Материалы доступны только для специалистов сферы здравоохранения.
Чтобы посмотреть материал полностью
Авторизуйтесь
или зарегистрируйтесь.
Нейросети в предиктивной диагностике когнитивных нарушений при сахарном диабете 1 и 2-го типа - Журнал Терапевтический архив №11 Инфекционные болезни 2021
Нейросети в предиктивной диагностике когнитивных нарушений при сахарном диабете 1 и 2-го типа
Самойлова Ю.Г., Матвеева М.В., Кудлай Д.А., Тонких О.С., Толмачев И.В. Нейросети в предиктивной диагностике когнитивных нарушений при сахарном диабете 1 и 2-го типа. Терапевтический архив. 2021;93(11):1349–1358. DOI: 10.26442/00403660.2021.11.201253
________________________________________________
Материалы доступны только для специалистов сферы здравоохранения.
Чтобы посмотреть материал полностью
Авторизуйтесь
или зарегистрируйтесь.
Аннотация
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 (p<0,001). 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.
Ключевые слова: нейросети, сахарный диабет 1 и 2-го типа, когнитивные нарушения
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 (p<0.001). 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.
Keywords: neural networks, type 1 and type 2 diabetes, cognitive impairment
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 (p<0,001). 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.
Ключевые слова: нейросети, сахарный диабет 1 и 2-го типа, когнитивные нарушения
________________________________________________
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 (p<0.001). 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.
Keywords: neural networks, type 1 and type 2 diabetes, cognitive impairment
Полный текст
Список литературы
1. Шарофова М.У., Сагдиева Ш.С., Юсуфи С.Д. Сахарный диабет: современное состояние вопроса (часть 1). Вестник Авиценны. 2019;21(3):502-12 [Sharofova MU, Sagdieva ShS, Jusufi SD. Diabetes mellitus: current status (part 1)]. Avicenna Bulletin. 2019;21(3):502-12 (in Russian)]. DOI:10.25005/2074-0581-2019-21-3-502-512
2. McCrimmon RJ, Ryan CM, Frier BM. Diabetes and cognitive dysfunction. Lancet. 2012;379:2291-9. DOI:10.1016/S0140-6736(12)60360-2
3. Kodl CT, Seaquist ER. Cognitive dysfunction and diabetes mellitus. Endocr Rev. 2008;29:494-511. DOI:10.1210/er.2007-0034
4. Brands AM, Biessels GJ, de Haan EH, et al. The effects of type 1 diabetes on cognitive performance: a meta-analysis. Diab Care. 2005;28:726-35. DOI:10.2337/diacare.28.3.726
5. Gaudieri PA. Cognitive function in children with type 1 diabetes: a meta-analysis. Diab Care. 2008;31:1892-7. DOI:10.2337/dc07-2132
6. Biessels GJ. Risk of dementia in diabetes mellitus: a systematic review. Lancet Neurol. 2006;5(1):64-74. DOI:10.1016/S1474-4422(05)70284-2
7. Van den Berg E, Kloppenborg RP, Kessels RPC, et al. Type 2 diabetes mellitus, hypertension, dyslipidemia and obesity: a systematic comparison of their impact on cognition. Biochim Biophys Acta. 2009;1792(5):470-81. DOI:10.1016/j.bbadis.2008.09.004
8. Palta P, Schneider ALC, Biessels GJ, et al. Magnitude of cognitive dysfunction in adults with type 2 diabetes: a meta-analysis of six cognitive domains and the most frequently reported neuropsychological tests within domains. J Intl Neuropsychol Soc. 2014;20:278-91. DOI:10.14412/2074-2711-2017-1-90-95
9. Bogush M, Heldt NA, Persidsky Y. Blood Brain Barrier Injury in Diabetes: Unrecognized Effects on Brain and Cognition. J Neuroimmune Pharmacol. 2017;12(4):593-601. DOI:10.1007/s11481-017-9752-7
