Mahlzeit- und Schlaf -Timing -Spiele -Schlüsselrollen bei der Verhinderung von Diabetes

Wenn Sie essen, sich bewegen und schlafen, können Sie so wichtig sind wie das, was Sie tun, diese Studie enthüllt, wie das Timing der täglichen Gewohnheiten Ihr Risiko für Typ -2 -Diabetes beeinflusst und die Türen für eine wirklich personalisierte Prävention öffnet.
In einer kürzlich im Journal veröffentlichten Studie NPJ DigitalmedizinDie Forscher untersuchten den Zusammenhang zwischen dem gewohnheitsmäßigen Verhalten des Lebensstils und der Stoffwechselphysiologie bei Personen, bei denen das Risiko von Diabetes Typ -2 (T2D) ausgesetzt ist.
Die T2D -Inzidenz steigt weltweit weiter und betrifft weltweit 589 Millionen Erwachsene und 38 Millionen Menschen in den USA (USA). Darüber hinaus haben 88 Millionen Erwachsene in den USA Prädiabetes, wobei 70% voraussichtlich innerhalb von vier Jahren T2D entwickeln werden. Die Verhinderung dieses Übergangs bleibt daher eine wichtige Priorität der öffentlichen Gesundheit. Studien deuten darauf hin, dass die Änderung des Lebensstils ein robustes Mittel zur Verwaltung und Vorbeugung von T2D ist.
Ernährung, körperliche Aktivität und Schlaf sind ein zentrales veränderbares Verhalten des Lebensstils, die für die metabolische Gesundheit von wesentlicher Bedeutung sind. Darüber hinaus deuten wachsende Nachweise enge Interaktionen zwischen dem zirkadianen Uhrensystem und dem Verhalten des Lebensstils nahe. Schlafentzug wirkt sich nachteilig auf den Glukosespiegel aus, und die zirkadiane Desynchronisation aufgrund von verwandtem Lebensstilverhalten könnte die physiologischen Reaktionen beeinträchtigen und die T2D -Risiken erhöhen.
Die Studie und die Ergebnisse
Die vorliegende Studie untersuchte die Beziehung zwischen dem gewohnheitsmäßigen Verhalten des Lebensstils und der Stoffwechselphysiologie bei Menschen, die für T2D gefährdet sind. Es wurden zwei Kohorten eingeschlossen; 36 gesunde Erwachsene wurden in die primäre Kohorte aufgenommen, und 10 Personen wurden in die unabhängige Validierungskohorte aufgenommen. In der primären Kohorte wurden 16 und 20 Personen in Normoglykämie- und Prädiabetes/T2D -Gruppen eingeteilt, basierend auf glykierten Hämoglobin (HbA1c) -Pegeln.
Die Daten des gewohnheitsmäßigen Lebensstils wurden mithilfe von Digital Health Technologies in Echtzeit gesammelt. Die Nahrungsaufnahme wurde mit einer Echtzeit-Lebensmittel-Tracking-App protokolliert. Daten zu körperlicher Aktivität und Schlaf wurden unter Verwendung eines Fitbit -Ionic -Bandes gesammelt, obwohl diese Daten aufgrund eines Produktrückrufs während des Untersuchungszeitraums nur für 24 der 36 Teilnehmer verfügbar waren. Die kontinuierliche Glukoseüberwachung (CGM) wurde unter Verwendung eines Dexcom G4 -CGM -Geräts durchgeführt. Ein oraler Glukose -Toleranztest (OGTT), ein isoglykämischer intravenöser Glukoseinfusionstest und ein Insulinunterdrückungstest wurden durchgeführt.
Diese Tests ergaben die metabolischen Subphenotypen der Teilnehmer wie Inkretinfunktion, Insulinresistenz und Beta-Zell-Dysfunktion. Die Prädiabetes/T2D-Gruppe hatte eine signifikant höhere Sensor-Glucose (aus CGM), eine Sensor-Glucose-Variation und verbrachte mehr Zeit im hyperglykämischen Bereich als die Normoglykämie-Gruppe.
