diaendoСахарный диабетDiabetes mellitus2072-03512072-0378Endocrinology research centre10.14341/DM13091diaendo-13091Research ArticleОригинальные исследованияOriginal StudiesМодель клинического прогнозирования сахарного диабета MODY типа у детейClinical prediction model for MODY type diabetes mellitus in childrenhttps://orcid.org/0000-0002-4316-8546ЛаптевД. Н.LaptevD. N.

Лаптев Дмитрий Никитич - д.м.н.

Москва

Dmitry N. Laptev - MD, PhD.

Moscow

laptevdn@ya.ruhttps://orcid.org/0000-0002-8181-5572СечкоЕ. А.SechkoE. A.

Сечко Елена Александровна - к.м.н.; Researcher ID: S-4114-2016; Scopus Author ID: 55880018700.

117036, Москва, ул. Дм. Ульянова, д. 11

Elena A. Sechko - MD, PhD; Researcher ID: S-4114-2016; Scopus Author ID: 55880018700.

11 Dm. Ulyanova street, 117036 Moscow

elena.sechko@bk.ruhttps://orcid.org/0000-0003-0123-8857РоманенковаЕ. М.RomanenkovaE. M.

Романенкова Елизавета Михайловна - Researcher ID: AAB-7186-2021; eLibrary SPIN: 6190-0118.

Москва

Elizaveta M. Romanenkova - MD.; Researcher ID: AAB-7186-2021; eLibrary SPIN: 6190-0118.

Moscow

romanenkovae@list.ruhttps://orcid.org/0000-0001-7021-1151ЕреминаИ. А.EreminaI. A.

Еремина Ирина Александровна - к.м.н.; Researcher ID: S-3979-2016; Scopus Author ID: 6701334405.

Москва

Irina A. Eremina - MD, PhD.; Researcher ID: S-3979-2016; Scopus Author ID: 6701334405.

Moscow

ieremina58@gmail.comhttps://orcid.org/0000-0001-9621-5732БезлепкинаО. Б.BezlepkinaO. B.

Безлепкина Ольга Борисовна - д.м.н.; Researcher ID: B-6627-2017; Scopus Author ID: 6507632848.

Москва

Olga B. Bezlepkina - MD, PhD; Researcher ID: B-6627-2017; Scopus Author ID: 6507632848.

Moscow

olgabezlepkina@mail.ruhttps://orcid.org/0000-0002-5507-4627ПетерковаВ. А.PeterkovaV. A.

Петеркова Валентина Александровна - д.м.н., профессор, академик РАН.

Москва

Valentina A. Peterkova - MD, PhD, Professor, academician of Russian Academy of Medical Sciences.

Moscow

peterkovava@hotmail.comhttps://orcid.org/0000-0002-9717-9742МокрышеваН. Г.MokryshevaN. G.

Мокрышева Наталья Георгиевна - д.м.н., профессор, член-корр. РАН.

Москва

Natalya G. Mokrysheva - MD, PhD, Professor.

Moscow

nm70@mail.ruГНЦ РФ ФГБУ «Национальный медицинский исследовательский центр эндокринологии Минздрава России»РоссияEndocrinology Research CentreRussian Federation2024190520242713340Copyright © Лаптев Д.Н., Сечко Е.А., Романенкова Е.М., Еремина И.А., Безлепкина О.Б., Петеркова В.А., Мокрышева Н.Г., 20242024Лаптев Д.Н., Сечко Е.А., Романенкова Е.М., Еремина И.А., Безлепкина О.Б., Петеркова В.А., Мокрышева Н.Г.Laptev D.N., Sechko E.A., Romanenkova E.M., Eremina I.A., Bezlepkina O.B., Peterkova V.A., Mokrysheva N.G.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.dia-endojournals.ru/jour/article/view/13091ОБОСНОВАНИЕ

ОБОСНОВАНИЕ. MODY (maturity-onset diabetes of the young — диабет взрослого типа у молодых лиц) — редкая моногенная форма сахарного диабета (СД), «золотым стандартом» диагностики которой является выявление мутаций в генах, ответственных за развитие данной формы заболевания. Проведение молекулярно-генетического исследования требует существенных экономических и временных затрат. Критерии диагностики MODY хорошо известны. Создание системы поддержки принятия врачебных решений (СППВР), которая позволила бы врачу на основании клинических данных определить показания для проведения генетического исследования, является актуальным.