10. Матвеева М.В., Самойлова Ю.Г., Жукова Н.Г., и др. Структурные и функциональные изменения головного мозга при сахарном диабете. Неврология, нейропсихиатрия, психосоматика. 2020;12(3):42‑6 [Matveeva MV, Samoilova YuG, Zhukova NG. Neurology, Neuropsychiatry, Psychosomatics. 2020;12(3):42-6 (in Russian)]. DOI:10.14412/2074-2711-2020-3-42-46
11. Moheet A, Mangia S, Seaquist ER. Impact of diabetes on cognitive function and brain structure. Ann N Y Acad Sci. 2015;1353:60-71. DOI:10.1111/nyas.12807
12. Wardlaw JM, Smith EE, Biessels GJ, et al; STandards for ReportIng Vascular changes on nEuroimaging (STRIVE v1). Neuroimaging standards for research into small vessel disease and its contribution to ageing and neurodegeneration. Lancet Neurol. 2013;12(8):822-38. DOI:10.1016/S1474-4422(13)70124-8
13. Biessels GJ, Reijmer YD. Brain changes underlying cognitive dysfunction in diabetes: what can we learn from MRI? Diabetes. 2014;63(7):2244-52. DOI:10.2337/db14-0348
14. Wang W, Wong L, Shi L, et al. Association of impaired fasting glucose and Type 2 Diabetes Mellitus with brain volume changes in Alzheimer's Disease patients analyzed by MRI: a retrospective study. Peer J. 2020;8:e9801. DOI:10.7717/peerj.9801
15. Mazaika PK, Weinzimer SA, Mauras N, et al.; Diabetes Research in Children Network (DirecNet). Variations in Brain Volume and Growth in Young Children With Type 1 Diabetes. Diabetes. 2016;65(2):476-85. DOI:10.2337/db15-1242
16. Климонтов В.В., Бериков В.Б., Сайк О.В. Искусственный интеллект в диабетологии. Сахарный диабет. 2021;24(2):156-66 [Klimontov VV, Berikov VB, Saik OV. Artificial intelligence in diabetology. Diabetes mellitus. 2021;24(2):156-66 (in Russian)]. DOI:10.14341/DM12665
17. Ellahham S. Artificial Intelligence: The Future for Diabetes Care. Am J Med. 2020;133(8):895-900. DOI:10.1016/j.amjmed.2020.03.033
18. Сосина В.Б., Захаров В.В., Строков И.А., Вахнина Н.В. Когнитивные нарушения при сахарном диабете. Неврология, нейропсихиатрия, психосоматика. 2017;9(1):90-5 [Sosina VB, Zakharov VV, Strokov IA, Vakhnina NV. Cognitive impairment in diabetes mellitus. Neurology, Neuropsychiatry, Psychosomatics. 2017;9(1):90-5 (in Russian)]. DOI:10.14412/2074-2711-2017-1-90-95
19. Arvanitakis Z, Wilson RS, Bienias JL, et al. Diabetes mellitus and risk of Alzheimer disease and decline in cognitive function. Arch Neurol. 2004;61(5):661-6. DOI:10.1001/archneur.61.5.661
20. Okereke O, Kang JH, Cook NR, et al. Cognitive decline in two large cohorts of communitydwelling older adults. J Am Geriatr Soc. 2008;56(6):1028-36. DOI:10.1111/j.1532-5415.2008.01686.x
21. Zhen J, Lin T, Huang X, et al. Association of ApoE Genetic Polymorphism and Type 2 Diabetes with Cognition in Non-Demented Aging Chinese Adults: A Community Based Cross-Sectional Study. Aging Dis. 2018;9(3):346-57. DOI:10.14336/AD.2017.0715
22. Jacobson AM, Paterson AD, Ryan CM, et al.; DCCT/EDIC Research Group. The associations of apolipoprotein E and angiotensin-converting enzyme polymorphisms and cognitive function in Type 1 diabetes based on an 18-year follow-up of the DCCT cohort. Diabet Med. 2010;27(1):15-22. DOI:10.1111/j.1464-5491.2009.02885.x
23. Самойлова Ю.Г., Ротканк М.А., Жукова Н.Г., и др. Вариабельность гликемии у пациентов с сахарным диабетом 1-го типа: связь с когнитивной дисфункцией и данными магнитно-резонансных методов исследования. Проблемы эндокринологии. 2018;64(5):286-91 [Samoilova YuG, Rotkank MA, Zhukova NG. Variability of glycemia in patients with type 1 diabetes mellitus: the relationship with cognitive dysfunction and the results of magnetic resonance imaging. Problems of Endocrinology. 2018;64(5):286-91 (in Russian)].
