Forskere udvikler nyt værktøj: Skal hjælpe med at finde den rigtige insulindosis

Det kan være en lang og svær proces at finde frem til den helt rigtige dosis af insulin, en person med type 2-diabetes har brug for – også kendt som insulin-titrering.

Den proces vil Camilla Heisel Nyholm Thomsen, som er ph.d.-studerende ved Aalborg Universitet og Steno Diabetes Center Nordjylland, gerne gøre lettere og bedre.

EASD 2023:Dagens Medicins journalist Cecilie Krabbe rapporterer direkte fra årets EASD i Hamborg. Følg dækningen her.

Derfor har hun sammen med sine kolleger udviklet en machine learning-model, som skal hjælpe med at titrere insulin til personer med type 2-diabetes.

Hun præsenterede onsdag de tidlige forskningsresultater på diabeteskongressen EASD, som i år bliver holdt i den tyske storby Hamborg.

»Den måde, man titrerer på i dag, er meget afhængig af behandleren. Man bruger en tabel, som er ens for alle patienter. Det kræver, at behandleren er ret dygtig til at genkende forskellige fænotyper eller personkarakteristik, som betyder, at en person måske ikke reagerer så hurtigt på insulin, som andre gør,« siger Camilla Heisel Nyholm Thomsen og fortsætter:

»Vi har forsøgt at lave en model, som kan give et bedre billede af, hvordan en patient reagerer på en given insulindosis.«

Fem faktorer

Forskerholdet har anvendt data fra et ældre klinisk studie fra Novo Nordisk, som har undersøgt effekten og sikkerheden af behandling med to slags insulin hos 786 voksne med type 2-diabetes.

I Danmark vil det i høj grad være de praktiserende lægeklinikker, som kan bruge vores værktøj

Camilla Heisel Nyholm Thomsen, ph.d.-studerende, Aalborg Universitet

På baggrund af de data fandt forskerne frem til fem faktorer, som var de vigtigste, når det kom til at forudsige, hvordan en persons fasteblodsukker vil reagere på en insulinjustering.

De fem faktorer var gennemsnitligt fasteblodsukker (målt de foregående tre dage op til en behandlingsevaluering), den ændring i insulinen, som man vil foretage, behandleren og to forskellige blodprøver, som måler niveauet af hæmoglobin i blodet og alkalisk fosfatase.

»Vores model viser effekten af det, som du har tænkt dig at gøre, før du gør det. Så den kan bruges til at forudse, hvordan en persons fasteblodsukker vil blive påvirket af en justering i insulindosis,« forklarer Camilla Heisel Nyholm Thomsen og fortsætter:

»Den viden gør det mere gennemsigtigt for behandleren, hvilken type patient de sidder overfor. Og det betyder, at behandleren ikke i ligeså høj grad er afhængig af at have rigtig meget erfaring. Så modellen kan hjælpe med at gennemskue fænotyper eller personkarakteristik.«

Til gavn for almen praksis

Det næste skridt for forskerne bliver at videreudvikle på deres model. Camilla Heisel Nyholm Thomsen fortæller, at de gerne vil prøve den af med data, som de ikke har haft adgang til i udviklingen af den første model.

»Vores model er færdigudviklet i det format, som vi har nu. Det næste, der skal ske, er, at vi vil prøve den af med nye data. Vi vil blandt andet prøve at få information om insulinresistens og egenproduktion af insulin, som vi ikke har haft med i første omgang,« siger Camilla Heisel Nyholm Thomsen.

På sigt håber Camilla Heisel Nyholm Thomsen, at modellen kan komme almen praksis til gavn.

»I Danmark vil det i høj grad være de praktiserende lægeklinikker, som kan bruge vores værktøj. Det vil måske kunne hjælpe dem med lettere og hurtigere at titrere personers langtidsvirkende insulin,« siger hun og fortsætter:

»Målet for os er at lave et støtteværktøj, som kan vise, hvor meget en persons fasteblodsukker forventes at falde, hvis personen eksempelvis bliver skruet otte enheder op. Og så kan den fagperson, der bruger værktøjet, vurdere, om det er en passende justering eller ej,« siger Camilla Heisel Nyholm Thomsen.

Abstraktet ‘A machine learning model for basal insulin titration of people with type 2 diabetes: preliminary results’ blev fremlagt ved en mundtlig præsentation på EASD 4. oktober.

Arbejdet er støttet af Steno Diabetes Center Nordjylland, som er grundlagt af Novo Nordisk Fonden.