סיווג סוכרת מסורתי מחלק מקרים לטיפוס 1 (הרס של תא אוטואימוני המוביל למחסור באינסולין מוחלט) וסוג 2 (התנגדות אינסולין עם מחסור באינסולין יחסי) עם מחסור באינסולין). עם זאת, דיכוטומיה זו אינה מצליחה ללכוד את הספקטרום הקליני המלא.לדוגמה, סוכרת אוטואימונית מאוחרת במבוגרים (LADA) מתעלם רק מתכונות של שני סוגי הסוכרת, בתוך סוכרת מסוג 2, חולים שונים בעידן דרמטי של הגוף, מדדי, כלומר, סימנים מוקדמים, ואפקטי אינסולין, בעוד שעדיין לאינסולין, או מסיבוכים מוקדמים, בעוד שמפתחים.

ניתוח Cluster מתייחס למגבלה זו על ידי בו זמנית בהתחשב במספר פרמטרים קליניים, מטבוליים וגנטיים. על ידי זיהוי תת-קבוצות הומוגניות, החוקרים יכולים:

  • התקדמות המחלה באופן מדויק יותר
  • אסטרטגיות טיפול לפרופיל סיכון אישי
  • Uncover חדש biomarkers ומטרות טיפוליות
  • שיפור תכנון הניסוי הקליני על ידי רישום אוכלוסיות הומוגניות יותר

החל ניתוח Cluster לסוכרת Data

זרימת העבודה ליישום ניתוח אשכול לאוכלוסיות סוכרת בדרך כלל כרוכה במספר שלבים קריטיים. ראשית, החוקרים מגדירים את קבוצת המחקר - לעתים קרובות נמשך ממאגרי נתונים אפידמיולוגיים גדולים, רשומות בריאות אלקטרוניות, או ניסויים קליניים.גדלים ממגוון של כמה מאות עד 10,000 אנשים כדי להבטיח כוח סטטיסטי. Next, עיבוד נתונים הוא חיוני: ערכים חסרים הם בלתי מאוישים, חריגים מוערכים, ומשתנים מתמשכים הם סטנדרטיים כדי למנוע משתנים עם קשקשים גדולים יותר מתהליכים אלה כוללים שיטות בחירה.

מגוון מפתח בניתוח Cluster

  • (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) סמנים של Metabolic Noteers: Fasting גלוקוז, HbA1c, אינסולין צום, רמות C-peptide, אינסולין אינדיקציות (למשל, HOMA-IR), פרשת אינסולין (HOMA-Beta)
  • (ב) ,0) ,AnthropometricsFLT:1: מדד מסת גוף (BMI), חיכוך המותניים, אחוז שומן גוף
  • (ב) ,0) פרופיל לילידפוס FLT:1: כולסטרול מוחלט, HDL, LDL, triglycerides
  • (FLT:0) היסטוריה קדמונית: משך סוכרת, נוכחות של סיבוכים (רטינופתיה, ערפיליות, נוירופתיה), היפרדות, אירועים קרדיווסקולריים
  • (FLT:0) סמנים גנטיים (GAD) 1: אללים בסיכון לסוכרת מסוג 2, נוגדנים אוטואימוניים (GAD, ICA)

ברגע שה-Dataset מוכן, החוקרים ליישם אלגוריתמים מקובצים.פרקטיקה נפוצה היא להשתמש באלגוריתמים מרובים ולהשוות תוצאות כדי להבטיח את הטכניקות של אימות (כגון ציון צללית, שיטת מרפק עבור K-means, וניתוח יציבות באמצעות מחזרי מגפיים - לעזור לקבוע את המספר האופטימלי של אשכולות. לדוגמה, ציון הצללית הוא עד כמה נקודה דומה הוא למקבץ שלה בהשוואה לערכים אחרים, עם ערכים, כלומר, כלומר, כלומר, מ- 1 נקודות ציון טוב יותר טוב יותר.