24. Самойлова Ю.Г., Ротканк М.А., Жукова Н.Г., и др. Маркеры когнитивных нарушений и вариабельность гликемии у пациентов с сахарным диабетом 1-го типа. Журнал неврологии и психиатрии им. С.С. Корсакова. 2018;118(4):48-51 [Samoilova Y.G., Rotkank M.A., Zhukova N.G., et al. Markers of cognitive impairment and glycemic variability in patients with type 1 diabetes mellitus. Journal of Neurology and Psychiatry named after S.S. Korsakov. 2018;118(4):48‑51 (in Russian)].
25. Rigla M, García-Sáez G, Pons B, Hernando ME. Artificial Intelligence Methodologies and Their Application to Diabetes. J Diabetes Sci Technol. 2018;12(2):303-10. DOI:10.1177/1932296817710475
26. Toth C. Diabetes and neurodegeneration in the brain. Handb Clin Neurol. 2014;126:489-511. DOI:10.1016/B978-0-444-53480-4.00035-7
27. Mayeda ER, Whitmer RA, Yaffe K. Diabetes and cognition. Clin Geriatr Med. 2015;31(1):101-ix. DOI:10.1016/j.cger.2014.08.021
28. Filip P, Canna A, Moheet A, et al. Structural Alterations in Deep Brain Structures in Type 1 Diabetes. Diabetes. 2020;69(11):2458-66. DOI:10.2337/db19-1100
2. McCrimmon RJ, Ryan CM, Frier BM. Diabetes and cognitive dysfunction. Lancet. 2012;379:2291-9. DOI:10.1016/S0140-6736(12)60360-2
3. Kodl CT, Seaquist ER. Cognitive dysfunction and diabetes mellitus. Endocr Rev. 2008;29:494-511. DOI:10.1210/er.2007-0034
4. Brands AM, Biessels GJ, de Haan EH, et al. The effects of type 1 diabetes on cognitive performance: a meta-analysis. Diab Care. 2005;28:726-35. DOI:10.2337/diacare.28.3.726
5. Gaudieri PA. Cognitive function in children with type 1 diabetes: a meta-analysis. Diab Care. 2008;31:1892-7. DOI:10.2337/dc07-2132
6. Biessels GJ. Risk of dementia in diabetes mellitus: a systematic review. Lancet Neurol. 2006;5(1):64-74. DOI:10.1016/S1474-4422(05)70284-2
7. Van den Berg E, Kloppenborg RP, Kessels RPC, et al. Type 2 diabetes mellitus, hypertension, dyslipidemia and obesity: a systematic comparison of their impact on cognition. Biochim Biophys Acta. 2009;1792(5):470-81. DOI:10.1016/j.bbadis.2008.09.004
8. Palta P, Schneider ALC, Biessels GJ, et al. Magnitude of cognitive dysfunction in adults with type 2 diabetes: a meta-analysis of six cognitive domains and the most frequently reported neuropsychological tests within domains. J Intl Neuropsychol Soc. 2014;20:278-91. DOI:10.14412/2074-2711-2017-1-90-95
9. Bogush M, Heldt NA, Persidsky Y. Blood Brain Barrier Injury in Diabetes: Unrecognized Effects on Brain and Cognition. J Neuroimmune Pharmacol. 2017;12(4):593-601. DOI:10.1007/s11481-017-9752-7
10. Matveeva MV, Samoilova YuG, Zhukova NG. Neurology, Neuropsychiatry, Psychosomatics. 2020;12(3):42-6 (in Russian). DOI:10.14412/2074-2711-2020-3-42-46
11. Moheet A, Mangia S, Seaquist ER. Impact of diabetes on cognitive function and brain structure. Ann N Y Acad Sci. 2015;1353:60-71. DOI:10.1111/nyas.12807