Die Timing -Profile der Mahlzeiten wurden durch Schichten von Lebensmitteln und Getränkeaufnahme in sechs Zeiträume bestimmt, was die wichtigsten Aufnahmezeiten der Lebensmittel widerspiegelt. Die Teilnehmer zeigten eine hohe interindividuelle Variabilität der Mahlzeiten -Timing -Muster. Eine Hauptkomponentenanalyse basierend auf den Mahlzeiten -Timing -Merkmalen hat die Kohorte durch ihre Hba1c -Werte in zwei Cluster eingereicht.
Personen mit erhöhtem HbA1c hatten eine geringere Energieaufnahme aus den Mahlzeiten, die zwischen 14:00 und 17:00 Uhr konsumiert wurden, und eine höhere Energieaufnahme aus den Mahlzeiten, die zwischen 17:00 und 21:00 Uhr konsumiert wurden als diejenigen mit niedrigerem HBA1c. Zusätzlich wurde die Kohorte durch Inkretinfunktion geclustert, und Personen mit verringerter Inkretinfunktion zeigten während der 11: 00–14: 00 und 17: 00–21: 00 Stunden Zeiträume und niedrigere Energieeinlass während der 14: 00–17: 00 und 21: 00–5: 00 Stunden Zeiträume.
Assoziationen zwischen Schlaf, körperliche Aktivität, Ernährungsmerkmale sowie CGM- und Stoffwechselergebnisse wurden unter Verwendung des am wenigsten absoluten Schrumpfungs- und Auswahloperators (LASSO) in Kombination mit Regressionsmodellen bewertet. Die Energieaufnahme aus den Mahlzeiten zwischen 14:00 und 17:00 Stunden war umgekehrt mit dem Fastenplasma -Glukose (FPG) verbunden.
Eine höhere Energieaufnahme aus den Mahlzeiten während 17: 00–21: 00 Stunden war mit mehr Zeit in Hyperglykämie, weniger Zeit im Zielglukosebereich und einer höheren mittleren Glukosespiegel am nächsten Tag verbunden. Insbesondere waren diese Assoziationen nicht auf Unterschiede in der gesamten täglichen Kalorienaufnahme zurückzuführen, was zwischen den Gruppen ähnlich war, was darauf hindeutet, dass der Zeitpunkt der Mahlzeiten selbst ein Schlüsselfaktor war. Eine höhere Aufnahme von Kohlenhydraten aus nicht-starchie-Gemüse war mit einem verringerten mittleren Glukose am nächsten Tag verbunden, während das aus stärkehaltige Gemüse mit höherem FPG und HbA1c zusammenhängt.
Darüber hinaus war eine größere Variabilität der Schlafeffizienz mit höheren Nachtglukosespiegeln, einem höheren mittleren Glukosespiegel am nächsten Tag und einer längeren Dauer im Nachthyperglykämischen Reichweite verbunden. Darüber hinaus war eine höhere Variabilität der Weckdauer nach dem Einsetzen des Schlafes mit einem höheren zweistündigen OGTT-Glucose verbunden. Eine frühere Weckzeit war mit niedrigeren Inkretin-Effekten zusammenhängen. Eine längere sitzende Dauer während des Tages war mit mehr Zeit in der Hyperglykämie in Verbindung gebracht.
Eine höhere Schrittdichte nach der letzten Mahlzeit war mit weniger Zeit bei der Nachthyperglykämie verbunden. Die zwischen 8:00 und 11:00 Stunden unternommenen Schritte waren mit einem niedrigeren Glukosespiegel am nächsten Tag in der Insulinresistenten (IR) -Gruppe verbunden. Die Schritte zwischen 00:00 und 5:00 Stunden korrelierten für die nächsten 48 Stunden in den IR- und Insulin-sensitiven (IS) -Gruppen positiv mit höherer Glukose. Schritte zwischen 14:00 und 17:00 Stunden zeigten eine negative Korrelation mit den CGM -Werten in den nächsten 48 Stunden in der IS -Gruppe.
Als nächstes führte das Team eine permutierte Korrelationsnetzwerkanalyse zwischen Schlaf-, körperlichen Aktivitäts- und Ernährungsmerkmalen durch, wobei alle Lebensstilfaktoren zeitlich angepasst wurden. Diese Analyse zeigte signifikante Korrelationen zwischen Lebensstilfaktoren. Eine höhere Reisaufnahme war mit einer längeren Schlaflatenz und einer verminderten Schlafeffizienz verbunden, während eine höhere Hülsenfischaufnahme mit einer längeren Gesamtschlafdauer und einer kürzeren Latenz verbunden war.
