Diyabet, günümüzde en büyük sağlık problemlerinden biri olarak öne çıkmaktadır. Hem genetik nedenlerle hem de beslenme alışkanlıkları ile bağlantılı olarak, dünya genelinde hızla artış gösteren sağlık sorunları arasında yer almaktadır. Kan şekeri ölçümü birçok farklı cihazla gerçekleştiriliyor olsa da, en güvenilir sonuçlara hala klasik yöntemlerle ulaşılmaktadır. Tokyo Üniversitesi’nde gerçekleştirilen yeni bir araştırma ise kan şekeri seviyelerini izlemek için geleneksel iğneleri ortadan kaldırma potansiyelini taşımaktadır.
Interesting Engineering’in raporuna göre, bu yenilikçi araştırma, giyilebilir cihazlar ile izlenen doğal glikoz dalgalanmalarının, doktorların diyabet riskini değerlendirmeleri için ihtiyaç duydukları tüm bilgileri sağlayabileceğini ortaya koymuştur. Çalışmada, gelişmiş bir algoritma ile sürekli glikoz izlemenin (CGM), diyabet riskinin erken belirtilerini geleneksel kan bazlı testlerden daha hassas bir şekilde nasıl belirleyebileceği gösterilmektedir.
Araştırmanın bulguları, ağrılı kan alımlarına ve yüksek maliyetli diğer teşhis prosedürlerine nazaran basit, invazif olmayan bir alternatif sunmaktadır. Tokyo Üniversitesi Fen Bilimleri Enstitüsü’nde profesörlük yapan ve mevcut çalışmanın ortak yazarı olan Shinya Kuroda, “Geleneksel diyabet testleri faydalı olmakla birlikte, fizyolojik koşullar altında glikoz düzenlemesinin dinamik doğasını yeterince yansıtamamaktadır” şeklinde açıklama yapmıştır.
Bu yeni teknoloji, günlük yaşamda glikoz dalgalanmalarının daha net ve kapsamlı bir şekilde izlenmesini sağlamak amacıyla geliştirilmektedir. Araştırma ekibi, kan şekeri seviyelerini izlemek için vücudun glikozu düzenleme yeteneğini tahmin edebilen CGM tabanlı bir yöntem oluşturmak istemektedir. Bu süreçte, kola takılan bir cihaz kullanarak daha önce hastalık teşhisi konmamış 64 katılımcı üzerinde çalışmalar gerçekleştirilmiştir.
Araştırmaya katılan bireyler, standart prosedürler olan oral glikoz tolerans testleri (OGTT) ve klemp testleri ile birlikte bu gelişmiş cihazla izlenmişlerdir. Araştırmacılar, daha sonra bağımsız bir veri seti ve hesaplamalı modelleme kullanarak elde edilen sonuçları doğrulamışlardır.