12. Wardlaw JM, Smith EE, Biessels GJ, et al; STandards for ReportIng Vascular changes on nEuroimaging (STRIVE v1). Neuroimaging standards for research into small vessel disease and its contribution to ageing and neurodegeneration. Lancet Neurol. 2013;12(8):822-38. DOI:10.1016/S1474-4422(13)70124-8
13. Biessels GJ, Reijmer YD. Brain changes underlying cognitive dysfunction in diabetes: what can we learn from MRI? Diabetes. 2014;63(7):2244-52. DOI:10.2337/db14-0348
14. Wang W, Wong L, Shi L, et al. Association of impaired fasting glucose and Type 2 Diabetes Mellitus with brain volume changes in Alzheimer's Disease patients analyzed by MRI: a retrospective study. Peer J. 2020;8:e9801. DOI:10.7717/peerj.9801
15. Mazaika PK, Weinzimer SA, Mauras N, et al.; Diabetes Research in Children Network (DirecNet). Variations in Brain Volume and Growth in Young Children With Type 1 Diabetes. Diabetes. 2016;65(2):476-85. DOI:10.2337/db15-1242
16. Klimontov VV, Berikov VB, Saik OV. Artificial intelligence in diabetology. Diabetes mellitus. 2021;24(2):156-66 (in Russian). DOI:10.14341/DM12665
17. Ellahham S. Artificial Intelligence: The Future for Diabetes Care. Am J Med. 2020;133(8):895-900. DOI:10.1016/j.amjmed.2020.03.033
18. Sosina VB, Zakharov VV, Strokov IA, Vakhnina NV. Cognitive impairment in diabetes mellitus. Neurology, Neuropsychiatry, Psychosomatics. 2017;9(1):90-5 (in Russian). DOI:10.14412/2074-2711-2017-1-90-95
19. Arvanitakis Z, Wilson RS, Bienias JL, et al. Diabetes mellitus and risk of Alzheimer disease and decline in cognitive function. Arch Neurol. 2004;61(5):661-6. DOI:10.1001/archneur.61.5.661
20. Okereke O, Kang JH, Cook NR, et al. Cognitive decline in two large cohorts of communitydwelling older adults. J Am Geriatr Soc. 2008;56(6):1028-36. DOI:10.1111/j.1532-5415.2008.01686.x
21. Zhen J, Lin T, Huang X, et al. Association of ApoE Genetic Polymorphism and Type 2 Diabetes with Cognition in Non-Demented Aging Chinese Adults: A Community Based Cross-Sectional Study. Aging Dis. 2018;9(3):346-57. DOI:10.14336/AD.2017.0715
22. Jacobson AM, Paterson AD, Ryan CM, et al.; DCCT/EDIC Research Group. The associations of apolipoprotein E and angiotensin-converting enzyme polymorphisms and cognitive function in Type 1 diabetes based on an 18-year follow-up of the DCCT cohort. Diabet Med. 2010;27(1):15-22. DOI:10.1111/j.1464-5491.2009.02885.x
23. Samoilova YuG, Rotkank MA, Zhukova NG. Variability of glycemia in patients with type 1 diabetes mellitus: the relationship with cognitive dysfunction and the results of magnetic resonance imaging. Problems of Endocrinology. 2018;64(5):286-91 (in Russian).
24. Samoilova Y.G., Rotkank M.A., Zhukova N.G., et al. Markers of cognitive impairment and glycemic variability in patients with type 1 diabetes mellitus. Journal of Neurology and Psychiatry named after S.S. Korsakov. 2018;118(4):48‑51 (in Russian).
