प्रारंभिक मधुमेह निदान के लिए न्यू बायोमार्कर की पहचान करने में बिग डेटा की भूमिका

मधुमेह मेलेटस दुनिया भर में स्वास्थ्य प्रणालियों को तनाव में जारी रखता है, जिसमें प्रचलितता दर सभी जनसांख्यिकीयों में तेजी से बढ़ रही है। इस चयापचय विकार की चुप प्रगति का मतलब है कि समय तक पारंपरिक नैदानिक मानदंड मिले हैं, पर्याप्त अग्नाशय बीटा-सेल डिसफंक्शन और संवहनी क्षति पहले ही हो सकती है। इस वास्तविकता ने पहले, अधिक सटीक पता लगाने के तरीकों की खोज को तेज कर दिया है। उन्नत कम्प्यूटेशनल एनालिटिक्स के साथ बड़े पैमाने पर जैव चिकित्सा डेटासेट की उपस्थिति तेजी से इस परिदृश्य को फिर से बदल रही है, शोधकर्ताओं को सूक्ष्म जैविक संकेतों की पहचान करने में सक्षम बनाती है जो नैदानिक शुरुआत से पहले होती है।

प्रारंभिक मधुमेह बायोमार्कर की महत्वपूर्ण आवश्यकता

टाइप 2 मधुमेह के लिए पारंपरिक नैदानिक उपकरण, जिसमें तेज प्लाज्मा ग्लूकोज (एफपीजी) और हीमोग्लोबिन ए 1 सी (एचबीए 1 सी) माप शामिल हैं, स्थापित हाइपरग्लिसीमिया का पता लगाने पर भरोसा करते हैं। उन्नत बीमारी की पुष्टि के लिए प्रभावी होने के बावजूद, ये मीट्रिक अक्सर चयापचय स्वास्थ्य को विकृत करने के वर्षों को पकड़ने में विफल रहते हैं जो एक आधिकारिक निदान को पूर्व निर्धारित करते हैं। इस नैदानिक अंतर का मतलब जीवनशैली के हस्तक्षेप या प्रारंभिक फार्माकोथेरेपी के लिए अवसर अक्सर याद किए जाते हैं। बायोमार्कर जो इंसुलिन प्रतिरोध, बीटा सेल तनाव और उप-क्लिनिक सूजन के अंतर्निहित रोगजनक प्रक्रियाओं को दर्शाते हैं, जो रक्त ग्लूकोज स्तर के असामान्य होने से पहले व्यक्ति के वर्षों में सैद्धांतिक रूप से पहचान सकते हैं।

क्यों पारंपरिक मार्कर अपर्याप्त हैं

ग्लूकोज केंद्रित निदान पर निर्भरता मधुमेह पैथोफिजियोलॉजी की प्रणालीगत प्रकृति की ओर इशारा करती है। HbA1c, सुविधाजनक, ग्लिसेशन दरों में लाल रक्त कोशिका टर्नओवर, एनीमिया और जातीय मतभेदों से प्रभावित हो सकता है। फास्टिंग ग्लूकोज एक अत्यधिक गतिशील नियामक प्रणाली के केवल एक स्नैपशॉट पर कब्जा कर लेता है। ये सीमाएं आणविक संकेतकों की आवश्यकता को कम करती हैं जो चयापचय मार्गों पर जैविक तनाव को सीधे मापती हैं। प्रारंभिक बायोमार्कर सक्रिय रोग प्रबंधन से सक्रिय रोकथाम तक बदलाव को सक्षम कर सकते हैं, संभावित रूप से धीमी या पूर्ण-उन्न मधुमेह के लिए मानकोग्लिसीमिया से संक्रमण को रोकने या रोकने में सक्षम हो सकते हैं।

डेटा इकोसिस्टम्स ड्राइविंग मॉडर्न बायोमार्कर डिस्कवरी

उपन्यास जैवचिह्नों की पहचान उच्च-थ्रूपुट प्रौद्योगिकियों और डिजिटल स्वास्थ्य उपकरणों के माध्यम से उत्पन्न बड़े, विविध डेटासेट की उपलब्धता से तेज हो गई है। ये डेटा स्रोत मानव जीवविज्ञान के पूरक विचार प्रदान करते हैं, जिससे शोधकर्ताओं को दीर्घकालिक नैदानिक परिणामों के साथ आणविक परिवर्तन को सुधारने की अनुमति मिलती है।