ЦЕЛЬ

ЦЕЛЬ. Разработка наиболее эффективного алгоритма прогнозирования MODY у детей на основании доступных клинических показателей 1710 пациентов с СД в возрасте до 18 лет с использованием многослойной нейронная сеть (НС) прямого распространения.

МАТЕРИАЛЫ И МЕТОДЫ

МАТЕРИАЛЫ И МЕТОДЫ. Для разработки модели был проведен ретроспективный анализ клинических данных пациентов с СД 1 типа (СД1) и СД MODY типа в возрасте от 0 до 18 лет независимо от длительности заболевания. На основании клинических данных была реализована НС прямого распространения — многослойный перцептрон.

РЕЗУЛЬТАТЫ

РЕЗУЛЬТАТЫ. Выборка составила 1710 детей в возрасте до 18 лет с СД1 (78%) и MODY (22%) диабетом. Для итоговой конфигурации НС отобраны следующие предикторы: пол, возраст паспортный, возраст на момент манифестации СД, HbA1c, индекс массы тела (ИМТ) SDS, отягощенная наследственность по СД, получаемое лечение. Оценка производительности (качества) НС проводилась на тестовой выборке (площадь под ROC (receiver operating characteristics) кривой достигла 0,97). Прогностическая ценность положительного результата (ПЦПР) была достигнута при пороговом значении 0,40 (предсказанная вероятность MODY диабета 40%). При этом чувствительность составила 98%, специфичность 93%, ПЦПР с коррекцией на преваленс 78%, а ПЦОР с коррекцией на преваленс 99%, общая точность модели 94%.

На основании модели НС была разработана СППВР для определения наличия у пациента MODY диабета, реализованная в виде приложения.

ЗАКЛЮЧЕНИЕ

ЗАКЛЮЧЕНИЕ. Разработанная в данной работе на базе НС модель клинического прогнозирования MODY использует доступные для каждого пациента клинические показатели для определения вероятности наличия у пациента MODY. Применение в клинической практике СППВР на базе разработанной модели окажет помощь в отборе пациентов для диагностического генетического тестирования на MODY, что позволит эффективно распределить ресурсы здраво­охранения, выбрать персонализированное лечение и наблюдение пациента.

BACKGROUND

BACKGROUND: MODY (maturity-onset diabetes of the young) is a rare monogenic form of diabetes mellitus, the gold standard of diagnosis is mutations detection in the genes responsible for the development of this form diabetes. Genetic test is expensive and takes a lot of time. The diagnostic criteria for MODY are well known. The development of clinical decision support system (CDSS) which allows physicians based on clinical data to determine who should have molecular genetic testing is relevant.

AIM

AIM: Provided a retrospective analysis of clinical data of the patients with T1DM and MODY, from 0 to 18 years old, regardless of the duration of the disease to develop the model. Based on clinical data, a feedforward neural network (NN) was implemented - a multilayer perceptron.

MATERIALS AND METHODS

MATERIALS AND METHODS: Development of the most effective algorithm for predicting MODY in children based on available clinical indicators of 1710 patients with diabetes under the age of 18 years using a multilayer feedforward neural network.

RESULTS

RESULTS: The sample consisted of 1710 children under the age of 18 years with T1DM (78%) and MODY (22%) diabetes. For the final configuration of NS the following predictors were selected: gender, age at passport age, age at the diagnosis with DM, HbA1c, BMI SDS, family history of DM, treatment. The performance (quality) assessment of the NN was carried out on a test sample (the area under the ROC (receiver operating characteristics) curve reached 0.97). The positive predictive value of PCPR was achieved at a cut-off value of 0.40 (predicted probability of MODY diabetes 40%). At which the sensitivity was 98%, specificity 93%, PCR with prevalence correction was 78%, and PCR with prevalence correction was 99%, the overall accuracy of the model was 94%.