25. Rigla M, García-Sáez G, Pons B, Hernando ME. Artificial Intelligence Methodologies and Their Application to Diabetes. J Diabetes Sci Technol. 2018;12(2):303-10. DOI:10.1177/1932296817710475
26. Toth C. Diabetes and neurodegeneration in the brain. Handb Clin Neurol. 2014;126:489-511. DOI:10.1016/B978-0-444-53480-4.00035-7
27. Mayeda ER, Whitmer RA, Yaffe K. Diabetes and cognition. Clin Geriatr Med. 2015;31(1):101-ix. DOI:10.1016/j.cger.2014.08.021
28. Filip P, Canna A, Moheet A, et al. Structural Alterations in Deep Brain Structures in Type 1 Diabetes. Diabetes. 2020;69(11):2458-66. DOI:10.2337/db19-1100
2. McCrimmon RJ, Ryan CM, Frier BM. Diabetes and cognitive dysfunction. Lancet. 2012;379:2291-9. DOI:10.1016/S0140-6736(12)60360-2
3. Kodl CT, Seaquist ER. Cognitive dysfunction and diabetes mellitus. Endocr Rev. 2008;29:494-511. DOI:10.1210/er.2007-0034
4. Brands AM, Biessels GJ, de Haan EH, et al. The effects of type 1 diabetes on cognitive performance: a meta-analysis. Diab Care. 2005;28:726-35. DOI:10.2337/diacare.28.3.726
5. Gaudieri PA. Cognitive function in children with type 1 diabetes: a meta-analysis. Diab Care. 2008;31:1892-7. DOI:10.2337/dc07-2132
6. Biessels GJ. Risk of dementia in diabetes mellitus: a systematic review. Lancet Neurol. 2006;5(1):64-74. DOI:10.1016/S1474-4422(05)70284-2
7. Van den Berg E, Kloppenborg RP, Kessels RPC, et al. Type 2 diabetes mellitus, hypertension, dyslipidemia and obesity: a systematic comparison of their impact on cognition. Biochim Biophys Acta. 2009;1792(5):470-81. DOI:10.1016/j.bbadis.2008.09.004
8. Palta P, Schneider ALC, Biessels GJ, et al. Magnitude of cognitive dysfunction in adults with type 2 diabetes: a meta-analysis of six cognitive domains and the most frequently reported neuropsychological tests within domains. J Intl Neuropsychol Soc. 2014;20:278-91. DOI:10.14412/2074-2711-2017-1-90-95
9. Bogush M, Heldt NA, Persidsky Y. Blood Brain Barrier Injury in Diabetes: Unrecognized Effects on Brain and Cognition. J Neuroimmune Pharmacol. 2017;12(4):593-601. DOI:10.1007/s11481-017-9752-7
10. Матвеева М.В., Самойлова Ю.Г., Жукова Н.Г., и др. Структурные и функциональные изменения головного мозга при сахарном диабете. Неврология, нейропсихиатрия, психосоматика. 2020;12(3):42‑6 [Matveeva MV, Samoilova YuG, Zhukova NG. Neurology, Neuropsychiatry, Psychosomatics. 2020;12(3):42-6 (in Russian)]. DOI:10.14412/2074-2711-2020-3-42-46
11. Moheet A, Mangia S, Seaquist ER. Impact of diabetes on cognitive function and brain structure. Ann N Y Acad Sci. 2015;1353:60-71. DOI:10.1111/nyas.12807
12. Wardlaw JM, Smith EE, Biessels GJ, et al; STandards for ReportIng Vascular changes on nEuroimaging (STRIVE v1). Neuroimaging standards for research into small vessel disease and its contribution to ageing and neurodegeneration. Lancet Neurol. 2013;12(8):822-38. DOI:10.1016/S1474-4422(13)70124-8
13. Biessels GJ, Reijmer YD. Brain changes underlying cognitive dysfunction in diabetes: what can we learn from MRI? Diabetes. 2014;63(7):2244-52. DOI:10.2337/db14-0348
