Uvod: Epidemija sladkorne bolezni in obljuba o velikih podatkih

Diabetes mellitus, ki zajema sladkorno bolezen tipa 1, sladkorno bolezen tipa 2 in gestacijske oblike, ostaja eden od najbolj perečih svetovnih zdravstvenih izzivov. Po podatkih Mednarodne zveze za diabetes je leta 2021 približno 537 milijonov odraslih živelo s sladkorno boleznijo, s projekcijami, ki so se do leta 2045 povečale za 783 milijonov. Bolezen nalaga osupljivo gospodarsko breme, ki je po ocenah stalo 966 milijard dolarjev letno pri porabi za zdravstveno varstvo. Tradicionalno odkritje drog, razvpito počasen in drag proces, pogosto traja 10–15 let in več kot 2,6 milijarde dolarjev, da se na trg uvede eno samo novo zdravljenje. V tem okviru se je pojavila velika analiza podatkov kot transformativna sila, ki je stisnila časovne okvire iskanja in omogočila natančne pristope, ki so bili pred desetletjem nepredstavljivi.

Veliki podatki v zdravstvu se nanašajo na masivne, kompleksne podatkovne nize, ki jih ustvarjajo elektronski zdravstveni zapisi (EHR), genomsko sekvenciranje, nosljive naprave, medicinsko slikanje in klinična preskušanja. Ko so integrirani in analizirani z uporabo strojnega učenja, umetne inteligence in napredne biostatistike, ti podatki razkrivajo skrite vzorce, biomarke in terapevtske tarče. Za raziskave sladkorne bolezni veliki podatki pospešujejo identifikacijo novih kandidatov za zdravila, optimizacijo modelov kliničnih preskušanj in personalizacijo režimov zdravljenja. Ta članek razširja, kako velika analiza podatkov preoblikuje pokrajino diabetesa terapevtsko odkrivanje, zagotavlja podrobne vpoglede, realne primere in prihodnje smeri.

Razširjena vloga velikih podatkov pri raziskavah sladkorne bolezni

Veliki podatki niso ena sama tehnologija, temveč ekosistem podatkovnih virov in analitičnih orodij. V raziskavah sladkorne bolezni se zbližuje pet primarnih podatkovnih tokov:

  • Elektronski zdravstveni zapisi[]: Longitudinalne zgodovine bolnikov, vključno z diagnozami, zdravili, laboratorijskimi vrednostmi (npr. HbA1c, glukoza na tešče) in sočasnimi boleznimi. EHR sedaj zajamejo milijone bolnikov-letnic podatkov, kar omogoča obsežne opazovalne študije, ki bi bile logistično nemogoče s tradicionalnimi randomiziranimi preskušanji.
  • Genomični in multi-omični podatki[]: Sekvenciranje celotnega genoma, transkriptomika, proteomika in metabolomika iz tisočih posameznikov, ki razkrivajo genetske predispozicije in molekularne podtipe. Stroški sekvenciranja človeškega genoma so se zmanjšali pod 600 $, zaradi česar je mogoče ustvariti nabor podatkov v populacijskem obsegu, kot je 500.000 britanskih bioloških podatkov.
  • Nosilne naprave in senzorji[: Kontinuirani monitorji glukoze (CGM), naprave za spremljanje fitnesa in pametni insulinski peresniki, ki ustvarjajo fiziološke podatke v realnem času. En sam CGM senzor proizvede več kot 288 odčitavanj glukoze na dan, kar ponuja goste časovne podatke, ki lahko razkrijejo dinamične odzive na intervencije.
  • Clinical Trial Data: Zapuščinski nabori podatkov o poskusih in resnični dokazi (RWE) iz opazovalnih študij in registrov. Farmacevtska industrija ima petabajte predhodno siloziranih podatkov, ki jih sedaj izkopavajo za sekundarne vpoglede.
  • Javne in lastenstvene baze podatkov[: Viri, kot so Biobanka Združenega kraljestva, Raziskovalni program za vse nas, FinnGen in Pobuda za genetiko sladkorne bolezni, zagotavljajo odprto dostopne podatke za pospešitev odkritja.