उच्च-थ्रूपुट ओमीक प्रौद्योगिकी

Genome-wide एसोसिएशन अध्ययन (GWAS) ने मधुमेह जोखिम से जुड़े सैकड़ों आनुवंशिक रूपों को सूचीबद्ध किया है, लेकिन उनकी व्यक्तिगत भविष्यवाणियों की शक्ति सीमित है। ट्रांसक्रिप्टोमिक्स, प्रोटेमिक्स और मेटाबोमिक्स का एकीकरण इस बात पर अधिक कार्यात्मक दृष्टिकोण प्रदान करता है कि आनुवंशिक पूर्वाभास रोग में कैसे अनुवादित हो सकता है। मास स्पेक्ट्रोमेट्री और परमाणु चुंबकीय अनुनाद स्पेक्ट्रोस्कोपी अब हजारों चयापचयों और प्रोटीनों को एक ही रक्त नमूने से मात्रात्मक बनाने में सक्षम बनाती है। इन प्लेटफार्मों ने शाखाओं वाले श्रृंखला अमीनो एसिड (BCAAs), सुगंधित अमीनो एसिड और भविष्य में मधुमेह के बीच मजबूत संबंध को उजागर किया है।

इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड्स से रियल वर्ल्ड साक्ष्य

इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (ईएचआर) प्रयोगशाला परिणाम, दवा इतिहास, निदान कोड और महत्वपूर्ण संकेत सहित अनुदैर्ध्य नैदानिक डेटा के एक विशाल भंडार का प्रतिनिधित्व करते हैं। जब बायोबैंक नमूनों से जुड़ा हुआ है, तो EHR शोधकर्ताओं को एक अत्यधिक विविध भागीदार आधार से EHR के साथ जीनोमिक डेटा को जोड़ने की अनुमति देता है जो भविष्यवाणियों को पहचानने में सक्षम बनाता है। हमारे सभी अनुसंधान कार्यक्रम संयुक्त राज्य अमेरिका में एक पहल का एक उदाहरण है जिसे एक अत्यधिक विविध प्रतिभावान आधार से EHRs के साथ जीनोमिक डेटा को जोड़ने के लिए डिज़ाइन किया गया है, जो जैवमार्कर खोज के लिए एक आधार प्रदान करता है जो सामान्य आबादी का अधिक प्रतिनिधि है।

पहनने योग्य उपकरण और सतत ग्लूकोज मॉनिटरिंग

पहनने योग्य प्रौद्योगिकी, निरंतर ग्लूकोज मॉनिटर (CGM) और गतिविधि ट्रैकर सहित, नैदानिक सेटिंग के बाहर उच्च आवृत्ति शारीरिक डेटा उत्पन्न करता है। यह डेटा ग्लाइसेमिक परिवर्तनशीलता, पोस्टप्रैंडियल प्रतिक्रियाओं और शारीरिक गतिविधि पैटर्न को कैप्चर करता है जो कभी-कभी प्रयोगशाला परीक्षणों के लिए अदृश्य हैं। मशीन लर्निंग मॉडल CGM डेटा पर लागू ग्लूकोज होमोस्टेसिस में प्रारंभिक व्यवधान की पहचान कर सकते हैं, जैसे कि रेंज के ऊपर लंबे समय तक या बढ़ी हुई ग्लाइसेमिक परिवर्तनशीलता, जो उन्नत HbA1c को पूर्व निर्धारित कर सकती है। ये डिजिटल बायोमार्कर चयापचय स्वास्थ्य का एक गतिशील दृश्य प्रदान करते हैं और व्यक्तियों पर न्यूनतम बोझ के साथ पैमाने पर एकत्र किए जा सकते हैं।

परिसर जैव चिकित्सा डाटा विश्लेषण के लिए कम्प्यूटेशनल फ्रेमवर्क

आधुनिक जैव चिकित्सा आंकड़ों की सरासर मात्रा और आयामीता को परिष्कृत विश्लेषणात्मक दृष्टिकोण की आवश्यकता होती है। हजारों चरों के बीच गैर-रैखिक बातचीत का पता लगाने के लिए पारंपरिक सांख्यिकीय तरीकों को अक्सर अपर्याप्त माना जाता है। मशीन लर्निंग और नेटवर्क आधारित तरीकों से शोर से सार्थक पैटर्न को डिस्टिलिंग के लिए आवश्यक उपकरण बन गए हैं।

