اگر فکر میکنید عدد ترازو یا شاخص BMI تمام حقیقت سلامت شما را میگوید، احتمالاً در معرض خطری پنهان هستید. بسیاری از افراد با وجود وزن نرمال، دچار «چاقی داخلی» هستند و بدون اینکه بدانند، سیستم متابولیک آنها در حال فروپاشی است.
طبق گزارشهای پژوهشی، مقاومت به انسولین یکی از خطرناکترین محرکهای بیماریهای متابولیک مدرن است که اغلب سالها پیش از ظهور دیابت نوع ۲، بهصورت خاموش عمل میکند. این زوال فیزیولوژیک معمولاً چندین سال پیش از شروع بالینی دیابت رخ میدهد و پنجرهای خطرناک ایجاد میکند که در آن اختلالات متابولیک بدون اینکه متوجه شویم پیشرفت میکنند. مدتها پیش از آنکه قند خون ناشتا به محدوده تشخیصی برسد، کاهش حساسیت به انسولین بهطور پنهانی متابولیسم انرژی، عملکرد کبد و سلامت عروق را تخریب میکند.
برای تشخیص دقیق این وضعیت، پزشکان از شاخص HOMA-IR (مدل ارزیابی هموستاز برای مقاومت به انسولین) استفاده میکنند. این شاخص یک کمّیسازی حیاتی از حلقه بازخورد بین تولید گلوکز در کبد و ترشح انسولین ارائه میدهد. با این حال، تشخیص سنتی نیازمند خونگیری و پردازش آزمایشگاهی است؛ فرآیندی که تکرار آن برای غربالگریهای منظم دشوار است و مانع از پایش مکرر میشود. بر اساس بررسیهای گسترده اپیدمیولوژیک، امتیاز HOMA-IR بالاتر از ۲.۹ بهطور کلی نشاندهنده مقاومت به انسولین است.
همانطور که در تحلیلهای پیشین ما دربارهی ادغام دادههای زیستی و هوش مصنوعی اشاره کردیم، اکنون چارچوبهای یادگیری ماشین چندوجهی (Multimodal Machine Learning) در حال پر کردن این شکاف هستند. این سیستمها با ترکیب دادههای حسگرهای پوشیدنی — که رفتارهای فیزیولوژیک روزانه مانند الگوهای خواب، تغییرات ضربان قلب (HRV) و سطح فعالیت را رصد میکنند — با تستهای آزمایشگاهی، میتوانند HOMA-IR را با دقت شگفتانگیزی پیشبینی کنند. در حالی که پوشیدنیها نمایی پویا از نحوه واکنش بدن به استرسهای روزانه ارائه میدهند، اما فاقد یک مؤلفه ساختاری هستند. اینجاست که اندازهگیریهای عینی ترکیب بدنی اهمیت مییابد؛ زیرا ترکیب بدنی یک ارزیابی ساختاری متمایز از چربیزایی ارائه میدهد و تصویری ایستا اما قدرتمند از ریسک متابولیک میسازد که مکمل دادههای سیال فناوریهای پوشیدنی است.
به نقل از مستندات این پژوهش، در حالی که درصد کل چربی بدن یک خط مبنای مفید برای تمایز چربی از توده عضلانی است، بینشهای بالینی عمیقتر در نشانگرهای زیستی خاص ترکیب بدنی یافت میشوند. برای مثال، نسبت چربی اندروئید به گینوئید (A/G) — که چربی ذخیره شده در تنه (شکل سیب) را با چربی ذخیره شده در باسن و رانها (شکل گلابی) مقایسه میکند — اطلاعات حیاتیتری ارائه میدهد. به همین ترتیب، نسبت مساحت چربی احشایی به زیرپوستی (V/S)، بین چربیهای داخلی بسیار فعال متابولیک که ارگانهای حیاتی را احاطه کردهاند و چربیهای زیرپوستی که درست در زیر پوست ذخیره شدهاند، تمایز قائل میشود. نسبتهای بالای A/G و توده چربی احشایی زیاد، همبستگی شدیدی با شیوع مقاومت به انسولین دارند، زیرا چربی احشایی از نظر بیولوژیکی فعالتر است و تمایل بیشتری به رهاسازی سیتوکینهای پیشالتهابی در جریان خون دارد.
در حال حاضر، استاندارد طلایی برای اندازهگیری این معیارهای دقیق ترکیب بدنی، اسکن DXA (جذب پرتوی ایکس دو-انرژی) است. این اسکنها بهشدت دقیق هستند و نقشهای مفصل از تراکم استخوان و توزیع چربی ارائه میدهند. با این حال، آنها برای غربالگری روزمره طراحی نشدهاند. این روشها گران هستند، به زیرساختهای کلینیکی تخصصی نیاز دارند و بیمار را در معرض دوزهای کمی از تابش قرار میدهند. این وضعیت یک شکاف بزرگ در مراقبتهای پیشگیرانه ایجاد میکند: ما ابزاری با استاندارد طلایی داریم که برای استفاده روتین بیش از حد دشوار است، و ابزاری رایج مانند BMI (شاخص توده بدنی) داریم که بیش از حد سادهانگارانه و غیردقیق است. BMI نمیتواند بین عضله و چربی تمایز قائل شود و توزیع حیاتی چربی را نادیده میگیرد؛ در نتیجه اغلب افراد ورزشکار را بهاشتباه «اضافه وزن» تشخیص میدهد و در مقابل، افراد «لاغر-چاق» (Skinny Fat) را که دارای سطوح بالای چربی احشایی و ریسک قلبی-متابولیک بالا هستند، نادیده میگیرد.