Vključevanje teh različnih virov podatkov predstavlja velike izzive. Heterogenost podatkov, manjkajoče vrednosti, omejitve zasebnosti (HIPAA/GDPR) in razlike v standardih podatkov zahtevajo robustno usklajevanje podatkov in varne pristope k učenju. Raziskovalci vse pogosteje uporabljajo platforme, ki podpirajo analitiko, ki ohranja zasebnost, kot so sintetična generacija podatkov in diferencialna zasebnost, da bi lahko odklenili vpoglede, ne da bi pri tem ogrozili zaupnost pacientov. Na primer, ]Ohranjalne zdravstvene podatkovne vede in informatiko (OHDSI)] mreža standardizira podatke EHR iz več kot 300 milijonov bolnikov iz 20 držav z uporabo skupnega podatkovnega modela, ki omogoča globalne analize.

Ključni primer velikih podatkov v akciji je Diabetes Remission Clinical Trial (DiRECT)], ki je uporabil podatke EHR za identifikacijo bolnikov, ki bi lahko dosegli remisijo z omejitvijo kalorij. Post hoc analize tisoče udeležencev preskušanja so pokazale presnovne podpise, ki so napovedali uspeh, kar je privedlo do izboljšanih meril za izbor bolnikov in razširjenega financiranja za kasnejša preskušanja. Drug pomemben napor je študija ACCORD], katere obsežen nabor podatkov je bil večkrat analiziran za odkrivanje podskupin z diferencialnimi kardiovaskularnimi odzivi na intenzivno kontrolo glukoze.

Kako podatkovna analitika pospešuje odkrivanje drog

V nadaljevanju obravnavamo ključne mehanizme, s katerimi analiza podatkov pospešuje napredek k novi terapiji za sladkorno bolezen.

Identifikacija in potrditev cilja

V preteklosti so tarče zdravil odkrili z laboratorijskimi poskusi serendipije ali bolečine. Danes so algoritmi strojnega učenja, ki so jih mini genomski in transkriptomični nabori podatkov, da bi določili gene, proteine in poti, vzročno povezane s sladkorno boleznijo. Na primer, študije združenja Genome-Wide (GWAS) so identificirale več kot 400 genetskih lokusov, povezanih s sladkorno boleznijo tipa 2. Vendar pa je le del potrjen kot narkotične tarče. Velika podatkovna analitika – še posebej tehnike, kot so Mendelian randomizacija[] in transkriptome-širne študije asociacij – raziskovalcem omogočajo, da prednostno določijo tarče z močnimi vzročnimi dokazi, kar zmanjšuje tveganje za neuspeh v poznem stadiju.

Eden od pomembnih uspehov je GLP-1 receptorski agonist], zdaj glavni dejavnik zdravljenja sladkorne bolezni. Zgodnje genske analize so pokazale na gen GLP-1R kot ključni regulator izločanja insulina. Kasnejše obsežne proteomske študije, ki so uporabile podatke iz UK Biobank in FinGen]], so potrdile, da so genetske variante, ki vplivajo na izražanje GLP-1R, povezane z nižjo glukozo na tešče in zmanjšanimi kardiovaskularnimi dogodki. Te ugotovitve so zagotovile biološko utemeljitev za razvoj zdravil, kot sta semaglutid in tirzepatid, ki sta revolucionizirala upravljanje sladkorne bolezni.

Drug primer je AMP T2D konzorcij, ki je integriran transkripcijski podatki iz otočkov človeške trebušne slinavke s signali genetske asociacije za identifikacijo gena TCF7L2] kot cilj visoke samozavesti. Funkcionalne študije so pokazale, da TCF7L2 modulira Wnt signalizacijo v beta celicah, in inhibitorji male molekule te poti so zdaj v predkliničnem razvoju.

Predvidljivo modeliranje odziva na zdravilo

Eden od najbolj razburljivih aplikacij velikih podatkov je napovedovanje, kako se bodo posamezni bolniki odzvali na dano zdravilo. Tradicionalna preskušanja povprečni učinki zdravljenja v heterogeni populaciji, pogosto manjkajo podpopulacije, ki koristi (ali so oškodovani). Modeli strojnega učenja, usposobljeni na izhodiščnih laboratorijskih vrednosti, demografske, genomske označevalce, in predhodno zgodovino zdravil, lahko stratificirajo bolnike v različne skupine odzivnikov.

