یک اندازه‌گیری ساده که می‌تواند خطر پنهان دیابت را آشکار کند؛ و این بار، کمر شما معیار اصلی نیست

پژوهشگران دانشگاه فنی دانمارک (DTU) ابزار غربالگری جدیدی ساخته‌اند که می‌تواند احتمال پیش‌دیابت یا دیابت نوع ۲ تشخیص‌داده‌نشده را تنها با چند اندازه‌گیری ساده و بدون آزمایش خون برآورد کند. نکته غیرمنتظره این است که یکی از این شاخص‌ها، طول ران است.

به گزارش آذرنگار، این ابزار آنلاین که MEDWACS نام دارد، برای استفاده در خانه طراحی شده و از ۷ متغیر استفاده می‌کند:

سن، جنسیت، شاخص توده بدنی (BMI)، دور کمر، فشار خون سیستولیک، دور بازو و طول ران.

هدف این سامانه، شناسایی افرادی است که ممکن است بدون آن‌که بدانند، در مرحله پیش‌دیابت یا حتی دیابت نوع ۲ تشخیص‌داده‌نشده باشند. این موضوع اهمیت زیادی دارد، چون پیش‌دیابت اغلب علامت واضحی ندارد، اما خطر ابتلا به دیابت، بیماری قلبی و سکته را افزایش می‌دهد.

چرا طول ران؟

در نگاه اول، طول ران شاید معیار عجیبی به نظر برسد؛ اما پژوهشگران می‌گویند این شاخص می‌تواند هم‌زمان دو چیز را بازتاب دهد:

1. تغذیه در اوایل کودکی
2. میزان توده عضلانی در بزرگسالی

به گفته محققان، استخوان ران می‌تواند نشانه‌ای از رشد در سال‌های ابتدایی زندگی باشد. از سوی دیگر، عضلات بزرگ ران نقش مهمی در جذب قند از خون دارند. بنابراین، پاهای کوتاه‌تر می‌تواند هم به رشد اولیه مرتبط باشد و هم به ظرفیت کمتر عضلات برای مصرف گلوکز.

این مدل چگونه ساخته شد؟

پژوهشگران با استفاده از داده‌های ۳۰ ساله برنامه ملی سلامت و تغذیه آمریکا (NHANES) و با کمک یادگیری ماشین، حدود ۳۷۰۰ متغیر را بررسی کردند و در نهایت به همین ۷ شاخص رسیدند.

سپس مدل را روی داده‌های مستقل از ایالات متحده و کره جنوبی آزمایش کردند. نتایج نشان داد MEDWACS در پیش‌بینی خطر، عملکردی هم‌سطح یا بهتر از روش‌های غربالگری رایج دارد.

چرا این ابزار مهم است؟

دیابت نوع ۲ با یک آزمایش خون به‌راحتی قابل تشخیص است، اما مشکل اینجاست که بسیاری از افراد اصلاً نمی‌دانند باید آزمایش بدهند. به همین دلیل، یک ابزار خودارزیابی آنلاین می‌تواند افراد پرخطر را تشویق کند تا برای بررسی بیشتر به پزشک مراجعه کنند.

دانشمندان تأکید می‌کنند که این ابزار جایگزین تشخیص پزشکی نیست؛ بلکه می‌تواند به‌عنوان یک هشدار اولیه عمل کند.

منبع علمی

Daniel Yoo, Umberto Maggiore, Olivier Jolliet

Enhancing prediabetes and diabetes detection through a machine learning-enabled self-assessment approach

Journal of Clinical Epidemiology

DOI: ۱۰.۱۰۱۶/j.jclinepi.2026.112266