Predictive मॉडलिंग और पैटर्न मान्यता के लिए मशीन लर्निंग

यादृच्छिक वन, ढाल बढ़ाने वाली मशीनों और सहायक वेक्टर मशीनों सहित सुपरविस्ड लर्निंग एल्गोरिदम का व्यापक रूप से बहु-आर्थिक डेटासेट से जोखिम भविष्यवाणी मॉडल बनाने के लिए उपयोग किया जाता है। ये मॉडल मधुमेह जोखिम स्तरीकरण की सटीकता में सुधार के लिए आणविक डेटा के साथ नैदानिक चर को एकीकृत कर सकते हैं। गहरी सीखने की वास्तुकला, जैसे कि संवहन तंत्रिका नेटवर्क, ने रेटिना फंडस छवियों जैसे असंरचनात्मक डेटा का विश्लेषण करने में उल्लेखनीय प्रदर्शन का प्रदर्शन किया है, जहां वे नैदानिक निदान से पहले मधुमेह विकृति के वर्षों के सूक्ष्म संवहनी परिवर्तनों का पता लगा सकते हैं। क्लस्टरिंग एल्गोरिदम सहित अनसुरक्षित सीखने के तरीकों ने मधुमेह के उपन्यास उपप्रकारों की पहचान की है जो पहले पारंपरिक प्रकार के अनुरूप नहीं है।

नेटवर्क मेडिसिन और सिस्टम बायोलॉजी इंटीग्रेशन

नेटवर्क दवा सटीकता अलग घटकों के बजाय अंतर कनेक्ट नेटवर्क के रूप में जैविक प्रणालियों का इलाज करती है। जीन, प्रोटीन और मेटाबोलाइट्स के बीच बातचीत को मैप करके, शोधकर्ता रोग मॉड्यूल और हब नोड्स की पहचान कर सकते हैं जो मधुमेह रोगजनन के केंद्र हैं। यह ढांचा विशेष रूप से मूल्यवान है कि कैसे एक मार्ग में perturbations, जैसे माइटोकॉन्ड्रियल डिसफंक्शन, चयापचय नेटवर्क के माध्यम से इंसुलिन संवेदनशीलता और बीटा सेल फ़ंक्शन को प्रभावित करने के लिए प्रचारित किया जाता है। नेटवर्क विश्लेषण के माध्यम से बहु-आधुनिक डेटा को एकीकृत करने से जैव-marker उम्मीदवारों को प्राथमिकता मिलती है जो जैविक रूप से प्रासंगिक और सांख्यिकीय रूप से मजबूत दोनों हैं। A 2020 अध्ययन में प्रकाशित किया गया [FLT: 0] Nature मशीन खुफिया [[FLT: 0]

उपन्यास मधुमेह बायोमार्कर बिग डेटा के माध्यम से खोजे गए

बड़े डेटा विश्लेषण के आवेदन ने उम्मीदवार बायोमार्कर की बढ़ती सूची पैदा की है जो प्रारंभिक जांच में सुधार कर सकते हैं। हालांकि कोई भी अभी तक मानक नैदानिक परीक्षणों की जगह नहीं लेता है, कई ने बड़े संभावित कोहोर्ट्स में मधुमेह की घटना के साथ मजबूत और प्रतिवर्ती संघों को दिखाया है।

इंसुलिन प्रतिरोध के मेटाबोलोमिक हस्ताक्षर

चयापचय को फैलाने में परिवर्तन सबसे आशाजनक प्रारंभिक संकेतकों में से एक है। शाखाओं वाले श्रृंखला अमीनो एसिड (आइसोलेसिन, ल्यूसिन, वैलिन) और सुगंधित अमीनो एसिड (फेनिललेनिन, टाइरोसिन) के स्तर को लगातार भविष्य में इंसुलिन प्रतिरोध और मधुमेह की शुरुआत से जोड़ा गया है। ये मेटाबोलाइट्स माइटोकॉन्ड्रियल अधिभार और बिगड़े हुए सब्सट्रेट चयापचय को प्रतिबिंबित कर सकते हैं। लिपिडोमिक्स अध्ययनों ने विशिष्ट ट्राइएल्ग्लिसरोल प्रजातियों की पहचान की है जिसमें विषम श्रृंखला फैटी एसिड, साथ ही साथ सेरामाइड और डायएसिलेसेरोल शामिल हैं, जो यकृत इंसुलिन प्रतिरोध के साथ मिलकर बनती है।