Zusätzlich korrelierten eine höhere Aufnahme von Früchten, Kalium und Ballaststoffen mit längeren Schlafdauern. Längere Fastenfenster und höhere Energieaufnahme aus den Mahlzeiten zwischen 8:00 und 11:00 Stunden waren mit längeren Schlafzeiten korreliert. Darüber hinaus baute das Team integrierte Modelle für maschinelles Lernen von Lifestyle-maschinellem Lernen auf, um metabolische Subphenotypen auf der Grundlage des demografischen und Lebensstildaten vorherzusagen.
Eine höhere Kohlenhydrataufnahme aus Süßigkeiten und stärkehaltigem Gemüse sowie eine erhöhte Energieaufnahme während 17: 00–21: 00 Stunden war mit Prädiabetes und höheren HbA1c -Spiegeln verbunden. Im Gegensatz dazu war eine höhere Kohlenhydrataufnahme aus Früchten mit Normoglykämie verbunden. Das ältere Alter, eine höhere Kohlenhydrataufnahme aus Nudeln und Nudeln, eine erhöhte Proteinaufnahme und eine höhere Energieaufnahme zwischen 17:00 und 21:00 Stunden waren die Inkretin -Dysfunktion vorhersagen. Eine längere Übungsdauer prognostizierte eine normale Beta-Zell-Funktion.
Schließlich bewertete das Team die Reproduzierbarkeit von Vorhersagemodellen unter Verwendung der unabhängigen Validierungskohorte und konzentrierte sich auf die Inkretinfunktion, da andere metabolische Subphenotypen stark verzerrt waren. Diese Kohorte wurde auch kontinuierlicher Lebensstilüberwachungs- und Stoffwechseltests unterzogen. Die Anwendung des Vorhersagemodells auf diese Kohorte ergab eine Genauigkeit von 80% mit einem Fehlklassifizierungsfehler von 0,2, was auf eine robuste und konsistente Vorhersageleistung hinweg in Kohorten hinweist.
Es ist wichtig zu beachten, dass die Autoren der Studie einige Einschränkungen anerkennen. Dazu gehören die bescheidene Stichprobengröße und die Beobachtung der Daten, was bedeutet, dass die Ergebnisse eher starke Assoziationen als direkte Ursachen zeigen. Die Forschung wurde auch in einem einzigen geografischen Gebiet durchgeführt, was darauf hinweist, dass in Zukunft vielfältigere Populationen untersucht werden sollten.
Schlussfolgerungen
Zusammenfassend lieferten die Ergebnisse eine einzigartige Charakterisierung, wie sich gewohnheitsmäßige Lebensstilmuster mit der metabolischen Anfälligkeit für Typ -2 -Diabetes (T2D) zusammenhängen. Das Timing der gewohnheitsmäßigen Mahlzeit war mit Insulinresistenz, niedrigerer Inkretinfunktion und Hyperglykämie verbunden. Der unregelmäßige Schlafsteuer und Effizienz war mit höheren Glukosespiegeln und IR verbunden. Entscheidend ist, dass die Studie ergab, dass der optimale Zeitpunkt für körperliche Aktivität vom Stoffwechselprofil einer Person abhängen kann, wobei die morgendliche Aktivität für Personen, die insulinresistenter und am Nachmittagsaktivität für diejenigen, die insulinempfindlich sind, vorteilhafter sind. Insgesamt zeigen die Ergebnisse neuartige physiologische Verbindungen zwischen dem Verhalten des Lebensstils und dem Stoffwechselrisiko, wodurch die Entwicklung personalisierter Lebensstilveränderungen und Präventionsstrategien für die Prävention von Präzision zur Prävention von Typ -2 -Diabetes informiert werden.
Quellen:
- Park H, Metwally AA, Delfarah A, et al. High-resolution lifestyle profiling and metabolic subphenotypes of type 2 diabetes. npj Digital Medicine, 2025, DOI: 10.1038/s41746-025-01728-6, https://www.nature.com/articles/s41746-025-01728-6