Artificial Intelligence-Based Digital Biomarkers for Type 2 Diabetes: A Review

Type 2 diabetes mellitus (T2DM), a complex metabolic disorder that burdens the health care system, requires early detection and treatment. Recent strides in digital health technologies, coupled with artificial intelligence (AI), may have the potential to revolutionize T2DM screening, diagnosis of complications, and management through the development of digital biomarkers. This review provides an overview of the potential applications of AI-driven biomarkers in the context of screening, diagnosing complications, and managing patients with T2DM. The benefits of using multisensor devices to develop digital biomarkers are discussed. The summary of these findings and patterns between model architecture and sensor type are presented. In addition, we highlight the pivotal role of AI techniques in clinical intervention and implementation, encompassing clinical decision support systems, telemedicine interventions, and population health initiatives. Challenges such as data privacy, algorithm interpretability, and regulatory considerations are also highlighted, alongside future research directions to explore the use of AI-driven digital biomarkers in T2DM screening and management. Le diabète de type 2, un trouble métabolique complexe qui pèse lourdement sur le système de soins de santé, nécessite un dépistage et un traitement précoces. Les progrès récents dans les technologies numériques de la santé, couplés à l’intelligence artificielle (IA), pourraient révolutionner le dépistage du diabète de type 2, le diagnostic des complications et la prise en charge, grâce au développement de biomarqueurs numériques. Cette revue donne un aperçu des applications possibles des biomarqueurs fondés sur l’IA dans le contexte du dépistage, du diagnostic des complications et de la prise en charge des patients atteints de diabète de type 2. Il y est question des avantages liés à l’utilisation de dispositifs à capteurs multiples pour mettre au point des biomarqueurs numériques. Les découvertes dans ce domaine sont résumées, de même que les profils entre architecture de modélisation et type de capteurs. Nous soulignons également le rôle central des techniques d’IA dans les modalités d’intervention et de mise en œuvre cliniques, qui englobent les systèmes de soutien à la prise de décisions, les interventions de télémédecine et les initiatives en matière de santé de la population. Les défis, comme la confidentialité des données, l’interprétabilité des algorithmes et les considérations régl