14. Wang W, Wong L, Shi L, et al. Association of impaired fasting glucose and Type 2 Diabetes Mellitus with brain volume changes in Alzheimer's Disease patients analyzed by MRI: a retrospective study. Peer J. 2020;8:e9801. DOI:10.7717/peerj.9801
15. Mazaika PK, Weinzimer SA, Mauras N, et al.; Diabetes Research in Children Network (DirecNet). Variations in Brain Volume and Growth in Young Children With Type 1 Diabetes. Diabetes. 2016;65(2):476-85. DOI:10.2337/db15-1242
16. Климонтов В.В., Бериков В.Б., Сайк О.В. Искусственный интеллект в диабетологии. Сахарный диабет. 2021;24(2):156-66 [Klimontov VV, Berikov VB, Saik OV. Artificial intelligence in diabetology. Diabetes mellitus. 2021;24(2):156-66 (in Russian)]. DOI:10.14341/DM12665
17. Ellahham S. Artificial Intelligence: The Future for Diabetes Care. Am J Med. 2020;133(8):895-900. DOI:10.1016/j.amjmed.2020.03.033
18. Сосина В.Б., Захаров В.В., Строков И.А., Вахнина Н.В. Когнитивные нарушения при сахарном диабете. Неврология, нейропсихиатрия, психосоматика. 2017;9(1):90-5 [Sosina VB, Zakharov VV, Strokov IA, Vakhnina NV. Cognitive impairment in diabetes mellitus. Neurology, Neuropsychiatry, Psychosomatics. 2017;9(1):90-5 (in Russian)]. DOI:10.14412/2074-2711-2017-1-90-95
19. Arvanitakis Z, Wilson RS, Bienias JL, et al. Diabetes mellitus and risk of Alzheimer disease and decline in cognitive function. Arch Neurol. 2004;61(5):661-6. DOI:10.1001/archneur.61.5.661
20. Okereke O, Kang JH, Cook NR, et al. Cognitive decline in two large cohorts of communitydwelling older adults. J Am Geriatr Soc. 2008;56(6):1028-36. DOI:10.1111/j.1532-5415.2008.01686.x
21. Zhen J, Lin T, Huang X, et al. Association of ApoE Genetic Polymorphism and Type 2 Diabetes with Cognition in Non-Demented Aging Chinese Adults: A Community Based Cross-Sectional Study. Aging Dis. 2018;9(3):346-57. DOI:10.14336/AD.2017.0715
22. Jacobson AM, Paterson AD, Ryan CM, et al.; DCCT/EDIC Research Group. The associations of apolipoprotein E and angiotensin-converting enzyme polymorphisms and cognitive function in Type 1 diabetes based on an 18-year follow-up of the DCCT cohort. Diabet Med. 2010;27(1):15-22. DOI:10.1111/j.1464-5491.2009.02885.x
23. Самойлова Ю.Г., Ротканк М.А., Жукова Н.Г., и др. Вариабельность гликемии у пациентов с сахарным диабетом 1-го типа: связь с когнитивной дисфункцией и данными магнитно-резонансных методов исследования. Проблемы эндокринологии. 2018;64(5):286-91 [Samoilova YuG, Rotkank MA, Zhukova NG. Variability of glycemia in patients with type 1 diabetes mellitus: the relationship with cognitive dysfunction and the results of magnetic resonance imaging. Problems of Endocrinology. 2018;64(5):286-91 (in Russian)].
24. Самойлова Ю.Г., Ротканк М.А., Жукова Н.Г., и др. Маркеры когнитивных нарушений и вариабельность гликемии у пациентов с сахарным диабетом 1-го типа. Журнал неврологии и психиатрии им. С.С. Корсакова. 2018;118(4):48-51 [Samoilova Y.G., Rotkank M.A., Zhukova N.G., et al. Markers of cognitive impairment and glycemic variability in patients with type 1 diabetes mellitus. Journal of Neurology and Psychiatry named after S.S. Korsakov. 2018;118(4):48‑51 (in Russian)].
