Penelitian: Tidak ada Pengobatan yang Cocok untuk Semua Orang untuk Diabetes Tipe 1

Sahabat.com - Penelitian terbaru mengungkapkan bahwa faktor-faktor selain karbohidrat memengaruhi kadar glukosa darah secara signifikan, yang berarti sistem pengiriman insulin otomatis saat ini tidak dapat menangkap informasi penting yang diperlukan untuk pengaturan glukosa darah.

Tim peneliti dari Universitas Bristol yang menganalisis data pengiriman insulin otomatis pada penderita diabetes tipe 1 (T1D) menemukan bahwa pola yang tidak terduga dalam kebutuhan insulin sama seringnya dengan pola yang sudah mapan. Studi ini diterbitkan sebagai preprint di JMIRx Med dan bertujuan untuk mengidentifikasi pola perubahan kebutuhan insulin serta menganalisis seberapa sering pola ini terjadi pada penderita T1D yang menggunakan OpenAPS, sebuah sistem pengiriman insulin otomatis mutakhir.

Penulis utama Isabella Degen dari Fakultas Sains dan Teknik Universitas Bristol menjelaskan, "Hasil ini mendukung hipotesis kami bahwa faktor-faktor selain karbohidrat memainkan peran penting dalam menjaga euglikemia—keadaan ketika kadar glukosa darah berada dalam rentang standar."

"Namun, tanpa informasi terukur mengenai faktor-faktor ini, sistem AID hanya dapat menyesuaikan insulin dengan hati-hati, yang bisa membuat kadar glukosa darah menjadi terlalu rendah atau tinggi."

Diabetes tipe 1 adalah kondisi kronis di mana tubuh memproduksi terlalu sedikit insulin, hormon yang dibutuhkan untuk mengatur glukosa darah. Pengobatan utama untuk T1D adalah insulin yang disuntikkan atau dipompa. Jumlah dan waktu pemberian insulin harus disesuaikan dengan cermat dengan asupan karbohidrat agar kadar glukosa darah tidak meningkat. Selain karbohidrat, berbagai faktor lain seperti olahraga, hormon, dan stres juga memengaruhi kebutuhan insulin.

Namun, sejauh mana faktor-faktor ini menyebabkan efek yang tidak terduga pada kadar glukosa darah masih jarang dipelajari. Meskipun ada banyak kemajuan, pemberian dosis insulin tetap merupakan tugas yang kompleks dan bisa salah, yang mengakibatkan kadar glukosa darah berada di luar rentang yang dapat melindungi penderita T1D dari dampak kesehatan yang merugikan.

Penemuan ini menyoroti kompleksitas pengaturan glukosa pada T1D dan menunjukkan heterogenitas dalam kebutuhan insulin di kalangan penderita T1D, yang menekankan perlunya pendekatan pengobatan yang dipersonalisasi.

Untuk memasukkan faktor-faktor selain karbohidrat secara lebih sistematis dalam praktik klinis, para ilmuwan perlu menemukan cara untuk mengukur dan mengkuantifikasi dampaknya, serta memanfaatkan informasi ini dalam penentuan dosis insulin. Hal ini juga dapat membantu peramalan glukosa darah yang lebih akurat, yang menurut studi ini tidak selalu dapat dilakukan hanya dengan informasi tentang insulin dan karbohidrat.

Degen menambahkan, "Studi kami menyoroti bahwa mengelola diabetes tipe 1 jauh lebih kompleks daripada hanya menghitung karbohidrat. Kekayaan wawasan yang dapat diperoleh dari mempelajari data pengiriman insulin otomatis sangat berharga meskipun membutuhkan upaya untuk bekerja dengan data kehidupan nyata ini."

"Yang paling mengejutkan bagi kami adalah banyaknya variasi pola yang kami temui, bahkan dalam kelompok peserta yang relatif kecil dan homogen. Jelas bahwa dalam pengelolaan diabetes, tidak ada pendekatan yang cocok untuk semua."

Tim peneliti kini sedang bekerja untuk mengembangkan metode pencarian pola seri waktu yang dapat menangani keberagaman dan kompleksitas data medis kehidupan nyata, termasuk pengambilan sampel yang tidak teratur dan data yang hilang. Fokus mereka saat ini adalah mengembangkan teknik segmentasi dan pengelompokan inovatif untuk data seri waktu multivariat yang dirancang untuk menemukan pola yang lebih mendetail serta mengatasi tantangan yang dihadapi oleh data AID.

Untuk mendukung penelitian masa depan ini, tim peneliti mencari dataset AID akses terbuka jangka panjang yang mencakup berbagai macam pengukuran sensor faktor-faktor yang mungkin dan kohort penderita T1D yang beragam.

Selain itu, mereka berencana untuk berkolaborasi dengan ahli seri waktu dan pembelajaran mesin untuk mengatasi tantangan teknis, seperti menangani data yang disampling secara tidak teratur dengan interval yang bervariasi antar variabel, serta mengungkap hubungan kausal di balik pola yang diamati untuk mendorong inovasi dalam perawatan yang dipersonalisasi.