Mangiare

Il CGM può essere uno strumento utile per personalizzare le “diete di precisione” e migliorare la salute cardiometabolica

1154190

Secondo un oratore, l’intelligenza artificiale può essere sfruttata per adattare una dieta alla fisiologia specifica di una persona e i monitor continui del glucosio potrebbero “addestrare” tali algoritmi per riconoscere i modelli dopo che determinati alimenti sono stati consumati.

I benefici della perdita di peso nella dietetica differiscono tra le persone non diabetiche con resistenza all’insulina rispetto agli individui insulino-sensibili e gli studi dimostrano un’elevata variabilità interpersonale nelle risposte glicemiche postprandiali allo stesso pasto, Tracey McLaughlin, MD, MS, professore di medicina presso la Stanford University School of Medicine , ha detto durante una presentazione online al Virtual World Congress on Insulin Resistance, Diabetes & Cardiovascular Disease. Utilizzando l’intelligenza artificiale, i dati possono essere acquisiti da questi individui e inseriti in un algoritmo informatico che identifica i modelli. Con l’allenamento, è possibile fare previsioni sull’aumento del glucosio previsto dopo cibi, attività o schemi di sonno specifici, creando così una “dieta di precisione”, ha detto McLaughlin.

Il CGM – tipicamente utilizzato per monitorare le escursioni del glucosio per le persone con diabete – può invece essere utilizzato per “addestrare” tali algoritmi per prevedere le risposte del glucosio, ha detto McLaughlin.

“Siamo nel mezzo di tutte queste raccomandazioni dietetiche e la domanda che abbiamo è: un guanto va bene per tutti?” Ha detto McLaughlin. “Ho sempre creduto che non fosse così. Abbiamo dimostrato per molti anni che i benefici della perdita di peso e i cambiamenti nella dieta, in particolare con i macronutrienti, hanno effetti sugli individui insulino-resistenti rispetto agli individui insulino-sensibili, che sono altrimenti gli stessi. “

Stesso pasto, risposta diversa

Non ci sono molti studi che valutano se le diete di precisione funzionano, ha detto McLaughlin; tuttavia, i dati promettenti di alcuni studi suggeriscono che potrebbero.

In uno studio pubblicato nel 2015 su Cell , i ricercatori hanno monitorato i livelli di glucosio di una settimana per 800 partecipanti utilizzando CGM, misurando le risposte a 46.898 pasti e riscontrando un’elevata variabilità nella risposta a pasti identici, suggerendo che le raccomandazioni dietetiche universali potrebbero avere un’utilità limitata. I ricercatori hanno ideato un algoritmo di apprendimento automatico che integra parametri del sangue, abitudini alimentari, antropometria, attività fisica e microbiota intestinale misurati nella coorte.

Un intervento dietetico controllato randomizzato e mascherato basato sull’algoritmo ha portato a risposte postprandiali significativamente inferiori e ad alterazioni coerenti della configurazione del microbiota intestinale, ha detto McLaughlin.

“Quello che hanno mostrato è che se si tenta di prevedere la risposta del glucosio postprandiale dai carboidrati del pasto o dalle calorie del pasto, non è stato molto buono”, ha detto McLaughlin. “Ma il loro modello in realtà era decisamente migliore. Una volta addestrato, era meglio prevedere l’effettiva risposta del glucosio postprandiale “.

Nello studio PREDICT più recente, pubblicato su Nature Medicine nel 2020, i ricercatori hanno analizzato i dati di 1.002 gemelli e adulti sani non imparentati nel Regno Unito e hanno valutato le risposte metaboliche postprandiali in ambito clinico ea casa. I ricercatori hanno osservato notevoli differenze interindividuali nelle risposte metaboliche postprandiali agli stessi pasti, sfidando la logica delle raccomandazioni dietetiche standardizzate, ha detto McLaughlin. I ricercatori hanno sviluppato un modello di apprendimento automatico che prevedeva le risposte glicemiche e dei trigliceridi all’assunzione di cibo.

“Questi risultati, oltre alla scalabilità dei metodi di valutazione e all’accuratezza degli algoritmi di previsione qui descritti, significano che, almeno dal punto di vista della salute cardiometabolica, un’alimentazione personalizzata a livello di popolazione ha un potenziale come strategia per la prevenzione delle malattie” Ha detto McLaughlin.

Costruire una dieta “migliore”

McLaughlin e ricercatori del Stanford Precision Health and Integrated Diagnostics Center, o PHIND, stanno attualmente raccogliendo dati da volontari utilizzando CGM (Dexcom), tracker del sonno e attività (FitBit) e un’app di registrazione del cibo (Cronometer), oltre a eseguire attività metaboliche, test genomici e del microbioma. Utilizzando l’intelligenza artificiale, i ricercatori stanno tentando di costruire una dieta “migliore” per ogni partecipante sulla base di risposte CGM a pasti di prova standardizzati, diari alimentari dettagliati, attività, modelli di sonno e profili omici.

“Alla fine dello studio … o un dietista esperto o un algoritmo informatico consiglia quali cibi mangiare in base all ‘” allenamento “che si svolge durante la registrazione degli alimenti e il monitoraggio del glucosio può collegare i vari alimenti, i tempi di pasti e altri fattori legati allo stile di vita per le escursioni del glucosio “, ha detto McLaughlin.

Proprio come gli altri studi, McLaughlin e colleghi hanno osservato una sostanziale variabilità del glucosio tra i partecipanti che hanno ricevuto gli stessi pasti, ha detto.

“Anche confrontando [i risultati] con la loro dieta di base e non con una dieta ‘cattiva’, sembra che il 60% delle persone possa trarre beneficio dall’apprendimento di questi modelli”, ha detto McLaughlin. “Inoltre non hanno sperimentato tanta ipoglicemia. Se stai diminuendo gli alti e i bassi, questo ti dice che non puoi semplicemente guardare la media [glucosio], che sarebbe HbA1c. Hai davvero bisogno di guardare questi schemi. “

Riferimenti:

Berry SE, et al. Nat Med. 2020; doi: 10.1038 / s41591-020-0934-0.

Zeevi D, et al. Cellula. 2015; doi: 10.1016 / j.cell.2015.11.001.

Fonte: 

McLaughlin T. Monitoraggio continuo del glucosio per diete di precisione. Presentato a: World Congress on Insulin Resistance, Diabetes & Cardiovascular Disease; 3-6 dicembre 2020 (incontro virtuale).

Divulgazioni: McLaughlin riferisce di far parte di un comitato consultivo per Januaryai.inc.