Common Clustering Algorithms in Practice

במחקר סוכרת, K-means מקבץ תומך בפשטות ובמהירות שלו. חוקרים בדרך כלל מקטינים את הנתונים ומריצים את K-means עם ערכים שונים K (למשל, 2 עד 10) מזימה המרפק (עם סכומים זעירים של כיכרות לעומת K) מסייע לזהות את הנקודה שבה הוספת יותר אשכולות מניבות תשואה מופחתת.

לאחר איסוף, החוקרים לאפיין כל אשכול על ידי סטטיסטיקות סיכום מחשוב עבור כל המשתנים.הבדלים מרכזיים בין אשכולות נבדקים באמצעות ANOVA או Croskal-Wallis בדיקות עבור משתנים מתמשכים ובדיקות צ'י-סquare עבור משתנים קטגוריאליים.צעד זה חושף את התכונות המגדירות של כל תת-סוג, המאפשרות פרשנות קלינית.

מפתח: קבוצות תת-קבוצות בסוכרת

מחקרים של לנדמרק הוכיחו את הכוח של ניתוח אשכול כדי להגדיר מחדש את תת-סוגים סוכרתית.אחד החקירות המשפיעות ביותר פורסם בשנת 2018 על ידי Ahlqvist et al. מאוניברסיטת לונד, שוודיה. A לנתח נתונים מכמעט 9,000 חולים עם סוכרת מאובחנים לאחרונה בזווית שוודית, החוקרים הגישו את C-means מקבץ לשש משתנים: אבחון, BMI, Hb1c, חומצה גלוטמיתיתיתית דה-K-Celamic detrarcaer (GMA) נוגדנים (HMA) ו-ra2GMA) 5 נוגדנים נפרדים (HMA)).

5 סוגים של סוכרת מסוג 2

  • (FLT:0Cluster 1: מספר סוכרת אוטואימונית (SAID)FLT:1: Corresponds סוכרת סוג 1 קלאסי ו- LADA חולים הם צעירים בתחילת, רזה עם BMI נמוך, יש נוגדנים GAD, ופרשת אינסולין נמוכה (נמוך נמוך HOMA2-Beta) קבוצה זו דורשת טיפול אינסולין מוקדם.
  • (FLT:0Cluster 2: סוכרת בעלת הגנה על אינסולין (SIDD) 1Fuaph: חולים הם צעירים יחסית, יש BMI נמוך, no autoantibodies, אבל מחסור אינסולין חמור (נמוך מאוד HbA1c באבחון וסיכון גבוה יותר של רטינופתיה.
  • (FLT:0Cluster 3: סוכרת בעלת אחריות אינסולין (SIRD) 1FIRLT: Characterized by high BMI, עמידות לאינסולין חמורה (HoMA2-IR גבוה), וחסידות אינסולין נשמרת יחסית. לקבוצה זו יש את הסיכון הגבוה ביותר למחלת כליות סוכרתית כבד שומני.
  • (FLT:0Cluster 4: סוכרת הקשורה להשמנה (MOD) 1FLT: חולים הם שמנים ( BMI גבוה) אבל עם טיהור מטבולי מתון.התנגדות וסודיות הם מאוזנים יחסית.
  • (FLT:0Cluster 5: סוכרת הקשורה לגיל (MARD)FLT:1: המקבץ הגדול ביותר של חולים מבוגרים באבחון (לעתים קרובות > 65 שנים), עם הפרעות מטבוליות קלות וסיכון לסיבוכים נמוכים.

סיווג זה שוכפל באוכלוסיות אחרות, כולל קבוצות סיניות ואירופיות, המאשר את תוקףן חוצה אתניות.חשוב לציין, את הסקטורים חזו התקדמות המחלה וסיכון הסבך באופן מדויק יותר מאשר HbA1c קונבנציונלי או קטגוריות BMI בלבד.

קטגוריות אחרות

מעבר למחקר השוודי, צוותים אחרים של מחקר הגישו ניתוח של תסרוקות שונות.לדוגמה, מחקר באמצעות ה-Biobank בבריטניה זיהה תת-קבוצות נוספות בהתבסס על ציוני סיכון גנטיים ותכונות מטבוליות.ניתוח נוסף המתמקד אך ורק בסוכרת מסוג 1, חושף תת-קבוצות עם שיעורי משתנים של ירידה תאי בטא-תאים וסיכונים סיבוך. inal Pregnancy, ניתוח אשכול חשף תת-סוגים הקשורים לסיכון לאחר ניתוח, המעקב אחר פרוטוקולים.