25. Rigla M, García-Sáez G, Pons B, Hernando ME. Artificial Intelligence Methodologies and Their Application to Diabetes. J Diabetes Sci Technol. 2018;12(2):303-10. DOI:10.1177/1932296817710475
26. Toth C. Diabetes and neurodegeneration in the brain. Handb Clin Neurol. 2014;126:489-511. DOI:10.1016/B978-0-444-53480-4.00035-7
27. Mayeda ER, Whitmer RA, Yaffe K. Diabetes and cognition. Clin Geriatr Med. 2015;31(1):101-ix. DOI:10.1016/j.cger.2014.08.021
28. Filip P, Canna A, Moheet A, et al. Structural Alterations in Deep Brain Structures in Type 1 Diabetes. Diabetes. 2020;69(11):2458-66. DOI:10.2337/db19-1100
________________________________________________
2. McCrimmon RJ, Ryan CM, Frier BM. Diabetes and cognitive dysfunction. Lancet. 2012;379:2291-9. DOI:10.1016/S0140-6736(12)60360-2
3. Kodl CT, Seaquist ER. Cognitive dysfunction and diabetes mellitus. Endocr Rev. 2008;29:494-511. DOI:10.1210/er.2007-0034
4. Brands AM, Biessels GJ, de Haan EH, et al. The effects of type 1 diabetes on cognitive performance: a meta-analysis. Diab Care. 2005;28:726-35. DOI:10.2337/diacare.28.3.726
5. Gaudieri PA. Cognitive function in children with type 1 diabetes: a meta-analysis. Diab Care. 2008;31:1892-7. DOI:10.2337/dc07-2132
6. Biessels GJ. Risk of dementia in diabetes mellitus: a systematic review. Lancet Neurol. 2006;5(1):64-74. DOI:10.1016/S1474-4422(05)70284-2
7. Van den Berg E, Kloppenborg RP, Kessels RPC, et al. Type 2 diabetes mellitus, hypertension, dyslipidemia and obesity: a systematic comparison of their impact on cognition. Biochim Biophys Acta. 2009;1792(5):470-81. DOI:10.1016/j.bbadis.2008.09.004
8. Palta P, Schneider ALC, Biessels GJ, et al. Magnitude of cognitive dysfunction in adults with type 2 diabetes: a meta-analysis of six cognitive domains and the most frequently reported neuropsychological tests within domains. J Intl Neuropsychol Soc. 2014;20:278-91. DOI:10.14412/2074-2711-2017-1-90-95
9. Bogush M, Heldt NA, Persidsky Y. Blood Brain Barrier Injury in Diabetes: Unrecognized Effects on Brain and Cognition. J Neuroimmune Pharmacol. 2017;12(4):593-601. DOI:10.1007/s11481-017-9752-7
10. Matveeva MV, Samoilova YuG, Zhukova NG. Neurology, Neuropsychiatry, Psychosomatics. 2020;12(3):42-6 (in Russian). DOI:10.14412/2074-2711-2020-3-42-46
11. Moheet A, Mangia S, Seaquist ER. Impact of diabetes on cognitive function and brain structure. Ann N Y Acad Sci. 2015;1353:60-71. DOI:10.1111/nyas.12807
12. Wardlaw JM, Smith EE, Biessels GJ, et al; STandards for ReportIng Vascular changes on nEuroimaging (STRIVE v1). Neuroimaging standards for research into small vessel disease and its contribution to ageing and neurodegeneration. Lancet Neurol. 2013;12(8):822-38. DOI:10.1016/S1474-4422(13)70124-8
13. Biessels GJ, Reijmer YD. Brain changes underlying cognitive dysfunction in diabetes: what can we learn from MRI? Diabetes. 2014;63(7):2244-52. DOI:10.2337/db14-0348
14. Wang W, Wong L, Shi L, et al. Association of impaired fasting glucose and Type 2 Diabetes Mellitus with brain volume changes in Alzheimer's Disease patients analyzed by MRI: a retrospective study. Peer J. 2020;8:e9801. DOI:10.7717/peerj.9801
15. Mazaika PK, Weinzimer SA, Mauras N, et al.; Diabetes Research in Children Network (DirecNet). Variations in Brain Volume and Growth in Young Children With Type 1 Diabetes. Diabetes. 2016;65(2):476-85. DOI:10.2337/db15-1242
16. Klimontov VV, Berikov VB, Saik OV. Artificial intelligence in diabetology. Diabetes mellitus. 2021;24(2):156-66 (in Russian). DOI:10.14341/DM12665
17. Ellahham S. Artificial Intelligence: The Future for Diabetes Care. Am J Med. 2020;133(8):895-900. DOI:10.1016/j.amjmed.2020.03.033