برای حل این مشکل، محققان از ترکیب تصاویر گوشیهای هوشمند و بینایی ماشین (Computer Vision) استفاده کردهاند. با بهکارگیری پروتکلهای عکاسی استاندارد، مدلهای یادگیری ماشین آموزش دیدهاند تا حجم بدن و توزیع چربی را تخمین بزنند. وقتی این تخمینهای تصویری با دادههای پوشیدنی و اطلاعات دموگرافیک پایه ترکیب میشوند، مدلی حاصل میشود که دقت آن در تخمین HOMA-IR و نسبت A/G با ارزیابیهای کلینیکی رقابت میکند. این رویکرد، گوشی هوشمند را به یک ابزار غربالگری اولیه تبدیل میکند و به کاربران اجازه میدهد مسیر متابولیک خود را بهصورت لحظهای رصد کنند. اگر مدل تغییری به سمت شکل «سیب» یا افزایشی در تخمین چربی احشایی شناسایی کند، میتواند توصیهای برای ارزیابی بالینی رسمی صادر کند.
این تغییر به سمت «نشانگرهای زیستی دیجیتال»، پارادایم سلامت متابولیک را تغییر میدهد. بهجای انتظار برای بالا رفتن قند خون ناشتا — که معمولاً زمانی رخ میدهد که آسیبهای جدی ایجاد شده باشد — افراد میتوانند پیشنشانههای ساختاری مقاومت به انسولین را شناسایی کنند. ادغام تصاویر اجازه میدهد «توزیع مجدد چربی» رصد شود؛ فرآیندی که در آن ممکن است وزن فرد ثابت بماند، اما چربی از ذخایر زیرپوستی به ذخایر احشایی منتقل شود و ریسک متابولیک را افزایش دهد. با شناسایی زودهنگام این تغییرات، مداخلاتی مانند تمرینات مقاومتی هدفمند و اصلاحات تغذیهای را میتوان برای معکوس کردن این روند، پیش از تبدیل شدن به بیماری مزمن، اجرا کرد.
علاوه بر این، مقیاسپذیری تخمینهای مبتنی بر گوشی، دسترسی به این بینشهای سلامتی را دموکراتیزه میکند. در جمعیتهای محروم که دسترسی به اسکن DXA یا آزمایشهای خون مکرر محدود است، یک ابزار تاییدشده مبتنی بر تصویر میتواند بهعنوان یک مکانیسم تریاژ حیاتی عمل کند. این ابزار به ارائهدهندگان مراقبتهای بهداشتی اجازه میدهد تا بیماران پرخطر را برای تستهای تشخیصی گرانقیمت در اولویت قرار دهند و تخصیص منابع را بهینه کنند. با تداوم اصلاح این مدلها از طریق مجموعهدادههای بزرگتر و متنوعتر، احتمالاً اتکا به BMI بهعنوان معیار اصلی سلامت کاهش یافته و جای خود را به درکی دقیقتر از ترکیب بدنی و ارتباط مستقیم آن با حساسیت به انسولین خواهد داد.
هدف نهایی، گذار از پزشکی واکنشی به مدیریت پیشدستانه متابولیک است. ترکیب بینشهای ساختاری تصاویر ترکیب بدنی با بینشهای رفتاری فناوریهای پوشیدنی، نمایی جامع و طولانیمدت از سلامت قلبی-متابولیک فرد ایجاد میکند. این رویکرد چندوجهی نهتنها دقت پیشبینی مقاومت به انسولین را بهبود میبخشد، بلکه فرد را با دادههای ملموس درباره سلامت داخلیاش توانمند میکند و از معیارهای سطحی ترازو فراتر میرود تا محرکهای واقعی بیولوژیک ریسک متابولیک را آشکار سازد.
گام بعدی شما
- بررسی اپلیکیشنهای تاییدشدهای که از تحلیل تصویر برای تخمین ترکیب بدنی استفاده میکنند.
- رصد تغییرات توزیع چربی در بدن (تغییر از شکل گلابی به سیب) بهعنوان هشدار اولیه برای مراجعه به پزشک.
- ترکیب دادههای گامشمار و خواب با تحلیلهای بصری برای درک بهتر وضعیت متابولیک.
اما این تنها بخشی از انقلاب سلامت دیجیتال است؛ تأثیر مدلهای پیشبینیکننده بر کاهش هزینههای بیمه را در گزارش بعدی بررسی خواهیم کرد. این رویکرد در واقع مشابه سیستمهای امتیازدهی ریسک لحظهای در حوزه مالی است که با جایگزینی دادههای ایستا با تحلیلهای پویا، دقت پیشبینی را بهطور چشمگیری افزایش دادهاند.
گفتگو