Na primer, študija Stanford Medicine je uporabila podatke EHR za 10 000 bolnikov s sladkorno boleznijo tipa 2 za napovedovanje neuspeha metformina ([ objavljeno v Nature Medicine[]). Model je dosegel AUC 0,85, pri čemer so ugotovili, da so bolniki, ki bi potrebovali dodatno zdravljenje v 18 mesecih, potrebovali dodatno zdravljenje. S takšnimi orodji se lahko seznanijo z merili za vključitev v klinično preskušanje, ki zagotavljajo, da so vključeni le verjetni odzivniki – velikost vzorcev, zmanjšanje stroškov in pospeševanje časa do trženja.

Poleg metformina so razvili tudi poligene ocene tveganja (PRS), da bi napovedali odziv na sulfoniluree, tiazolidindione in zaviralce DPP-4. Metaanaliza 2024 pri 12.000 bolnikih v UK Biobank] je pokazala, da so posamezniki v najvišjem testu PRS za odziv sulfonilsečnine imeli 2,3-krat večjo vrednost HbA1c v primerjavi s tistimi v najnižjem decilu. Farmacevtska podjetja sedaj uporabljajo PRS za obogatitev preskušanj faze II za hitro preverjanje koncepta, ki bi lahko skrajšala razvojne časovnice za 1–2 leti.

Podobno lahko algoritmi globokega učenja analizirajo podatke CGM, ki lahko vnaprej napovedujejo hipoglikemične dogodke. Model, ki ga je razvil Google Health[] in JDRF je dosegel 92 % občutljivosti pri napovedovanje nočne hipoglikemije z uporabo samo šestih ur predhodnih podatkov CGM. Te napovedi ne izboljšujejo le varnosti bolnikov, temveč farmacevtskim podjetjem omogočajo, da oblikujejo krajše, bolj informativne študije faze II za nove analoge insulina ali beta-celične zaščitne terapije.

Optimizacija oblikovanja kliničnih preskušanj

Klinična preskušanja so stopnja, ki omejuje stopnjo razvoja zdravila. Velika analiza podatkov zmanjšuje to ozko grlo z:

  • Prilagodljivi poskusi: Designs: Z uporabo vmesnih podatkov iz več rok Bayezijski statistični modeli zgodaj prilagajajo randomizacijske količnike ali pa padejo neučinkovite roke. FDA je zadnje smernice glede adaptivnih modelov[] spodbujal ta pristop (]Navodila FDA[]). Pri sladkorni bolezni je ] VERIFY ]]]]] uporabil brezhibno adaptivno zasnovo faze II/III, ki je prihranila 18 mesecev in 40 milijonov $.
  • Digitalni dvojčici: AI-generirani sintetični kontrolniki na podlagi preteklih podatkov bolnikov zmanjšajo potrebo po placebu, skrajšajo čas vpisa za 30–50 %. Pilot Takeda Pharmaceuticals[ je uporabil digitalna dvojčka za simulacijo 200-bolnikove skupine placeba, s čimer je nadomestil dejansko vpisovanje in skrajšal trajanje preskušanja za 14 mesecev, pri čemer je ohranil statistično moč.
  • Pacient Rekrut[]: Naravne metode obdelave izvlečkov kriterijev za upravičenost iz EHR, da ustrezajo pacientom v preskušanja. ] Študija Mercatus Center[] je ugotovila, da takšna orodja izboljšajo učinkovitost zaposlovanja za 40 %. TrialReach platforma[] sedaj ustreza diabetičnim bolnikom več kot 2000 aktivnim preizkušanjem na svetovni ravni, s 3-kratnim povečanjem stopnje vpisa za redke podtipe sladkorne bolezni tipa 1.
  • Izbor site[: Predvidljivi modeli identificirajo klinična mesta z visokim potencialom za vključitev in dobro skladnost protokola, čim manjše zamude. Model, ki je bil usposobljen na podlagi preteklih podatkov iz 500 preskušanj za sladkorno bolezen, je dosegel 25-odstotno zmanjšanje časa za aktivacijo mesta.

Na primer, RIKALNO-HF preskušanje] za s sladkorno boleznijo povezano srčno popuščanje je uporabilo platformo za analizo v oblaku, da bi uskladilo podatke s 30 mest, kar bi omogočilo spremljanje v realnem času in prilagoditvene spremembe. Preskušanje je zaključilo vpis šest mesecev pred razporedom in zagotovilo zgodnje dokaze za novo kombinacijo zaviralcev SGLT2.

