Výkonnosť umelej inteligencie pri predikcii rozvoja diabetes mellitus 2. typu po gestačnom diabete: systematický prehľad a metaanalýza

Zhrnutie

Systematický prehľad a metaanalýza 10 štúdií zo 7 krajín (2011–2025) hodnotila výkonnosť modelov umelej inteligencie (AI) pri predikcii progresie gestačného diabetu mellitu (GDM) na diabetes mellitus 2. typu (T2DM). Najvýkonnejšie modely dosiahli združenú presnosť 0,85 (95% CI 0,79–0,90), senzitivitu 0,89, špecificitu 0,88 a AUC 0,86 (95% CI 0,77–0,91). Predikcia prediabetu bola výrazne menej presná (AUC 0,69). Napriek sľubným číslam vykazovali všetky zahrnuté štúdie vysoké riziko skreslenia, čo si vyžaduje opatrnosť pri interpretácii.

Úvod

Ženy s prekonaným gestačným diabetom čelia 30–50 % riziku rozvoja T2DM do 5–10 rokov po pôrode — pričom toto riziko možno vhodnou intervenciou výrazne znížiť. Tradičné skórovacie systémy (glykémia nalačno, OGTT, BMI) majú obmedzenú prediktívnu silu pri identifikácii žien s najvyšším individuálnym rizikom, čo obmedzuje možnosti cielenej prevencie. Modely umelej inteligencie schopné integrovať stovky klinických, biochemických a demografických premenných sa javia ako potenciálna cesta k presnejšej popôrodnej stratifikácii rizika — miera ich pripravenosti na klinické využitie však doteraz nebola jasná.

Metodika

Systematické vyhľadávanie v siedmich databázach (MEDLINE, Embase, Scopus, Web of Science, IEEE Xplore, ACM, Google Scholar; do septembra 2025) identifikovalo 10 štúdií zaradených do prehľadu, z ktorých 8 splnilo kritériá pre metaanalýzu. Štúdie pochádzali zo 7 krajín (30 % USA); 60 % malo retrospektívny, 40 % prospektívny dizajn. Priemerná veľkosť vzorky bola 805 účastníkov (rozsah 75–6 000), priemerný vek 33,2 roka, priemerné BMI 29,4 kg/m², medián sledovania 77 mesiacov (rozsah 3,25–120). Modely pracovali priemerne so 128,6 premennými (rozsah 10–626); najčastejšie využívané prediktory: lačná plazmatická glukóza (80 % štúdií), vek (60 %) a BMI (60 %). Použité algoritmy: rozhodovací strom a logistická regresia (70 % štúdií), náhodný les (50 %), naivný Bayes (40 %), ďalej gradient boosting, SVM, AdaBoost a XGBoost. Riziko skreslenia bolo hodnotené pomocou nástroja PROBAST+AI.

Výsledky

Predikcia T2DM — najvýkonnejšie modely: Združená presnosť 0,85 (95% CI 0,79–0,90; I²=79 %; p<0,001); senzitivita 0,89 (95% CI 0,81–0,95; I²=81 %); špecificita 0,88 (95% CI 0,81–0,93; I²=73 %); F₁ skóre 0,80 (95% CI 0,75–0,85); AUC 0,86 (95% CI 0,77–0,91; I²=81 %). Analýza najmenej výkonných modelov z každej štúdie ukázala stále slušnú výkonnosť: presnosť 0,79 (95% CI 0,70–0,87; I²=92 %), senzitivita 0,82 (95% CI 0,72–0,91), špecificita 0,83 (95% CI 0,73–0,91).

Porovnanie algoritmov: Výkonnosť bola prekvapivo podobná naprieč algoritmami. Náhodný les: presnosť 0,84 (95% CI 0,76–0,92); naivný Bayes: 0,79 (95% CI 0,65–0,90); logistická regresia a rozhodovací strom dosiahli porovnateľné výsledky. Žiadny algoritmus nepreukázal konzistentnú prevahu nad ostatnými, čo naznačuje, že pri obmedzenom objeme dát môže byť dostupnosť kvalitných prediktorov dôležitejšia než zložitosť modelu.

Predikcia prediabetu: AUC 0,69 (95% CI 0,60–0,77) — podstatne horšia diskriminačná schopnosť oproti predikcii T2DM, pravdepodobne odrážajúca menej jasné hranice prediabetu a vyššiu biologickú variabilitu.

Riziko skreslenia: Všetkých 10 štúdií bolo hodnotených ako celkové vysoké riziko skreslenia. V doméne analýzy vykazovalo 100 % štúdií vysoké riziko — prevažne pre nedostatočné zdôvodnenie veľkosti vzorky a absenciu externej validácie. V doméne účastníkov 70 % štúdií s vysokým rizikom. Žiadna štúdia nevyužívala otvorené dátové súbory.

Diskusia

Výsledky naznačujú, že modely AI majú reálny potenciál na využitie v elektronických zdravotných záznamoch a popôrodnej starostlivosti. Integrácia do rutinnej praxe by umožnila automatické vyhodnotenie rizika z dostupných dát (glykémia, vek, BMI) bez dodatočnej záťaže pre pacientku ani lekára. Kľúčovými limitáciami sú však vysoká heterogenita výsledkov (I²=73–81 %), malé vzorky s nedostatočnou reprezentáciou menšinových populácií a absencia externej validácie — žiadna štúdia nepotvrdzuje výkonnosť modelu na nezávislej kohorte z iného zdravotníckeho systému. Výsledky tak zatiaľ poukazujú na sľubný potenciál, ktorý však ešte nebol potvrdený v klinickej praxi.

Záver

AI modely dosahujú pri predikcii progresie GDM na T2DM sľubné výsledky s AUC 0,86, no dôkazy sú obmedzené závažnými metodologickými nedostatkami. Pred klinickým nasadením sú nevyhnutné prospektívne štúdie v rôznorodých kohortách s externou validáciou, štandardizovaným vykazovaním výsledkov a otvorenými dátovými súbormi umožňujúcimi nezávislé overenie reprodukovateľnosti výsledkov. Pri splnení týchto podmienok by stratifikácia rizika pomocou AI mohla zásadne zlepšiť efektivitu popôrodnej prevencie T2DM u žien s predchádzajúcim GDM.

Kľúčové informácie

• Združená presnosť AI modelov pri predikcii T2DM po GDM: 0,85 (95% CI 0,79–0,90); AUC 0,86 (95% CI 0,77–0,91)
• Združená senzitivita 0,89 a špecificita 0,88 naznačujú robustnú diskrimináciu pri predikcii T2DM
• Predikcia prediabetu výrazne horšia: AUC len 0,69
• Všetkých 10 štúdií s vysokým rizikom biasu — výsledky treba interpretovať s opatrnosťou

Referencie