Inflammatory और प्रोटेमिक मार्कर

क्रोनिक लो-ग्रेड सूजन मधुमेह रोग विज्ञान की एक अच्छी तरह से विकसित विशेषता है। बिग डेटा प्रोटेमिक्स ने भड़काऊ प्रोटेम की व्यवस्थित स्क्रीनिंग को सक्षम किया है, मधुमेह जोखिम और प्रोटीन जैसे घुलनशील यूरोकिनेज़ प्लास्मिनोजन सक्रियता रिसेप्टर (suPAR), फाइब्रोब्लास्ट ग्रोथ फैक्टर 21 (FGF-21), और विकास भेदभाव कारक 15 (GDF-15) के बीच एसोसिएशनों का खुलासा किया है। ये प्रोटीन प्रतिरक्षा विनियमन, तनाव प्रतिक्रिया और ऊतक पुनर्निर्माण में शामिल हैं। बड़े पैमाने पर एपटामर आधारित प्रोटेमिक प्लेटफॉर्म, एक साथ हजारों प्रोटीन को मापने में सक्षम, एक साथ में एक साथ प्रोटीन के रूप में एक ऊतक के रूप में काम करने वाले उपन्यास उम्मीदवारों की पहचान की है।

पॉलीजेनिक जोखिम स्कोर और आनुवंशिकी की भूमिका

जबकि व्यक्तिगत आनुवंशिक संस्करण मामूली जोखिम को सीमित करते हैं, बहु-अक्षय जोखिम स्कोर (PRS) में कई प्रकार के एकत्रीकरण ने विरासत में लिया संवेदनशीलता का एक समग्र उपाय प्रदान किया है। टाइप 2 मधुमेह के लिए PRS व्यक्तियों को जोखिम के एक विस्तृत स्पेक्ट्रम में फंस सकता है और जब शरीर द्रव्यमान सूचकांक और पारिवारिक इतिहास जैसे नैदानिक जोखिम कारकों के साथ संयुक्त हो जाता है, भविष्य के मधुमेह मामलों के भेदभाव में सुधार करता है। हालांकि, PRS की नैदानिक उपयोगिता एन्स्ट्रल समूहों में उनकी खराब हस्तांतरण क्षमता तक सीमित रहती है, क्योंकि अधिकांश GWAS डेटा यूरोपीय आबादी से प्राप्त किया गया है।

Microbiome और होस्ट-माइक्रोबे इंटरेक्शन

आंत माइक्रोबायोम चयापचय स्वास्थ्य के लिए एक महत्वपूर्ण योगदानकर्ता के रूप में उभरा है, मेजबान ऊर्जा संतुलन, सूजन और इंसुलिन संवेदनशीलता को प्रभावित करता है। बड़े कोहोर्ट्स के मेटाजेनोमिक अनुक्रमण ने माइक्रोबियल विविधता को कम कर दिया है, विशिष्ट प्रजातियां जैसे Akkermansia muciniphila [[FLT1]], और कार्यात्मक मार्ग जैसे कि मधुमेह जोखिम के लिए butyrate उत्पादन। सूक्ष्मजीव संरचना डेटा पर प्रशिक्षित मशीन लर्निंग मॉडल मध्यम सटीकता के साथ ग्लाइसेमिक स्थिति की भविष्यवाणी कर सकते हैं, हालांकि आबादी में प्रतिवर्तीता एक चुनौती बनी हुई है। माइक्रोबायोम की गतिशील प्रकृति भी हस्तक्षेप और आहार की पहचान करने के लिए अवसर पेश करती है।

बिग डेटा बायोमार्कर डिस्कवरी में कुंजी चुनौतियां

बड़े डेटा संचालित बायोमार्कर खोज के आसपास उत्साह को महत्वपूर्ण पद्धति और व्यावहारिक चुनौतियों के बारे में जागरूकता से गढ़ा जाना चाहिए। कई आशाजनक उम्मीदवार बायोमार्कर स्वतंत्र अध्ययनों में दोहराने या नैदानिक रूप से उपयोगी परीक्षणों में अनुवाद करने में विफल रहे।