ניתוח קלוסטר הוחל גם על סוכרת מונוגנית ואוכלוסיות טרום-הטרידיות, ומפריך את ההבנה שלנו של הטרוגניות המחלה.ממצאים אלה באופן קולקטיבי מציעים כי סוכרת היא תסמונת של פתולוגיות שונות מרובות ולא מחלה אחת.

השלכות לטיפול ומחקר

זיהוי תת-קבוצות סוכרת נפרדות יש השלכות עמוקות על תרגול קליני ופיתוח תרופות.גישות טיפול אישיות יכולות להיות מותאמות בהתבסס על חברות אשכולות.

  • (FLT:0) חולים נהנים מתקדשי אינסולין מוקדמים וטיפולים מחוסנים (למשל, teplizumab במקרים חדשים).
  • (FLT:0) מטופלים דורשים אינסולין מיד בשל מחסור חמור באינסולין, אם כי הם עשויים גם להגיב sulfonylureas או אגוניסטי קולטן GLP-1 מעורר סודון.
  • (FLT:0) חולים הם מועמדים אידיאליים עבור אינסולין sensitizers כמו thiazolidinediones או metformin, יחד עם ניהול אגרסיבי של גורמי סיכון לב וכלי דם.
  • (FLT:0)MODigph:1 חולים לעתים קרובות להשיג הפוגה עם התערבויות אורח חיים ו metformin, הימנעות מעצימה מוקדמת של טיפול.
  • (FLT:0) חולים עשויים לדרוש רק התערבות תרופתית מינימלית, עם מעקב זהיר כדי להימנע מטיפול יתר ו hypoglycemia.

ניסויים קליניים ניתן להעשיר על ידי רישום תת-קבוצות הומוגניות, צמצום יכולת ושיפור כוח סטטיסטי.לדוגמה, ניסוי לבדיקת sensitizer חדש יכול להתמקד בחולים SIRD, אשר סבירים ביותר להגיב. סוכנויות רגולטוריות מפתחי סמים הם יותר ויותר הכרה גישות מבוססות תת-קבוצות כדרך לפיתוח סמים יעיל יותר.

יתר על כן, ניתוח אשכול מאיר מסלולים ביולוגיים חדשים.התב"ד, למשל, מדגיש את התפקיד של עמידות לאינסולין במחלת הכליות סוכרתית, מה שמוביל מחקר למנגנונים פרו-דלקתיים ופרופיביים. מחקרים גנטיים בתוך אשכולות יכולים לזהות loci ספציפית לתת-סוגים מסוימים, מה שמוביל לטיפולים לטיפולים ממוקדים.

אתגרים בניתוח Cluster

למרות ההבטחה, ניתוח אשכול במחקר סוכרת עומד בפני מספר אתגרים שיש לטפל בהם כדי לתרגם את הממצאים לפרקטיקה קלינית שגרתית.

(FLT:0) איכות נתונים ושלמות (FLT:1): אלגוריתמים קלוסטרינג דורשים נתונים מקיפים ואיכותיים.רמות חסרות C-peptide, לוחות ליומנים שלמים, או בדיקות נוגדות לא עקביות יכולים להציג הטיה. מאגרי נתונים עם ערכים רבים חסרים עשויים לדרוש מוטציות, אשר יכולים לעוות דפוסים אמיתיים.

(FLT:0Variable Selection הטיות בחירה מוטה 1FLT: הבחירה של משתנים משפיעה מאוד על פתרונות אשכול.כולל תכונות מקודמות או לא רלוונטיות יכול לטשטש תת-קבוצות אמיתיות.

(FLT:0) אלגוריה מניחה כי אלגוריתמים שונים יכולים להניב אשכולות שונים מאותה נתונים. K-means מניח כי אשכולות מפוארים של גודל שווה, אשר עשויים לא לשקף מציאות ביולוגית.