Based on the NN model, a CDSS was developed to determine whether a patient has MODY diabetes, implemented as an application.

CONCLUSION

CONCLUSION: The clinical prediction model MODY developed in this work based on the NN, uses the clinical characteristic available for each patient to determine the probability of the patient having MODY. The use of the developed model in clinical practice will assist in the selection of patients for diagnostic genetic testing for MODY, which will allow for the efficient allocation of healthcare resources, the selection of personalized treatment and patient monitoring.

сахарный диабет у детейMODYмоногенный сахарный диабетсистема поддержки принятия врачебных решениймодель прогнозирования MODYdiabetes mellitus in childrenMODYmonogenic diabetes mellitusclinical decision support systemMODY prediction modelИсследование выполнено в рамках государственного задания, номер государственного учета 123021000040-9ReferencesHattersley AT, et al. ISPAD Clinical Practice Consensus Guidelines 2018: The diagnosis and management of monogenic diabetes in children and adolescents // Pediatr. Diabetes. 2018. Vol. 19. P. 47–63. https://doi.org/10.1111/pedi.12772Hattersley AT, et al. ISPAD Clinical Practice Consensus Guidelines 2018: The diagnosis and management of monogenic diabetes in children and adolescents // Pediatr. Diabetes. 2018. Vol. 19. P. 47–63. https://doi.org/10.1111/pedi.12772Shields BM, Hicks S, Shepherd MH, et al. Maturity-onset diabetes of the young (MODY): how many cases are we missing? // Diabetologia. 2010. Vol. 53, № 12. P. 2504–2508. https://doi.org/10.1007/s00125-010-1799-4Shields BM, Hicks S, Shepherd MH, et al. Maturity-onset diabetes of the young (MODY): how many cases are we missing? // Diabetologia. 2010. Vol. 53, № 12. P. 2504–2508. https://doi.org/10.1007/s00125-010-1799-4Streun GL, et al. A machine learning approach for handling big data produced by high resolution mass spectrometry after data independent acquisition of small molecules – Proof of concept study using an artificial neural network for sample classification // Drug Test. Anal. 2020. Vol. 12, № 6. P. 836–845. https://doi.org/10.1002/dta.2775Streun GL, et al. A machine learning approach for handling big data produced by high resolution mass spectrometry after data independent acquisition of small molecules – Proof of concept study using an artificial neural network for sample classification // Drug Test. Anal. 2020. Vol. 12, № 6. P. 836–845. https://doi.org/10.1002/dta.2775Rong D, Xie L, Ying Y. Computer vision detection of foreign objects in walnuts using deep learning // Comput. Electron. Agric. 2019. Vol. 162. P. 1001–1010. https://doi.org/10.1016/j.compag.2019.05.019Rong D, Xie L, Ying Y. Computer vision detection of foreign objects in walnuts using deep learning // Comput. Electron. Agric. 2019. Vol. 162. P. 1001–1010. https://doi.org/10.1016/j.compag.2019.05.019Shields BM, et al. The development and validation of a clinical prediction model to determine the probability of MODY in patients with young-onset diabetes // Diabetologia. 2012. Vol. 55, № 5. P. 1265–1272. https://doi.org/10.1007/s00125-011-2418-8Shields BM, et al. The development and validation of a clinical prediction model to determine the probability of MODY in patients with young-onset diabetes // Diabetologia. 2012. Vol. 55, № 5. P. 1265–1272. https://doi.org/10.1007/s00125-011-2418-8T. da Silva Santos T, et al. MODY probability calculator utility in individuals’ selection for genetic testing: Its accuracy and performance // Endocrinol. Diabetes Metab. 