Background: Cognitive dysfunction, including mild cognitive impairment and dementia, is increasingly recognized as a serious complication of diabetes mellitus (DM) that affects patient well-being and disease management. Magnetic resonance imaging (MRI)-studies have shown varying degrees of cortical atrophy, cerebral infarcts, and deep white matter lesions. To explain the relationship between DM and cognitive decline, several hypotheses have been proposed, based on the variability of glycemia leading to morphometric changes in the brain. The ability to predict cognitive decline even before its clinical development will allow the early prevention of this pathology, as well as to predict the course of the existing pathology and to adjust medication regimens.
Aim: To create a computer neural network model for predicting the development of cognitive impairment in DM on the basis of brain neuroimaging techniques.
Materials and methods: The study was performed in accordance with the standards of good clinical practice; the protocol was approved by the Ethics Committee. The study included 85 patients with type 1 diabetes and 95 patients with type 2 diabetes, who were divided into a group of patients with normal cognitive function and a group with cognitive impairment. The patient groups were comparable in age and duration of disease. Cognitive impairment was screened using the Montreal Cognitive Assessment Scale. Data for glycemic variability were obtained using continuous glucose monitoring (iPro2, Libre). A standard MRI scan of the brain was performed axially, sagittally, and coronally on a Signa Creator E, GE Healthcare, 1.5 Tesla, China. For MRI data processing we used Free Surfer program (USA) for analysis and visualization of structural and functional neuroimaging data from cross-sectional or longitudinal studies, and for segmentation we used Recon-all batch program directly. All statistical analyses and data processing were performed using Statistica Statsofi software (version 10) on Windows 7/XP Pro operating systems. The IBM WATSON cognitive system was used to build a neural network model.
Results: As a result of the study, cognitive impairment in DM type 1was predominantly of mild degree 36.9% (n=24) and moderate degree 30.76% (n=20), and in DM type 2 mild degree 37% (n=30), moderate degree 49.4% (n=40) and severe degree 13.6% (n=11). Cognitive functions in DM type 1 were impaired in memory and attention, whereas in DM type 2 they were also impaired in tasks of visual-constructive skills, fluency, and abstraction (p0.001). The analysis revealed differences in glycemic variability indices in patients with type 1 and type 2 DM and cognitive impairment. Standard MRI of the brain recorded the presence of white and gray matter changes (gliosis and leukoareosis). General and regional cerebral atrophy is characteristic of type 1 and type 2 DM, which is associated with dysglycemia. When building neural network models for type 1 diabetes, the parameters of decreased volumes of the brain regions determine the development of cognitive impairment by 93.5%, whereas additionally, the coefficients of glycemic variability by 98.5%. The same peculiarity was revealed in type 2 DM 95.3% and 97.9%, respectively.
Conclusion: In DM type 1 and type 2 with cognitive impairment, elevated coefficients of glycemic variability are more frequently recorded. This publication describes laboratory and instrumental parameters as potential diagnostic options for effective management of DM and prevention of cognitive impairment. Neural network models using glycemic variability coefficients and MR morphometry allow for predictive diagnosis of cognitive disorders in both types of diabetes.
Обоснование. Когнитивная дисфункция, включая легкие когнитивные нарушения и деменцию, все чаще признается серьезным осложнением сахарного диабета (СД), которое влияет на самочувствие пациента и управление заболеванием. Исследования методом магнитно-резонансной томографии (МРТ) показали различную степень атрофии коры головного мозга (ГМ), церебральные инфаркты и глубокие поражения белого вещества. Для объяснения взаимосвязи между СД и снижением когнитивных функций выдвинуто несколько гипотез, в основе которых вариабельность гликемии, приводящая к морфометрическим изменениям ГМ. Возможность прогнозирования снижения когнитивных функций еще до его клинического развития позволит проводить раннюю профилактику данной патологии, а также прогнозировать течение уже имеющейся патологии и корректировать медикаментозные схемы лечения. Цель. Создание компьютерной нейросетевой модели прогнозирования развития когнитивных нарушений при СД на основе методов нейровизуализации ГМ. Материалы и методы. Исследование выполнено в соответствии со стандартами надлежащей клинической практики, протокол одобрен этическим комитетом. В исследование включены 85 пациентов с СД 1-го типа (СД 1) и 95 пациентов с СД 2-го типа (СД 2), которых разделили на группу пациентов, имеющих нормальные когнитивные функции, и группу с когнитивными нарушениями. Группы пациентов сопоставимы по возрасту и длительности заболевания. Скрининг когнитивных расстройств проводили с помощью Монреальской шкалы оценки когнитивных функций. Данные для оценки вариабельности гликемии получали с помощью непрерывного мониторирования уровня глюкозы (iPro2, Libre). Стандартное МРТ-исследование ГМ проводили в аксиальной, сагиттальной и корональной проекциях на аппарате Signa Creator Е фирмы GE Healthcare, 1,5 Тл, Китай. Для обработки данных МРТ использовали программу Free Surfer (США) для анализа и визуализации структурных и функциональных данных нейровизуализации от поперечного сечения или продольных исследований, а для сегментации непосредственно пакетную программу Recon-all. Все статистические анализы и обработка данных проводились с использованием программного обеспечения Statistica Statsofi (версия 10) на операционных системах Windows 7/XP Pro. Для построения нейросетовой модели применяли когнитивную систему IBM WATSON. Результаты. В результате исследования при СД 1 когнитивные нарушения представлены преимущественно в виде легкой 36,9% (n=24) и средней степени 30,76% (n=20), а при СД 2 легкой 37% (n=30), средней 49,4% (n=40) и тяжелой степени 13,6% (n=11). Когнитивные функции при СД 1 снижены по параметрам памяти и внимания, тогда как при СД 2 это прослеживается еще и в заданиях на зрительно-конструктивные навыки, беглость речи, абстракцию (p0,001). В ходе анализа у пациентов с СД 1 и 2 и когнитивными нарушениями выявлены различия индексов вариабельности гликемии. При проведении стандартной МРТ ГМ зарегистрировали наличие изменения белого и серого вещества (глиоза и лейкоареоза). Для СД 1 и 2 свойственна общая и региональная атрофия ГМ, которая ассоциирована с дисгликемий. При построении нейросетевых моделей для СД 1 параметры уменьшения объемов областей ГМ определяют развитие когнитивных нарушений на 93,5%, тогда как дополнительно коэффициенты вариабельности гликемии на 98,5%. Такая же особенность выявлена при СД 2 95,3 и 97,9% соответственно. Заключение. При СД 1 и 2 с когнитивными нарушениями чаще регистрируются повышенные коэффициенты вариабельности гликемии. В данной публикации описываются лабораторные и инструментальные параметры как потенциальные диагностические возможности эффективного управления СД и профилактики когнитивных нарушений. Нейросетевые модели с использованием коэффициентов вариабельности гликемии и магнитно-резонансной морфометрии позволяют осуществлять предиктивную диагностику когнитивных нарушений при обоих типах СД.
Keywords: cognitive impairment; neural networks; type 1 and type 2 diabetes.