Международный эндокринологический журнал Том 20, №4, 2024

У статті наведено сучасні відомості щодо лікарських помилок у діагностиці цукрового діабету (ЦД), проаналізовано їхні чинники, окреслено шляхи запобігання. Причинами найбільш поширених діагностичних помилок у діабетології є обмежений доступ до якісної медичної допомоги, недостатня підготовка і кількість кваліфікованих кадрів, низька якість командної роботи, обміну медичною інформацією, недостатня доступність діагностичних тестів, незадовільна координація догляду й подальшого спостереження, недоступність ресурсів медичної інформатики, людські фактори та когнітивні упередження (зокрема, помилкова ідентифікація ЦД і його типу, неправильне створення контексту, переоцінка/недооцінка випадкової знахідки, передчасне завершення діагностичного процесу, брак знань і навичок у галузі діабетології). Найбільш типовим варіантом розходження діагнозів є помилкова ідентифікація ЦД 1-го (включно з латентним автоімунним діабетом у дорослих), 2-го та інших специфічних типів ЦД через зростання гетерогенності, стирання меж між типами, атиповий перебіг захворювання, зменшення діагностичної цінності найбільш важливих критеріїв ЦД (вік, ознаки метаболічного синдрому, кетозу, залежність від інсулінотерапії), наявність коморбідних станів, низьку доступність діагностичних тестів для уточнення типу діабету. З метою оптимізації діагностики та запобігання діагностичним помилкам нами створений Telegram-бот DiaType на основі багаторівневого алгоритму диференціальної діагностики різних типів ЦД. Апробація бота виявила його високу ефективність в ідентифікації різновидів ЦД. Перевагами DiaType є доступність, інтерактивність, точність, підтримка медичних фахівців, що дозволяє підвищити ефективність діагностики, спростити діагностичний процес, особливо для лікарів первинної ланки, запобігти діагностичним помилкам і, як наслідок, покращити результати лікування пацієнтів.

The article provides current information regarding medical errors in diagnosing diabetes mellitus (DM), analyzes their factors, and outlines preventive measures. The causes of the most common diagnostic errors in diabetology include limited access to quality healthcare, insufficient training and number of qualified personnel, low quality of teamwork and medical information exchange, inadequate availability of diagnostic tests, poor coordination of care and follow-up, lack of medical informatics resources, human factors, and cognitive biases (such as misidentification of DM and its type, incorrect context creation, overestimation/underestimation of incidental findings, premature termination of the diagnostic process, and lack of knowledge and skills in diabetology). The most typical diagnostic discrepancies involve misidentifying type 1 DM (including latent autoimmune diabetes in adults), type 2 DM, and other specific types of DM. This is due to the increasing heterogeneity of DM, blurring of the boundaries between its types, atypical disease course, the decreased diagnostic value of the essential criteria for DM types (age, presence of metabolic syndrome signs, ketosis, dependency on insulin therapy), presence of comorbid conditions, and limited availability of diagnostic tests to specify the type of diabetes. To optimize diagnosis and prevent diagnostic errors, we have developed a Telegram bot DiaType based on a multilevel algorithm for the differential diagnosis of various types of DM. The testing of this Telegram bot has shown its high effectiveness in identifying DM variants. The advantages of DiaType include accessibility, interactivity, accuracy, and support for medical professionals, which helps improve diagnostic efficiency, simplify the diagnostic process, especially for primary care physicians, prevent diagnostic errors, and, consequently, improve treatment outcomes.

цукровий діабет; типи; гетерогенність; діаг­ностика; лікарські помилки; інформаційні технології; чат-бот

diabetes mellitus; types; heterogeneity; diagnosis; medical errors; informational technologies; chatbot