18. Sosina VB, Zakharov VV, Strokov IA, Vakhnina NV. Cognitive impairment in diabetes mellitus. Neurology, Neuropsychiatry, Psychosomatics. 2017;9(1):90-5 (in Russian). DOI:10.14412/2074-2711-2017-1-90-95
19. Arvanitakis Z, Wilson RS, Bienias JL, et al. Diabetes mellitus and risk of Alzheimer disease and decline in cognitive function. Arch Neurol. 2004;61(5):661-6. DOI:10.1001/archneur.61.5.661
20. Okereke O, Kang JH, Cook NR, et al. Cognitive decline in two large cohorts of communitydwelling older adults. J Am Geriatr Soc. 2008;56(6):1028-36. DOI:10.1111/j.1532-5415.2008.01686.x
21. Zhen J, Lin T, Huang X, et al. Association of ApoE Genetic Polymorphism and Type 2 Diabetes with Cognition in Non-Demented Aging Chinese Adults: A Community Based Cross-Sectional Study. Aging Dis. 2018;9(3):346-57. DOI:10.14336/AD.2017.0715
22. Jacobson AM, Paterson AD, Ryan CM, et al.; DCCT/EDIC Research Group. The associations of apolipoprotein E and angiotensin-converting enzyme polymorphisms and cognitive function in Type 1 diabetes based on an 18-year follow-up of the DCCT cohort. Diabet Med. 2010;27(1):15-22. DOI:10.1111/j.1464-5491.2009.02885.x
23. Samoilova YuG, Rotkank MA, Zhukova NG. Variability of glycemia in patients with type 1 diabetes mellitus: the relationship with cognitive dysfunction and the results of magnetic resonance imaging. Problems of Endocrinology. 2018;64(5):286-91 (in Russian).
24. Samoilova Y.G., Rotkank M.A., Zhukova N.G., et al. Markers of cognitive impairment and glycemic variability in patients with type 1 diabetes mellitus. Journal of Neurology and Psychiatry named after S.S. Korsakov. 2018;118(4):48‑51 (in Russian).
25. Rigla M, García-Sáez G, Pons B, Hernando ME. Artificial Intelligence Methodologies and Their Application to Diabetes. J Diabetes Sci Technol. 2018;12(2):303-10. DOI:10.1177/1932296817710475
26. Toth C. Diabetes and neurodegeneration in the brain. Handb Clin Neurol. 2014;126:489-511. DOI:10.1016/B978-0-444-53480-4.00035-7
27. Mayeda ER, Whitmer RA, Yaffe K. Diabetes and cognition. Clin Geriatr Med. 2015;31(1):101-ix. DOI:10.1016/j.cger.2014.08.021
28. Filip P, Canna A, Moheet A, et al. Structural Alterations in Deep Brain Structures in Type 1 Diabetes. Diabetes. 2020;69(11):2458-66. DOI:10.2337/db19-1100
Авторы
Ю.Г. Самойлова1, М.В. Матвеева*1, Д.А. Кудлай2,3, О.С. Тонких1, И.В. Толмачев1
1 ФГБОУ ВО «Сибирский государственный медицинский университет» Минздрава России, Томск, Россия;
2 ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский Университет), Москва, Россия;
3 ФГБУ «Государственный научный центр “Институт иммунологии”» ФМБА России, Москва, Россия
*matveeva.mariia@yandex.ru
1 Siberian State Medical University, Tomsk, Russia;
2 Sechenov First Moscow State Medical University (Sechenov University), Moscow, Russia;
3 National Research Center – Institute of Immunology, Moscow, Russia
*matveeva.mariia@yandex.ru
1 ФГБОУ ВО «Сибирский государственный медицинский университет» Минздрава России, Томск, Россия;
2 ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский Университет), Москва, Россия;
3 ФГБУ «Государственный научный центр “Институт иммунологии”» ФМБА России, Москва, Россия
*matveeva.mariia@yandex.ru
________________________________________________
1 Siberian State Medical University, Tomsk, Russia;
2 Sechenov First Moscow State Medical University (Sechenov University), Moscow, Russia;
3 National Research Center – Institute of Immunology, Moscow, Russia
*matveeva.mariia@yandex.ru
Цель портала OmniDoctor – предоставление профессиональной информации врачам, провизорам и фармацевтам.