2022. Vol. 5, № 5. P. e00332. https://doi.org/10.1002/edm2.332T. da Silva Santos T, et al. MODY probability calculator utility in individuals’ selection for genetic testing: Its accuracy and performance // Endocrinol. Diabetes Metab. 2022. Vol. 5, № 5. P. e00332. https://doi.org/10.1002/edm2.332Encyclopedia of Information Science and Technology, Fourth Edition: / ed. Khosrow-Pour, D.B.A. M. IGI Global, 2018Encyclopedia of Information Science and Technology, Fourth Edition: / ed. Khosrow-Pour, D.B.A. M. IGI Global, 2018Лаптев Д.Н., Мокрышева Н.Г., Безлепкина О.Б. и др. Калькулятор вероятности MODY. Свидетельство о регистрации программы для ЭВМ 2023613354, 14.02.2023. Заявка №2023612238 от 08.02.2023.Laptev DN, Mokrysheva NG, Bezlepkina OB, et al. MODY probability calculator.Pang L, et al. Improvements in Awareness and Testing Have Led to a Threefold Increase Over 10 Years in the Identification of Monogenic Diabetes in the U.K. // Diabetes Care. 2022. Vol. 45, № 3. P. 642–649. https://doi.org/10.2337/dc21-2056Pang L, et al. Improvements in Awareness and Testing Have Led to a Threefold Increase Over 10 Years in the Identification of Monogenic Diabetes in the U.K. // Diabetes Care. 2022. Vol. 45, № 3. P. 642–649. https://doi.org/10.2337/dc21-2056Besser REJ, et al. Urinary C-Peptide Creatinine Ratio Is a Practical Outpatient Tool for Identifying Hepatocyte Nuclear Factor 1-α/Hepatocyte Nuclear Factor 4-α Maturity-Onset Diabetes of the Young From Long-Duration Type 1 Diabetes // Diabetes Care. 2011. Vol. 34, № 2. P. 286–291. https://doi.org/10.2337/dc10-1293Besser REJ, et al. Urinary C-Peptide Creatinine Ratio Is a Practical Outpatient Tool for Identifying Hepatocyte Nuclear Factor 1-α/Hepatocyte Nuclear Factor 4-α Maturity-Onset Diabetes of the Young From Long-Duration Type 1 Diabetes // Diabetes Care. 2011. Vol. 34, № 2. P. 286–291. https://doi.org/10.2337/dc10-1293McDonald TJ, et al. Islet autoantibodies can discriminate maturity-onset diabetes of the young (MODY) from Type 1 diabetes: Pancreatic autoantibodies can discriminate MODY from Type 1 diabetes // Diabet. Med. 2011. Vol. 28, № 9. P. 1028–1033. https://doi.org/10.1111/j.1464-5491.2011.03287.xMcDonald TJ, et al. Islet autoantibodies can discriminate maturity-onset diabetes of the young (MODY) from Type 1 diabetes: Pancreatic autoantibodies can discriminate MODY from Type 1 diabetes // Diabet. Med. 2011. Vol. 28, № 9. P. 1028–1033. https://doi.org/10.1111/j.1464-5491.2011.03287.xСечко Е.А., Романенкова Е.М., Еремина И.А. и др. Роль специфических панкреатических антител в дифференциальной диагностике полной клинико-лабораторной ремиссии сахарного диабета 1 типа и MODY у детей // Сахарный диабет. 2022;25(5):449-457. https://doi.org/10.14341/DM12921Sechko EA, Romanenkova EM, Eremina IA, et al. The role of specific pancreatic antibodies in the differential diagnosis of complete clinical and laboratory remission of type 1 diabetes mellitus and MODY in children. Diabetes mellitus. 2022;25(5):449-457. (In Russ.)] https://doi.org/10.14341/DM12921Barker JM. Type 1 Diabetes-Associated Autoimmunity: Natural History, Genetic Associations, and Screening // J. Clin. Endocrinol. Metab. 2006. Vol. 91, № 4. P. 1210–1217. https://doi.org/10.1210/jc.2005-1679Barker JM. Type 1 Diabetes-Associated Autoimmunity: Natural History, Genetic Associations, and Screening // J. Clin. Endocrinol. Metab. 2006. Vol. 91, № 4. P. 1210–1217. https://doi.org/10.1210/jc.2005-1679

The authors declare that there are no conflicts of interest present.