Drug inovativen pristop je uporaba vzdolžnih podatkov EHR za izgradnjo doslednih kontrol z indeksom nagnjenosti. Preizkušanje RECOVERIJE[] za zdravljenje sladkorne bolezni tipa 2 je pokazalo, da bi lahko takšne zunanje kontrolne skupine zmanjšale potrebo po sočasnih skupinah s placebom za do 40 %, medtem ko še vedno proizvajajo zanesljive ocene učinkovitosti, skladne s tradicionalnimi randomiziranimi modeli.

Dokazi o resničnem svetu in nadzor po prodaji

Ko zdravilo doseže trg, veliki podatki še naprej igrajo ključno vlogo. Real-world dokazi (RWE) iz zavarovalnih zahtevkov, EHR in registri pomaga prepoznati redke neželene dogodke, potrditi učinkovitost pri širših populacijah, in odkriti nove indikacije (repurposing). FDA je Real-World Experimental Experimental Program] (]FDA RWE okvir[]) sprejel RWE za podporo razširjene oznake za več zdravil za sladkorno bolezen, vključno z uporabo zaviralcev SGLT2 za srčno popuščanje, ki temeljijo na podatkih 350.000 bolnikov v US oddelku za veteranske zadeve] zdravstvenega sistema.

Klasičen primer je reponsupin metformina za preprečevanje preddiabetikov. Post hoc analiza Diabetes Prevention Program[]], skupaj s podatki EHR od 100.000 bolnikov, je potrdila, da metformin pri osebah z visokim tveganjem zmanjšuje napredovanje v sladkorno bolezen tipa 2. To je vodilo do kliničnih smernic, ki priporočajo metformin za preddiabete, kar je zdaj praksa, ki varčuje milijarde v prihodnjih stroških zdravstvenega varstva. Pred kratkim so bile velike analize podatkov iz Švedski nacionalni register sladkornih bolezni[] (ki je zajel 500.000 bolnikov) sprožilo regulativno odobritev za dapagliflozin pri kronični ledvični bolezni – nova indikacija, ki je nastala iz podatkov o kardiovaskularnih izidih v realnem svetu.

RWE omogoča tudi stalno farmakovigilanco. Korejska študija odkrivanja signalov[] z uporabo EHR od 2 milijonov bolnikov s sladkorno boleznijo so ugotovili tri predhodno neprepoznane interakcije med zdravili in zdravili, povezane s hipoglikemijo, kar je privedlo do posodobljenih vstavkov v paketih in opozoril za podporo kliničnim odločitvam.

Študije primerov in zgodbe o uspehu

Več nedavnih pobud ponazarja oprijemljiv vpliv obsežnih podatkov o odkritjih zdravil za sladkorno bolezen.

Študija primera 1: Preučevanje drog z rudarjenjem EHR

Raziskovalci na Vanderbilt University] so analizirali več kot 30 milijonov EHR zapisov, da bi ugotovili, katera zdravila so že odobrena za druge pogoje, ki bi lahko izboljšala glikemično kontrolo. Njihov algoritem, označen ] niklosamid[] (antihelmintik) je kandidat, ki aktivira AMPK in zmanjšuje nastajanje glukoze v jetrih. Poznejše predklinične študije so potrdile njegovo učinkovitost, preskušanje faze II pri bolnikih s sladkorno boleznijo tipa 2 pa je v 12 tednih pokazalo 0,6 % zmanjšanje HbA1c. Projekt se je v treh letih premaknil iz hipoteze v klinične podatke – frakcijo normalnega časovnega poteka (]Narava Znanstvena poročila)). Ista ekipa zdaj uporablja pristop za pregled beta-celičnih regenerativnih spojin, pri čemer so ugotovili štiri kandidate, ki so trenutno v predkliničnem vrednotenju.

Študija primera 2: Genomska stratifikacija za personalizirano terapijo

Bolniki s sladkorno boleznijo tipa 2 so pokazali precejšnjo heterogenost kot odziv na sulfonilurea, običajno peroralno zdravilo. Konzorcij, ki ga je vodil Broad Institute], je opravil metaanalizo večetnične GWAS 15.000 bolnikov in ugotovil varianto v genu CYP2C9, ki napoveduje zmanjšanje očistka zdravila in povečano tveganje za hipoglikemijo. Z uporabo tega odkritja je bil izveden velik zdravstveni sistem, ki je izvajal farmakogenomsko testiranje za bolnike, ki še niso prejemali sulfoniluree, in sicer za 40 %. Ta natančni pristop se zdaj uporablja za nove terapije, pri podjetjih, ki uporabljajo poligene ocene tveganja za stratizacijo udeležencev (]NEJM).