डेटा हेटेरोजेनिटी और मानकीकरण

बायोमेडिकल डेटा अक्सर विभिन्न प्लेटफार्मों पर एकत्र किए जाते हैं, विभिन्न प्रोटोकॉल का उपयोग करते हैं, और विभिन्न आबादी में। बैच प्रभाव, मंच-विशिष्ट पूर्वाग्रह, और नमूना हैंडलिंग में परिवर्तनशीलता व्यवस्थित त्रुटि पेश कर सकती है जो बायोमार्कर खोज को चकित करती है। मानकीकृत डेटा प्रारूपों और ऑन्टोलॉजी की कमी अध्ययनों में डेटासेट को एकीकृत करना मुश्किल बनाती है। FAIR सिद्धांतों (Findable, Accessible, Interoperable, पुन: प्रयोज्य) का पालन बड़े पैमाने पर मेटा-analyses को सक्षम करने और प्रयास की दोहराव को कम करने के लिए महत्वपूर्ण है।

Reproducibility and overfit

उच्च आयामी डेटा ओवरफिटिंग का जोखिम रखता है, जहां मॉडल प्रशिक्षण डेटासेट में अच्छी तरह से प्रदर्शन करते हैं लेकिन स्वतंत्र आबादी को सामान्यीकृत करने में विफल रहते हैं। यह विशेष रूप से समस्याग्रस्त है जब सुविधाओं की संख्या नमूनों की संख्या से अधिक हो जाती है। रेजिओरस सत्यापन रणनीतियों, जिसमें क्रॉस-वैलिडेशन, स्वतंत्र बाहरी सत्यापन और संभावित परीक्षण शामिल हैं, आवश्यक हैं। कई बायोमार्कर उम्मीदवारों को रेट्रोस्पेक्टिव केस-कंट्रोल अध्ययन के माध्यम से पहचाना जाता है जो वास्तविक दुनिया की स्क्रीनिंग संदर्भों को प्रतिबिंबित नहीं कर सकते हैं। दीर्घकालिक अनुवर्ती के साथ संभावित कोहोर्ट अध्ययन वैधता के लिए सोने के मानक का प्रतिनिधित्व करते हैं, लेकिन वे महंगा और समय लेने वाले हैं।

Algorithmic Bias and Health Equity

यदि मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए उपयोग किए गए डेटासेट लक्ष्य आबादी का प्रतिनिधि नहीं हैं, तो परिणामस्वरूप बायोमार्कर और जोखिम स्कोर को पूर्वाग्रहित किया जा सकता है। मुख्य रूप से सफेद में विकसित मॉडल, यूरोपीय कोहोर्ट अफ्रीकी, एशियाई या हिस्पैनिक वंशावली के व्यक्तियों में खराब प्रदर्शन कर सकते हैं, संभवतः मधुमेह के परिणामों में मौजूदा असमानताओं को बढ़ाते हैं। इस को संबोधित करने के लिए विभिन्न प्रतिभागियों को अनुसंधान कार्यक्रमों में भर्ती करने के लिए जानबूझकर प्रयास की आवश्यकता होती है, साथ ही साथ विश्लेषणात्मक तकनीक जो जनसंख्या संरचना के लिए जिम्मेदार होती है। FDA Biomarker योग्यता कार्यक्रम उपयोग के संदर्भ को स्थापित करने और यह सुनिश्चित करने के उद्देश्य वाले लोगों के लिए मान्य हैं।

Biomarkers को नैदानिक परीक्षणों में अनुवाद करना

एक अणु और रोग जोखिम के बीच एक सांख्यिकीय संबंध की पहचान करना केवल पहला कदम है। एक उम्मीदवार बायोमार्कर को नैदानिक रूप से कार्रवाई योग्य परीक्षण में ट्रांसलेट करने के लिए मजबूत, लागत प्रभावी assays के विकास की आवश्यकता होती है जिसे नियमित प्रयोगशाला सेटिंग्स में तैनात किया जा सकता है। नियामक अनुमोदन विश्लेषणात्मक वैधता, नैदानिक वैधता और नैदानिक उपयोगिता के स्पष्ट सबूत की मांग करता है। यहां तक कि जब ये मापदंड मिले होते हैं, नैदानिक कार्यप्रवाहों में एकीकरण के लिए चिकित्सक शिक्षा, इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड संगतता और प्रतिपूर्ति मॉडल से संबंधित बाधाओं को खत्म करने की आवश्यकता होती है।

