Nghiên cứu tìm thấy những bất ngờ trong nhu cầu insulin đối với bệnh tiểu đường typ I

Một nghiên cứu mới đã phát hiện ra rằng các yếu tố ngoài carbohydrate có ảnh hưởng đáng kể đến lượng đường trong máu, nghĩa là các hệ thống cung cấp insulin tự động hiện nay bỏ lỡ thông tin quan trọng cần thiết để điều chỉnh lượng đường.

Một nhóm các nhà nghiên cứu từ Đại học Bristol đã phân tích dữ liệu cung cấp insulin tự động từ những người mắc bệnh tiểu đường loại 1 (T1D) và phát hiện ra rằng những mô hình bất ngờ về nhu cầu insulin cũng phổ biến như những mô hình đã được xác lập.

Nghiên cứu được công bố ngày hôm nay trên tạp chí JMIRx Med nhằm mục đích xác định các mô hình thay đổi nhu cầu insulin và phân tích tần suất xảy ra những thay đổi này ở những người mắc T1D sử dụng OpenAPS, một hệ thống cung cấp insulin tự động (AID) hiện đại.

Bệnh tiểu đường loại 1 là một tình trạng mãn tính trong đó cơ thể sản xuất quá ít insulin, một loại hormone cần thiết để điều chỉnh lượng đường trong máu.

Phương pháp điều trị chính cho T1D là tiêm hoặc bơm insulin. Lượng insulin và thời điểm tiêm insulin phải được kết hợp khéo léo với lượng carbohydrate hấp thụ để tránh làm tăng lượng đường trong máu. Ngoài carbohydrate, nhiều yếu tố khác như tập thể dục, hormone và căng thẳng cũng tác động đến nhu cầu insulin. Tuy nhiên, tần suất các yếu tố này gây ra những tác động bất ngờ đáng kể đến lượng đường trong máu vẫn chưa được khám phá nhiều, nghĩa là bất chấp mọi tiến bộ, liều lượng insulin vẫn là một nhiệm vụ phức tạp có thể xảy ra sai sót và dẫn đến lượng đường trong máu nằm ngoài phạm vi bảo vệ những người mắc T1D khỏi các tác động xấu đến sức khỏe.

Những phát hiện này làm nổi bật tính phức tạp của quá trình điều hòa glucose ở T1D và chứng minh tính không đồng nhất trong nhu cầu insulin giữa những người mắc T1D, nhấn mạnh nhu cầu về các phương pháp điều trị được cá nhân hóa.

Để các yếu tố ngoài carbohydrate được đưa vào thực hành lâm sàng một cách có hệ thống hơn, các nhà khoa học cần tìm cách đo lường và định lượng tác động của chúng và sử dụng thông tin này trong việc định liều insulin. Điều này cũng có thể hỗ trợ dự báo lượng đường trong máu chính xác hơn, mà nghiên cứu cho thấy không thể thực hiện được chỉ bằng thông tin về insulin và carbohydrate.

Isabella nói thêm: “Nghiên cứu của chúng tôi nhấn mạnh rằng việc kiểm soát bệnh tiểu đường loại 1 phức tạp hơn nhiều so với việc đếm lượng carbohydrate.

“Những hiểu biết sâu sắc có được từ việc nghiên cứu dữ liệu cung cấp insulin tự động rất xứng đáng với công sức bỏ ra để làm việc với loại dữ liệu thực tế này.

“Điều khiến chúng tôi ngạc nhiên nhất là sự đa dạng tuyệt đối của các mô hình mà chúng tôi quan sát được, ngay cả trong nhóm người tham gia tương đối nhỏ và đồng nhất của chúng tôi.

“Rõ ràng là khi nói đến việc kiểm soát bệnh tiểu đường, không có một giải pháp nào phù hợp với tất cả mọi người.

“Chúng tôi hy vọng kết quả của chúng tôi sẽ truyền cảm hứng cho việc nghiên cứu sâu hơn về các yếu tố ít được khám phá có ảnh hưởng đến nhu cầu insulin để cải thiện liều lượng insulin.”

Nhóm hiện đang nghiên cứu các phương pháp tìm mẫu chuỗi thời gian tiên tiến có thể xử lý bản chất đa dạng và phức tạp của dữ liệu y tế thực tế, bao gồm lấy mẫu không đều và dữ liệu bị thiếu. Trọng tâm hiện tại của họ là phát triển các kỹ thuật phân đoạn và phân cụm sáng tạo cho dữ liệu chuỗi thời gian đa biến được thiết kế riêng để khám phá các mẫu chi tiết hơn và xử lý các thách thức do dữ liệu AID đặt ra.

Để hỗ trợ cho nghiên cứu trong tương lai này, nhóm nghiên cứu tìm kiếm các tập dữ liệu AID mở, dài hạn bao gồm nhiều phép đo cảm biến về các yếu tố có thể xảy ra và nhóm người mắc T1D đa dạng. Ngoài ra, họ đặt mục tiêu hợp tác với các chuyên gia về chuỗi thời gian và máy học để giải quyết các thách thức kỹ thuật như xử lý dữ liệu lấy mẫu không đều với các khoảng thời gian khác nhau giữa các biến thể và khám phá ra các nguyên nhân đằng sau các mô hình quan sát được để cuối cùng thúc đẩy các cải tiến trong chăm sóc cá nhân hóa.