健康银河:2型糖尿病的多器官轨迹计算框架

《Research》:Health Galaxy: A Multi-organ Trajectory-Computing Framework in Type 2 Diabetes

【字体: 大 中 小 】 时间:2026年07月24日 来源:Research 12.9

编辑推荐:

  摘要健康研究正在从孤立的风险评估转向对疾病的长时序、多模式分析。在2型糖尿病中,血糖控制状况相似的患者,其肾脏、心血管、肝脏及神经认知系统的进展可能存在巨大差异——这种异质性是单一指标、单时间点的风险模型无法解决的。在此,我们提出了“健康星系”这一状态空间框架,通过描述每个个体各

  

摘要

健康研究正在从孤立的风险评估转向对疾病的长时序、多模式分析。在2型糖尿病中,血糖控制状况相似的患者,其肾脏、心血管、肝脏及神经认知系统的进展可能存在巨大差异——这种异质性是单一指标、单时间点的风险模型无法解决的。在此,我们提出了“健康星系”这一状态空间框架,通过描述每个个体各器官随时间的变化位置与运动方向,整合器官老化时钟、器官间相互作用以及基于轨迹的生成模型。该框架通过三个可验证的结构单元——群集、通道和枢纽——来实现,这些单元可用于不同队列和检测方法之间的重复性测试。该框架将干预措施视为对疾病轨迹的调整,而非单纯降低某些风险标志物,以2型糖尿病作为首个可研究的案例。

为何采用状态空间视角,为何是现在

在临床实践中,三名2型糖尿病患者若血糖HbA1c数值相同,都可能被判定为“疾病控制良好”,但多年后,其中一人可能发展成肾衰竭,另一人出现心力衰竭,还有一人则可能罹患脂肪性肝病、视网膜病变、神经病变或认知功能下降。血糖目标值、估算的肾小球滤过率、白蛋白尿、血脂、血压以及心血管风险评分等指标共同构成了一个涵盖多个器官及不同时间点的网络,从而形成了高维状态空间中的疾病发展轨迹;不过如何有效利用这些高维特征仍有待探索 [1–3]。
如今,器官老化时钟、电子健康记录、影像学检查、连续血糖监测、可穿戴设备以及用药史等方面的进展,使得我们能够持续观察糖尿病患者的身体状况及其不同器官系统的变化。结合人工智能分析技术,这些具有时间标记的异构数据有助于动态呈现多器官疾病的进展过程,超越了传统指标所提供的横截面信息 [1,4–6]。因此,需要一种新的框架将这些数据整合为一个可解释的整体,明确每个器官系统的发展方向与速度。
为此,我们提出了“健康星系”概念,将该框架视为一种将2型糖尿病视为在共享的高维多器官状态空间中的发展轨迹的模型——这一模型可弥补分子组学研究的不足,因为尽管分子组学已极大提升了我们对糖尿病病理机制的理解,但其本身无法捕捉到这种长时序的、器官层面的动态变化(见图1) [2,3]。据此,“健康星系”作为一种状态空间框架,能够将每位患者在每次就诊时的状态表示为可计算的多器官状态X(t),为每个人确定在共享状态空间中的位置,并追踪其运动的方向与速度,而非将其简化为单一的未来概率值。
图1。“健康星系”的概念架构,展示了在共享状态空间中个体的多器官发展轨迹,有助于基于轨迹进行风险分层,并针对2型糖尿病制定针对性的干预措施。

生物学基础:器官老化异步性与器官间相互作用

基础生物学已经为我们提供了关键见解,且这些见解在分子层面也已得到验证。有两类证据为“健康星系”框架提供了理论基础。第一是器官老化异步性:器官老化时钟研究显示,血浆蛋白质组学、影像学或多种组学指标与慢性疾病及死亡风险相关,因此那些肾脏或心脏在生物学上显得比实际年龄更老的人,其相应器官的疾病风险也会更高 [1,4,6]。第二是器官间相互作用:在2型糖尿病中,脂肪组织、血管系统、心脏、视网膜、大脑以及免疫系统之间通过代谢物、激素、炎症介质及神经信号相互交流,从而导致某一系统的疾病会加速其他系统的功能衰退 [7]。最近的研究将这些观点结合起来,将孤立的器官老化时钟视为一个相互关联的器官网络,其中由年龄导致的异步性及器官间相互作用共同决定了死亡风险 [8]。不过,这些见解目前仅在分子层面得到证实。亟需解决的问题是如何将这些理论应用到常规的表型与生理数据中——也就是临床实际收集的各种测量数据——并将其转化为可计算的宏观层面表征。