Študija primera 3: strojno učenje za biomarkerjev Beta-celovo zaščito

Preprečevanje upada beta-celic je glavni cilj za sladkorno bolezen tipa 1. Skupina je v študiji izučila model globokega učenja o ravneh C-peptida, profilih avtoprotiteles in CGM o 2.500 bolnikih, ki so bili v študiji TrialNet[]]. Model je ugotovil kombinacijo treh beljakovin v obtoku (miR-375, GAD65 in IL-1Ra), ki napovedujejo skorajšnjo izgubo beta-celic z 85 % natančnostjo. Ta biomarker se zdaj uporablja kot nadomestni opazovani dogodek v preskušanju 2. faze protiteles proti CD3 (teplizumab), ki potencialno skrajša študijo za tri leta. Pristop je bil razširjen na diabetes tipa 2, kjer se vzporedni model iz ] uporablja proteomične in metabolične profile, da bi ugotovili, ali bi lahko bolnikom koristi hitre kombinacije beta-cela.

Prihodnja navodila in izzivi

Integracija umetne inteligence z velikimi podatki je pripravljena za pospešitev odkritja sladkorne bolezni droge še bolj. Nastajajoči trendi vključujejo:

Multi-Omic Integracija in digitalni dvojčki

Namesto analize genomike, proteomike in metabolomike v izolaciji, nove platforme, kot so Google's DeepVariant[] in Cellariteta[] združuje večomejne podatke z elektronskimi zdravstvenimi zapisi za ustvarjanje „digitalnih dvojčkov“ posameznih bolnikov. Te virtualne kopije je mogoče simulirati pod tisoči pogojev zdravljenja, ki napovedujejo učinkovitost in toksičnost pred kakršnim koli človeškim preskušanjem.

Generativni AI za nove molekularne kandidate

Generativne adverzarne mreže (GAN) in modeli na osnovi transformatorjev zdaj oblikujejo nove majhne molekule in biološke iz nič. Leta 2023 je Insilicio Medicine[] napovedal kandidata za diabetično nefropatijo, ki so jo odkrili v celoti z AI, ki je po samo 18 mesecih predkliničnega razvoja vstopila v klinične študije faze I. Molekula je ciljala na novo pot, ki vključuje inhibicijo PHD2, ki je bila ugotovljena z analizo proteomskih podatkov iz 10.000 vzorcev diabetičnih ledvic. Podobno je ] Rekurzijski farmacevtski sistem uporabil svojo fenotipsko presejalno platformo na 2 milijona celičnih slikah za identifikacijo spojine, ki je reverzibila glukotoksičnost v beta celicah, zdaj v preskušanjih faze I.

Drug zanimiv razvoj je uporaba velikih jezikovnih modelov (LLM) za izkop biomedicinske literature za razmerja med zdravili in ciljnimi skupinami. BioGPT in PubMedBRT[] so bili fino uglašeni za izvlečevanje potencialnih ciljev sladkorne bolezni iz abstrakcij, doseganje preciznih stopenj nad 80 % in ugotavljanje 50 novih kandidatov genov, ki so bili naknadno potrjeni v poskusih knockdown.

Nositi integracijo podatkov in stalno spremljanje

Proliferacija CGM-jev in sledilcev za fitnes-sledilcev ustvarja brez primere količine fizioloških podatkov. Raziskovalci zdaj te tokove združujejo z EHR-i, da bi zajeli odzive na zdravila v realnem svetu zunaj kliničnih okolij. Na primer študija Scripps Research Translational Institute[] je uporabila CGM-ploske podatke 8000 bolnikov, da bi dokazala, da je nočna variabilnost glukoze boljši napovednik neuspeha zdravljenja kot HbA1c sam. Ta meritev se zdaj sprejema kot raziskovalni cilj v zgodnjih preskušanjih enkrat tedenskih insulinov, ki lahko zmanjšajo velikost vzorcev za 30 % v primerjavi z uporabo HbA1c kot primarnega cilja.