रोड अहेड: बायोमार्कर को प्रेसिडेटिव मेडिसिन में एकीकृत करना

चुनौतियों के बावजूद, जैवमार्कर अनुसंधान के प्रक्षेपवक्र भविष्य की ओर इंगित करता है जहां मधुमेह जोखिम मूल्यांकन अधिक व्यक्तिगत, गतिशील और कार्रवाई योग्य है। समग्र पैनलों में एकाधिक पूरक जैवचिह्नों का एकीकरण अकेले किसी भी मार्कर की तुलना में अधिक पूर्वानुमान सटीकता पैदा करने की संभावना है। ऐसे पैनल एक जोखिम स्कोर में मेटाबोलोमिक, प्रोटेमिक और नैदानिक डेटा को जोड़ सकते हैं जो स्क्रीनिंग अंतराल और रोकथाम रणनीतियों का मार्गदर्शन करते हैं।

समग्र बायोमार्कर पैनल और जोखिम स्कोर

भविष्य के नैदानिक उपकरण बहु-विश्लेषण पैनलों के समान हो सकते हैं जो वर्तमान में कार्डियोवैस्कुलर जोखिम मूल्यांकन में उपयोग किए जाते हैं। एक मधुमेह जोखिम पैनल में वैध मेटाबोलाइट्स, प्रोटीन और आनुवंशिक संस्करण का एक छोटा सेट शामिल हो सकता है, जो नियमित नैदानिक चर के साथ संयुक्त है। मशीन लर्निंग मॉडल को इन इनपुटों को लक्षित आबादी के लिए बेहतर तरीके से वजन देने के लिए प्रशिक्षित किया जा सकता है। प्रभाव बिंदु-केयर उपकरणों को विकसित करने के लिए नीचे हैं जो एक उंगली के रक्त नमूने से कई बायोमार्कर को माप सकते हैं, संभावित रूप से केंद्रीय प्रयोगशाला के बुनियादी ढांचे की आवश्यकता के बिना प्राथमिक देखभाल सेटिंग्स में जोखिम मूल्यांकन सक्षम बनाता है।

डिजिटल स्वास्थ्य प्लेटफार्मों में एकीकरण

पहनने योग्य उपकरण और मोबाइल स्वास्थ्य अनुप्रयोग निरंतर निगरानी और वास्तविक समय की प्रतिक्रिया के लिए एक मंच प्रदान करते हैं। डिजिटल कोचिंग हस्तक्षेप के साथ युग्मन बायोमार्कर जोखिम स्कोर व्यक्तियों को जीवनशैली में बदलाव करने के लिए प्रेरित होने पर सशक्त बना सकता है। इसके अलावा, इन उपकरणों द्वारा उत्पन्न डेटा विश्लेषणात्मक मॉडल में वापस फ़ीड कर सकते हैं, जिससे एक सीखने की स्वास्थ्य प्रणाली बन जाती है जो वास्तविक दुनिया के परिणामों के आधार पर जोखिम भविष्यवाणियों को लगातार परिष्कृत करती है।

निष्कर्ष

बायोमार्कर खोज के लिए बड़े डेटा विश्लेषण का अनुप्रयोग एक मूलभूत बदलाव का प्रतिनिधित्व करता है कि हम मधुमेह के प्रारंभिक पता लगाने के दृष्टिकोण को कैसे देखते हैं। रक्त ग्लूकोज से आगे बढ़ने के लिए एकमात्र सूचक के रूप में और मानव जीवविज्ञान की जटिलता को गले लगाते हुए, शोधकर्ता आणविक हस्ताक्षर को उजागर कर रहे हैं जो संकेत रोग जोखिम के वर्षों को अग्रिम में दर्शाते हैं। ये प्रगति मधुमेह को एक ऐसी स्थिति से बदलने की क्षमता रखती है जिसे अक्सर एक में बहुत देर से निदान किया जाता है जिसे दुनिया भर में लाखों लोगों के बीच का अंतर माना जाता है।