Hétérogénéité du diabète de type 2 : avancées vers la médecine de précision

Abstract

Le diabète de type 2 (DT2) affecte actuellement plus de 537 millions de personnes dans le monde et sa prévalence continue de croître à un rythme alarmant. Le DT2 est une maladie hétérogène dont il n’existe pas de marqueur biologique étiologique. La prise en charge du DT2 nécessite des stratégies de caractérisation précises pour personnaliser les traitements et améliorer les résultats cliniques. Les recherches récentes ont exploré diverses approches à sous-classifier le diabète en endotypes, allant des méthodes simples aux approches complexes utilisant l’apprentissage automatique appliqué aux biomarqueurs, aux paramètres cliniques et aux données comme la génétique et la transcriptomique. Il est impératif de développer des nouvelles approches reposant sur un modèle stable au cours de la progression du diabète, l’utilisation de paramètres accessibles en contexte clinique quotidien et hautement prédictifs des complications, et qui soient réplicables dans des populations d’origines géographiques différentes. Cette nouvelle approche pourrait permettre l’utilisation de la médecine de précision en diabétologie et permettrait d’optimiser précocement la prise en charge du DT2 pour limiter le développement des complications.

Type 2 diabetes (T2D) impacts over 537 million people worldwide, and its prevalence continues to increase at an alarming rate. T2D is a heterogeneous disease with no biological marker of its etiology. T2D management requires precise stratification strategies to personalize treatments and improve clinical outcomes. Recent research has explored various approaches to subclassify diabetes into endotypes, ranging from simple methods to more complex approaches using machine learning applied to biomarkers, clinical parameters and data such as genetics and transcriptomics. It is imperative to develop new approaches that consider a stable model throughout the progression of diabetes, the use of parameters accessible in routine clinical settings with a high capacity to predict complications, and that are replicable in populations of different geographical origins. This new approach could enable the use of precision medicine in diabetology and help optimize the early management of type 2 diabetes to limit the development of complications.