Na voljo so tudi podatki, ki omogočajo spremljanje neželenih dogodkov na daljavo. Apple Heart Study] metodologija se prilagaja za sladkorno bolezen: velik program nadzora po dajanju zdravila na trg za zaviralec SGLT2 uporablja smartwatch detekcijo padcev in sinkopo za odkrivanje hipoglikemičnih dogodkov v realnem času, z opozorili, poslanimi neposredno raziskovalcem kliničnih preskušanj.

Etična in regulativna vprašanja

Uporaba velikih podatkov odpira pomembna etična vprašanja. Algoritmična pristranskost, zasebnost podatkov in informirana privolitev za sekundarno uporabo podatkov je treba obravnavati. FDA’s Digital Health Center of Excellence[] razvija okvire za potrjevanje biomarkerjev in končnih točk na osnovi AI. Poleg tega so prizadevanja, kot so ]] Vsi naši raziskovalni programi[] poudarjajo preglednost podatkov in sodelovanje skupnosti, da bi zagotovili raznoliko zastopanost v naborih podatkov. Analiza 2024 18 velikih biobank sladkorne bolezni je pokazala, da je bilo le 12 % udeležencev afriškega porekla, pri čemer je izpostavilo tveganje razvoja zdravljenja, ki morda ne bo enako delovalo med populacijami. Pobude, kot so H3Afrika in New York Genome Center’s PING Studia , ki naj bi se zaprlo v okviru zastopanih skupin posebej za sladkorno genometsko genomersko kulturo.

Premagovanje podatkovnih signalov

Kljub napredku ostaja veliko število integracij lastniških farmacevtskih podatkov z javnimi zbirkami podatkov izziv. Pobude, kot so Pospeševanje partnerstva za zdravila za sladkorno bolezen tipa 2 (AMP T2D)[], združujejo industrijo, akademski svet in regulativne organe za izmenjavo podatkov pred konkurenco. AMP T2D je že prispeval k odkrivanju 18 novih ciljev na področju zdravil, vključno s PTPN1 in DYRK1A. Partnerstvo se je nedavno razširilo v “podatkovne skupne”, ki zagotavljajo dostop do usklajenih večogromičnih podatkovnih nizov od več kot 100.000 bolnikov, s pomočjo orodij za poizvedbe, ki raziskovalcem omogočajo, da analizirajo podatke, ne da bi jih kdaj kopirali – reševanje številnih pomislekov glede zasebnosti in intelektualne lastnine.

Drug kritičen razvoj je pojav podatkovnih trgov na podlagi blokovnih verig. Zdravje in Oceanski protokol[]] zdaj omogoča bolnikom, da svoje podatke o EHR in genomih neposredno delijo z raziskovalci v zameno za nadomestilo, ki zaobide institucionalne silose. Pilot, ki je vključeval 5000 bolnikov s sladkorno boleznijo tipa 1, je dokazal izvedljivost tega pristopa, saj je 70 % udeležencev zaključilo 12-mesečno obdobje za izmenjavo podatkov in ustvarilo več kot 2 milijardi podatkovnih točk CGM, ki so jih uporabljala tri farmacevtska podjetja.

Sklep

Velika analiza podatkov ni le postopna izboljšava odkritja sladkorne bolezni – to je sprememba paradigme. Z omogočanjem identifikacije ciljev, ki temelji na trdnih genetskih dokazih, predvidevanjem bolnikovih specifičnih odzivov, optimizacijo poskusov in spodbujanjem podatkov iz resničnega sveta lahko raziskovalci zmanjšajo čas, stroške in pritrjevanje, značilnih za tradicionalne cevovode. Zgodbe o repurpingu drog, genomski stratifikaciji in digitalnih dvojnih simulacijah kažejo, da veliki podatki že prinašajo dejanski vpliv. Ko se tehnološki napredek in izmenjava podatkov širita, sinergija med AI in velikimi podatki obljublja, da bo zagotovila natančnejše, učinkovitejše in personalizirane terapije sladkorne bolezni, kar bo izboljšalo življenje stotin milijonov po vsem svetu. V naslednjem desetletju bo verjetno na trgu prišlo prvo povsem odkrito zdravljenje sladkorne bolezni, ki ga bodo preoblikovali podatki, ki jih bomo šele začeli izkoriščati.