1. World Health Organization. Diagnostic Errors: Technical Series on Safer Primary Care. Geneva: World Health Organization; 2016. Licence: CC BY-NC-SA 3.0 IGO.
2. Zwaan L, Smith KM, Giardina TD, et al. Patient generated research priorities to improve diagnostic safety: A systematic prioritization exercise. Patient Educ Couns. 2023 May;110:107650. doi: 10.1016/j.pec.2023.107650.
3. Singh H, Schiff GD, Graber ML, et al. The global burden of diagnostic errors in primary care. BMJ Qual Saf. 2017;26:484-494. doi: 10.1136/bmjqs-2016-005401.
4. National Academies of Sciences, Engineering, and Medicine. Improving Diagnosis in Health Care. Washington, DC: The National Academies Press; 2015. doi: 10.17226/21794.
5. Redondo MJ, Hagopian WA, Oram R, et al. The clinical consequences of heterogeneity within and between different diabetes types. Diabetologia. 2020 Oct;63(10):2040-2048. doi: 10.1007/s00125-020-05211-7.
6. Cefalu WT, Andersen DK, Arreaza-Rubín G, et al. Symposium planning committee, moderators, and speakers. Heterogeneity of Diabetes: β-Cells, Phenotypes, and Precision Medicine: Proceedings of an International Symposium of the Canadian Institutes of Health Research’s Institute of Nutrition, Metabolism and Diabetes and the U.S. National Institutes of Health’s National Institute of Diabetes and Digestive and Kidney Diseases. Diabetes Care. 2022 Jan 1;45(1):3-22. doi: 10.2337/dci21-0051.
7. Cheheltani R, King N, Lee S, et al. Predicting misdiagnosed adult-onset type 1 diabetes using machine learning. Diabetes Res Clin Pract. 2022 Sep;191:110029. doi: 10.1016/j.diabres.2022.110029.
8. American Diabetes Association Professional Practice Committee. Diagnosis and Classification of Diabetes: Standards of Care in Diabetes-2024. Diabetes Care. 2024 Jan 1;47(Suppl 1). doi: 10.2337/dc24-S002.
9. Hope SV, Wienand-Barnett S, Shepherd M, et al. Practical Classification Guidelines for Diabetes in patients treated with insulin: a cross-sectional study of the accuracy of diabetes diagnosis. Br J Gen Pract. 2016 May;66(646). doi: 10.3399/bjgp16X684961.
10. Zhong VW, Juhaeri J, Mayer-Davis EJ, et al. Trends in Hospital Admission for Diabetic Ketoacidosis in Adults With Type 1 and Type 2 Diabetes in England, 1998–2013: A Retrospective Cohort Study. Diabetes Care. 2018 Sep;41(9):1870-1877. doi: 10.2337/dc17-1583.
11. Giardina TD, Hunte H, Hill MA, et al. Defining Diagnostic Error: A Scoping Review to Assess the Impact of the National Academies’ Report Improving Diagnosis in Health Care. J Patient Saf. 2022 Dec 1;18(8):770-778. doi: 10.1097/PTS.0000000000000999.
12. Singh H, Meyer AN, Thomas EJ. The frequency of diagnostic errors in outpatient care: estimations from three large observational studies involving US adult populations. BMJ Qual Saf. 2014 Sep;23(9):727-31. doi: 10.1136/bmjqs-2013-002627.
13. Ko CJ, Gehlhausen JR, Cohen JM, et al. Cognitive Bias in the Patient Encounter: Part II. Debiasing using an adaptive toolbox. J Am Acad Dermatol. 2024 Apr 6. doi: 10.1016/j.jaad.2024.02.061.
14. Marang-van de Mheen PJ, Thomas EJ, Graber ML. How safe is the diagnostic process in healthcare? BMJ Qual Saf. 2024 Jan 19;33(2):82-85. doi: 10.1136/bmjqs-2023-016496.
15. Blanchard MD, Herzog SM, Kämmer JE, et al. Collective Intelligence Increases Diagnostic Accuracy in a General Practice Setting. Med Decis Making. 2024 May;44(4):451-462. doi: 10.1177/0272989X241241001.
16. Hooftman J, Dijkstra AC, Suurmeijer I, van der Bij A, Paap E, Zwaan L. Common contributing factors of diagnostic error: A retrospective analysis of 109 serious adverse event reports from Dutch hospitals. BMJ Qual Saf. 2023 Aug 9. doi: 10.1136/bmjqs-2022-015876.
17. Tobias DK, Merino J, Ahmad A, et al. Second international consensus report on gaps and opportunities for the clinical translation of precision diabetes medicine. Nat Med. 2023 Oct;29(10):2438-2457. doi: 10.1038/s41591-023-02502-5.
18. Graber ML. Progress understanding diagnosis and diagnostic errors: thoughts at year 10. Diagnosis (Berlin). 2020 Aug 27;7(3):151-159. doi: 10.1515/dx-2020-0055.
19. Parodis I, Andersson L, Durning SJ, et al. Clinical Reasoning Needs to Be Explicitly Addressed in Health Professions Curricula: Re–commendations from a European Consortium. Int J Environ Res Public Health. 2021 Oct 25;18(21):11202. doi: 10.3390/ijerph182111202.
20. Frey J, Braun LT, Handgriff L, et al. Insights into diagnostic errors in endocrinology: a prospective, case-based, international study. BMC Med Educ. 2023 Dec 8;23(1):934. doi: 10.1186/s12909-023-04927-5.
21. Harada Y, Otaka Y, Katsukura S, et al. Prevalence of atypi–cal presentations among outpatients and associations with diagnostic error. Diagnosis (Berlin). 2023 Dec 8;11(1):40-48. doi: 10.1515/dx-2023-0060.
