Onderzoekers uit Japan hebben een nieuw kunstmatig intelligentiemodel ontwikkeld dat prediabetes kan detecteren op basis van elektrocardiogrammen (ECG’s), zonder dat bloedonderzoek nodig is. Het model, DiaCardia, analyseert zowel traditionele 12-afleidingen-ECG’s als enkelkanaals-ECG’s. Daarmee biedt het perspectief op laagdrempelige, grootschalige screening, bijvoorbeeld via draagbare consumentenapparaten zoals smartwatches.
Prediabetes is een belangrijke voorfase van diabetes type 2. In dit stadium zijn de bloedsuikerwaarden al verhoogd, maar nog niet hoog genoeg voor een officiële diagnose. Juist in deze periode kan tijdige interventie, bijvoorbeeld via leefstijlaanpassingen, de ontwikkeling van diabetes aanzienlijk vertragen of zelfs voorkomen. In de praktijk blijft prediabetes echter vaak onopgemerkt. Dat komt onder meer doordat mensen weinig klachten ervaren, niet structureel deelnemen aan gezondheidscontroles en omdat bloedtesten kosten en logistieke drempels met zich meebrengen.
ECG als alternatieve screeningsroute
Een ECG wordt routinematig gebruikt om de elektrische activiteit van het hart te meten. Prediabetes verhoogt het risico op hart- en vaatziekten, wat de hypothese ondersteunt dat subtiele veranderingen in ECG-signalen kunnen wijzen op verstoorde glucoseregulatie. Eerdere studies combineerden ECG-data met aanvullende patiëntkenmerken, zoals leeftijd en geslacht, om diabetes te detecteren. Een betrouwbaar model dat prediabetes uitsluitend op basis van ECG-signalen kan identificeren, ontbrak echter tot nu toe.
Het nieuwe onderzoek werd uitgevoerd door een team onder leiding van Chikara Komiya, samen met Ryo Kaneda en Tetsuya Yamada van het Institute of Science Tokyo. Zij ontwikkelden DiaCardia op basis van het machine learning-algoritme LightGBM, na vergelijking met meerdere andere modellen.
Voor training en validatie maakten de onderzoekers gebruik van 16.766 gezondheidscheckgegevens van één kliniek in Tokio. Deze dataset bevatte onder meer nuchtere plasmaglucosewaarden, HbA1c-metingen en standaard 12-afleidingen-ECG’s. Prediabetes of diabetes werd vastgesteld wanneer werd voldaan aan ten minste één criterium, zoals een verhoogde glucose- of HbA1c-waarde of een lopende diabetesbehandeling. In totaal analyseert het model 269 kenmerken uit de ECG-golfvormen.
Goede resultaten
In interne testen behaalde DiaCardia een area under the receiver operating characteristic curve (AUROC) van 0,851 bij het herkennen van prediabetes, uitsluitend op basis van ECG-data. Ook bij externe validatie met gegevens van een andere instelling bleef het model goed presteren, zonder hertraining. Dat wijst op een hoge mate van generaliseerbaarheid.
Met behulp van Shapley additive explanations (SHAP) analyseerden de onderzoekers welke ECG-kenmerken het meest bijdroegen aan de voorspellingen. Daarbij bleken onder meer hogere R-top-amplitudes in specifieke ECG-afleidingen en een verminderde hartritmevariabiliteit belangrijke indicatoren. Deze kenmerken zijn bekend uit de literatuur en worden in verband gebracht met insulineresistentie en autonome neuropathie, wat de fysiologische plausibiliteit van het model ondersteunt.
Toekomst van thuisscreening
Een opvallend resultaat is dat DiaCardia ook met enkelkanaals-ECG-data (lead I) vrijwel vergelijkbare prestaties levert als met 12-afleidingen-ECG’s. Dit is relevant voor toepassingen buiten het ziekenhuis, bijvoorbeeld via polsgebonden wearables. Daarmee ontstaat een reële mogelijkheid voor thuisscreening van prediabetes, zonder bloedafname.
“This is the first robust, interpretable, and generalizable AI model capable of identifying individuals with prediabetes using either 12-lead or single-lead ECG data,” aldus Komiya. Hij verwacht dat DiaCardia prediabetesscreening “schaalbaar, toegankelijk en op elk moment beschikbaar kan maken, zonder bloedtest”. Volgens de onderzoekers kan brede inzet van deze technologie uiteindelijk bijdragen aan betere preventie van diabetes en het verminderen van de ziektelast.
Ademtest
Vorig jaar ontwikkelden onderzoekers een innovatieve ademtest waarmee diabetes en prediabetes mogelijk eenvoudig kunnen worden opgespoord. De technologie meet het acetongehalte in uitgeademde lucht, een belangrijke biomarker voor verstoringen in de vetstofwisseling. De sensor biedt een snel, niet-invasief en betaalbaar alternatief voor bloedonderzoek en maakt vroege screening laagdrempeliger en beter inzetbaar voor populatieonderzoek en zelfmonitoring.
De sensor is gebaseerd op laser geïnduceerd grafeen, gecombineerd met zinkoxide, waardoor aceton zelfs in vochtige adem betrouwbaar kan worden gemeten. Bij diabetes is de acetonsconcentratie vaak verhoogd; waarden boven 1,8 ppm kunnen daarop wijzen. De onderzoekers werken aan integratie in draagbare toepassingen, zoals wearables, om continue en gepersonaliseerde metabole monitoring mogelijk te maken.
