Estimation non invasive du glucose interstitiel à l'aide d'objets connectés et d'apprentissage automatique chez des individus sains et des individus obèses : étude de cohorte observationnelle

Contexte et objectif : L'étude porte sur l'estimation non invasive de la glycémie interstitielle à l'aide de capteurs portables et d'algorithmes d'apprentissage automatique, avec un capteur de glucose en continu invasif (Abbott FreeStyle Libre 3) comme référence. La population comprend 74 participants, dont 34 contrôles sains (âge moyen 24,53 ans, ET 3,68 ; IMC moyen 22,36 kg/m², ET 2,16) et 40 individus à risque métabolique (âge moyen 55,38 ans, ET 15,08 ; IMC moyen 35,38 kg/m², ET 4,91 ; glycémie à jeun moyenne 107,56 mg/dL, ET 19,26 ; HbA1c moyen 5,67 %, ET 0,63 % ; HOMA-IR moyen 4,34, ET 3,49). Le suivi a duré 2 semaines en environnement réel. Méthodes documentées : Les participants ont porté en continu deux dispositifs de capteurs non invasifs : un bracelet scientifique Empatica EmbracePlus et une montre connectée Fitbit Sense 2. La mesure de résultat repose sur la glycémie interstitielle de référence obtenue par le capteur invasif Abbott FreeStyle Libre 3, avec évaluation de la performance par erreur quadratique moyenne et grille d'erreur de Clarke. La population est décrite avec des caractéristiques démographiques et métaboliques détaillées. Résultats principaux : Le réseau LSTM basé sur des vecteurs de caractéristiques a obtenu la meilleure performance de prédiction de la glycémie interstitielle, avec une RMSE moyenne de 21,04 mg/dL (ET 8,32). Le pourcentage de prédictions dans les zones A et B de la grille d'erreur de Clarke était de 98,3 %. À partir des données de la montre connectée Fitbit Sense 2, la RMSE moyenne était de 23,49 mg/dL (ET 11,46) pour la cohorte globale. Critères méthodologiques non rapportés : Le résumé ne décrit aucun ajustement pour des facteurs de confusion potentiels dans l'analyse de la performance de prédiction ; cette information est non rapportée dans la source analysée. De même, le résumé ne mentionne ni la quantité de données manquantes ni la méthode de gestion des données manquantes ; ces informations sont non rapportées dans la source analysée. Ces éléments ne constituent pas la preuve que ces méthodes n'ont pas été appliquées, mais qu'elles ne sont pas documentées dans le résumé analysé. Limites et généralisabilité : Les auteurs indiquent que la validation dans des cohortes plus larges et plus diverses est nécessaire ; l'étude est observationnelle et non interventionnelle. Les résultats peuvent ne pas être généralisables à d'autres populations, groupes d'âge ou conditions cliniques ; la cohorte était composée de contrôles sains et d'individus obèses, et l'étude a été menée sur une courte période de 2 semaines. Les auteurs concluent que l'approche représente une étape prometteuse vers une surveillance glycémique personnalisée accessible ; l'analyse NeuroWatch note que cette conclusion peut dépasser les résultats observationnels à court terme, car l'étude n'a pas évalué d'améliorations cliniques à long terme ni l'efficacité dans la gestion du poids ou la prévention des maladies métaboliques. Informations non déterminables : Le financement et les conflits d'intérêts ne sont pas rapportés dans la source analysée. Aucune incohérence numérique majeure n'a été détectée. La robustesse et la confiance de l'analyse sont indéterminées et faibles, respectivement, en raison de la nécessité du texte intégral pour une évaluation complète. L'analyse est automatisée et repose uniquement sur le résumé de la publication, ce qui limite l'évaluation de plusieurs critères méthodologiques.

Cette analyse est produite automatiquement par une IA à partir des sources indiquées, puis l’appréciation est calculée avec des règles versionnées (scientific_analysis_v2). Elle ne constitue ni une validation par un professionnel ni une recommandation clinique. Consulter la méthodologie.