22. Thomas NJ, Jones SE, Weedon MN, et al. Frequency and phenotype of type 1 diabetes in the first six decades of life: a cross-sectional, genetically stratified survival analysis from UK Biobank. Lancet Diabetes Endocrinol. 2018 Feb;6(2):122-129. doi: 10.1016/S2213-8587(17)30362-5.
23. Classification of diabetes mellitus. World Health Organization, 2019. Available from: https://apps.who.int/iris/handle/10665/325182.
24. Pashkovska N. Latent Autoimmune Diabetes in Adults: A Modern Look at the Problem. International Journal of Endocrinology (Ukraine). 2019;15:272-280. doi: 10.22141/2224-0721.15.3.2019.172116.
25. Chandran L, Singh SA, Vellapandian C. Diagnostic Dilemmas and Current Treatment Approaches in Latent Onset Autoimmune Diabetes in Adults: A Concise Review. Curr Diabetes Rev. 2023;19(1): e240322202561. doi: 10.2174/1573399818666220324095918.
26. Wasserfall C, Nead K, Mathews C, et al. The threshold hypothesis: solving the equation of nurture vs nature in type 1 diabetes. Diabetologia. 2011 Sep;54(9):2232-6. doi: 10.1007/s00125-011-2244-z.
27. Hamman RF, Bell RA, Dabelea D, et al. SEARCH for Dia–betes in Youth Study Group. The SEARCH for Diabetes in Youth study: rationale, findings, and future directions. Diabetes Care. 2014 Dec;37(12):3336-44. doi: 10.2337/dc14-0574.
28. Ahlqvist E, Storm P, Käräjämäki A, et al. Novel subgroups of adult-onset diabetes and their association with outcomes: a data-driven cluster analysis of six variables. Lancet Diabetes Endocrinol. 2018 May;6(5):361-369. doi: 10.1016/S2213-8587(18)30051-2.
29. Anjana RM, Baskar V, Nair ATN, et al. Novel subgroups of type 2 diabetes and their association with microvascular outcomes in an Asian Indian population: a data-driven cluster analysis: the INSPIRED study. BMJ Open Diabetes Res Care. 2020 Aug;8(1). doi: 10.1136/bmjdrc-2020-001506.
30. Harada Y, Kawamura R, Yokose M, et al. Definitions and Measurements for Atypical Presentations at Risk for Diagnostic Errors in Internal Medicine: Protocol for a Scoping Review. JMIR Res Protoc. 2024 Mar 25;13. doi: 10.2196/56933.
31. RADIANT Study Group. The Rare and Atypical Diabetes Network (RADIANT) Study: Design and Early Results. Diabetes Care. 2023 Jun 1;46(6):1265-1270. doi: 10.2337/dc22-2440.
32. Stone SI, Balasubramanyam A, Posey JE. Atypical Diabetes: What Have We Learned and What Does the Future Hold? Diabetes Care. 2024 May 1;47(5):770-781. doi: 10.2337/dci23-0.
33. Chung WK, Erion K, Florez JC, et al. Precision Medicine in Diabetes: A Consensus Report From the American Diabetes Association (ADA) and the European Association for the Study of Diabetes (EASD). Diabetes Care. 2020 Jul;43(7):1617-1635. doi: 10.2337/dci20-0022.
34. Xie F, Chan JC, Ma RC. Precision medicine in diabetes prevention, classification and management. J Diabetes Investig. 2018 Sep;9(5):998-1015. doi: 10.1111/jdi.12830.
35. Klonoff AN, Andy Lee WA, Xu NY, Nguyen KT, DuBord A, Kerr D. Six Digital Health Technologies That Will Transform Diabetes. J Diabetes Sci Technol. 2023 Jan;17(1):239-249. doi: 10.1177/ 19322968211043498.
36. American Diabetes Association Professional Practice Committee. Diabetes Technology: Standards of Care in Diabetes-2024. Diabetes Care. 2024 Jan 1;47(Suppl 1). doi: 10.2337/dc24-S007.
37. El-Kareh R, Hasan O, Schiff GD. Use of health information technology to reduce diagnostic errors. BMJ Qual Saf. 2013;22(Suppl 2).
38. McMahon GT. The Risks and Challenges of Artificial Intelligence in Endocrinology. J Clin Endocrinol Metab. 2024 May 17;109(6). doi: 10.1210/clinem/dgae017.
39. Kenner B, Chari ST, Kelsen D, et al. Artificial Intelligence and Early Detection of Pancreatic Cancer: 2020 Summative Review. Pancreas. 2021 Mar 1;50(3):251-279. doi: 10.1097/MPA.0000000000001762.
40. Vaishya R, Misra A, Vaish A. ChatGPT: Is this version good for healthcare and research? Diabetes Metab Syndr. 2023 Apr;17(4):102744. doi: 10.1016/j.dsx.2023.102744.
41. Tsukrovyy diabet, klinichna nastanova, zasnovana na dokazakh. Registration number КН 2023-151. Order of the Ministry of Health of Ukraine dated January 26, 2023, No. 151. Available from: https://www.dec.gov.ua/wp-content/uploads/2023/01/2023_nastanova-czd_dorosli.pdf.
42. Buzzetti R, Tuomi T, Mauricio D, et al. Management of Latent Autoimmune Diabetes in Adults: A Consensus Statement From an International Expert Panel. Diabetes. 2020 Oct;69(10):2037-2047. doi: 10.2337/dbi20-0017.
43. Holt RIG, DeVries JH, Hess-Fischl A, et al. The management of type 1 diabetes in adults. A consensus report by the American Diabetes Association (ADA) and the European Association for the Study of Diabetes (EASD). Diabetologia. 2021 Dec;64(12):2609-2652. doi: 10.1007/s00125-021-05568-3.
44. SendPulse (n.d.). Online platform. Available from: https://sendpulse.com.