“健康星系”框架的分析基础

该框架能够持续整合多种类型、带有时间标记的数据——包括血糖及代谢相关的实验室检测结果、肾脏与肝脏功能指标、血压、血脂、心脏、肝脏、肾脏、视网膜及大脑的影像学资料、基于组学技术的器官老化时钟数据、连续血糖监测结果、可穿戴设备收集的数据,以及用药记录和用药依从性信息——并通过时间标准化、基于事件的比对、互操作标准以及统一的预处理方法,将这些看似不匹配、采样频率不均匀的数据转化为可比较的状态。基于这些得到的疾病轨迹,机器学习、网络科学以及因果推断方法可帮助实现三个互补的目标:基于轨迹的风险分层(预测不同并发症出现的概率及先后顺序)、基于机制的推断(分析器官间的相互作用结构及风险传导路径),以及干预优化(模拟不同干预措施下的疾病发展轨迹)。虽然基于轨迹的生成模型有助于描绘可能的未来发展路径,但只有经过校准、能够体现不确定性、经过外部验证,并且能够在不同人群和医疗环境中适用,这类模拟才具有临床意义 [9,10]。

“健康星系”的应用场景

示例1:在控制状况相似的情况下区分不同的疾病发展路径。假设有两名患者,其HbA1c、eGFR值及初始心血管风险状况相近。在“健康星系”框架下,他们的疾病状态会在一些传统评估指标无法区分的维度上存在差异,比如白蛋白尿上升的速度、心脏与血管系统老化时钟的轨迹、肝脏脂肪含量的变化,以及肾脏与心脏功能衰退之间的相互作用强度。其中一名患者的疾病轨迹会沿着肾脏-心脏通道加速发展,最终导致肾衰竭和心力衰竭,而另一名患者的疾病则可能走向肝脏-代谢系统相关的不良发展路径。通过明确显示这些不同的疾病轨迹并量化器官间的相互作用,该框架能够支持更早开展针对特定器官的监测,并确定更为个性化的随访间隔,而这正是仅依靠统一的HbA1c控制目标无法实现的 [2,7,8]。
示例2:从预测发展到路径调整。该框架的核心优势在于能够判断某种疾病轨迹是否可以被改变。对于那些疾病状态正沿着肾脏-心脏通道快速发展的患者,“健康星系”框架可用于模拟启动钠-葡萄糖协同转运蛋白2抑制剂或胰高血糖素样肽1受体激动剂治疗、加强血压控制或减轻体重等措施的预期效果,同时可在干预实施后监测实际疾病轨迹的发展速度是否确实有所减缓。这样一来,临床问题的焦点就从“这名患者的风险有多大?”转变为“这样的干预措施是否改变了疾病的发展路径,且改变了多少?”

面临的关键挑战与未来发展方向

在“健康星系”框架得以实际应用之前,还有若干挑战需要解决。首先,糖尿病相关的多模态数据采样不均匀,其质量还受到检测条件、影像学检查的可用性、设备使用依从性、处方习惯以及随访频率等因素的影响,因此所观察到的疾病轨迹可能反映的是实际工作流程而非真正的生物学规律;因此,标准的数据采集流程、缺失数据的处理方法以及不同检测方法的对比分析十分必要。其次,器官老化时钟所反映的数值可能包含疾病负担或治疗因素的影响,因此在解读这些数据时需谨慎,并以相关理论为指导,而不能简单地将数值直接视为器官的实际年龄。第三,目前的轨迹模型和生成模型在透明度与通用性方面还存在局限,且容易受到人口结构变化、检测方法、影像学技术、研究人群以及糖尿病治疗方案演变的影响而出现偏差,因此可解释性、不确定性量化、外部验证、趋势监测以及前瞻性研究设计都是不可或缺的重要环节,而非事后才考虑的问题 [10]。最后,持续的、包含丰富上下文信息的监测还会带来数据所有权、个体自主权以及公平性等方面的管理问题,这些问题需要依据公认的标准来加以解决。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号