(FLT:0) שיפור והתאמה כללית של כלליזציה 1 (הראשונה ל-Clusters שזוהים בקבוצה אחת לא יכולים לשכפל באוכלוסיות אחרות עקב הבדלים באתניות, במערכות הבריאות או בשיטות מדידה.

(FLT:0 יחסיות ותועלת קלינית: גם אם אשכולות חזקים סטטיסטית, הם חייבים להיות ניתנים לזיהוי בקלות בהגדרות קליניות שגרתיות. A אשכול המוגדר על ידי שילובים מורכבים של סמנים ביולוגיים עשוי לא להיות מעשי אם הבדיקות הללו אינן זמינות בטיפול ראשוני.

כיוונים עתידיים

התחום מתפתח במהירות לקראת שילוב ניתוח אשכול עם מקורות נתונים אחרים ברמה גבוהה. התפתחויות מפתח כוללות:

  • (FLT:0)Genomics ו- Multi-omics אינטגרציה אינטגרציה אינטגרציה 1LT: שילוב ניתוח אשכול עם לימודי גנום ברחבי האיגוד (GWAS), תמלילים, פרוטומיקים, ו metabolomics יכול לספק תובנות מכניות. לדוגמה, שילוב פרופילי ביטוי גנים ספציפיים אשכול עשויים לזהות מטרות סמים עבור תת-סוג SIRD.
  • (FLT:0) ארוך-לאורדיאל המקבץ את ה-II: במקום נתונים חלקיים, מחקרים עתידיים יעמידו מטופלים על בסיס טרקטוריות של HbA1c, משקל או תפקוד חוזר לאורך זמן. גישה דינמית זו לוכדת את האבולוציה של המחלה ומודיעה אסטרטגיות טיפול הסתגלות.
  • (FLT:0) למידה ולמידה עמוקה (Machine Learning and Deep LearningFLT:103): שיטות מתקדמות כמו autoencoders יכולים ללמוד ייצוגים נתונים שמשפרים ביצועים מקובצים.עם זאת, הפרשיות נשארות דאגה.
  • (FLT:0) יישום בעולם האמיתי FLT:1: רשומות בריאות אלקטרוניות מציעות נתונים עצומים עבור איסוף, אבל הם לעתים קרובות מכילים רעש ומחסור בנתונים. עיבוד שפה טבעית יכול לחלץ מידע לא מובנה (למשל, הזמנות תרופות, אזכורים סיבוך) כדי להעשיר משתנים.
  • (FLT:0Clinical Decisionbuilding Support) 1: כלים מבוססי Algorithm יכולים להיות מוטבעים ברשומות רפואיות אלקטרוניות כדי להקצות באופן אוטומטי חולים למקבץ, ולהמליץ על נתיבי טיפול מותאמים אישית.

מסקנה

ניתוח קלוסטר הופך את ההבנה שלנו של סוכרת מ סיווג בינארי של קורקזה לתוך מסגרת מפורטת, ספציפית תת-סוג. על ידי חשיפת דפוסים מוסתרים בעבר בנתונים הקליניים והביולוגיים, טכניקה זו מאפשרת חיזוי מדויק יותר של התקדמות המחלה, בחירת טיפול ממוקדת, וכיוונים מחקר חדשניים.מודל 5-קלוסטר השבדי כבר שינה כיצד חוקרים חושבים על סוכרת, והמשך עבודה בגנטיקה, תרגומים מלאכותיים, כמו גם שיטות טיפוליות טיפוליות טיפוליות טיפוליות רלוונטיות, עם זאת, ישת, עם זאת, עם זאת, יש לשנות באופן שיטתיות, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, כמו גם בעיות אבטחה טיפול פסיכולוגיות, כמו גם בעיות אבטחה מתקדמות יותר, עם זאת, עם זאת, עם זאת, עם בעיות אבטחה מתקדמות יותר, עם זאת, עם בעיות אבטחה מתקדמות יותר, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם בעיות אבטחה מתקדמות יותר, עם זאת, עם בעיות טיפוליות.