O artigo sugere uma abordagem que foi utilizada com sucesso na física, ecologia e nas ciências biomédicas. Tal abordagem recebe o nome de fractal-complex-adaptive-system (FCAS) modeling, ou "modelagem de sistema adaptativo complexo fractal". O objetivo desse tipo de análise é reconstruir a dinâmica do processo patológico que levou à doença. O diabetes, uma doença complexa, foi utilizado para testar a metodologia. Foram realizadas análises biométricas em indivíduos diagnosticados com diabetes clínico (de agora em diante IDDM), com diabetes químico (NIDDM) e em um grupo de indivíduos normais. As variáveis estudadas foram glicose plasmática, concentração de insulina e sensibilidade à insulina. A modelagem FCAS consistia em adaptar uma função power-law à distribuição lognormal bivariada das variáveis. O exponente power-law é calculado através da análise do componente principal (PCA). As análises demonstraram que a disponibilidade de glicose pode ser considerada um processo fractal, sugerindo uma complexa hierarquia de escalas e mecanismos que interagem no processamento da glicose. O primeiro componente principal representa a disponibilidade em termos quantitativos de glicose e o segundo componente é compatível com a eficiência da insulina. A PCA também detectou processos patológicos distintos ocorrendo dentro dos grupos clínicos. A deficiência na produção de insulina no IDDM apresentou um alto exponente de -3.5 (valor absoluto), o que confirma uma deficiência bruta permeando toda a hierarquia fractal. Resistência permanente a insulina foi detectada em indivíduos clinicamente normais com um baixo exponente de -0.5, assim sugerindo um problema sutil e complexo, possivelmente devido ao envelhecimento ou atividade física reduzida. A sensibilidade à insulina estava permanentemente prejudicada no grupo clínico NIDDM com um exponente de -2.2, desse modo sugerindo comprometimento no feedback de insulina, provavelmente devido a insensibilidade periférica à insulina. O NIDDM parecia ser o resultado da piora da sutil insensibilidade encontrada entre os indivíduos normais. De modo geral, o modelo fractal provou ser capaz de avaliar o grau de complexidade da doença. Conclui-se, portanto, que estudos futuros do diabetes utilizando a modelagem FCAS devem ser realizados a partir de variáveis biológicas de escalas múltiplas, assim refletindo com exatidão a complexidade do processamento da glicose. Seria recomendável, ainda, que tais análises fossem realizadas com dados dinâmicos para investigar o momento preciso das diferentes alterações homeostáticas. Também seria importante realizar esse tipo de análise em processos patológicos menos conhecidos, mas igualmente complexos. Esse resultados poderiam levar a importantes novos achados de pesquisa.

An approach is suggested in this paper that has successfully been applied in physics, ecology, and the biomedical sciences. This is called fractal-complex-adaptive-system (FCAS) modeling. The objective of this type of analysis is to reconstruct the dynamics of the pathological process that has been leading to the disease. Diabetes, a complexdisease, has been used to test the methodology. Biometrical analyses were undertaken on subjects diagnosed with overt diabetes (hereafter called IDDM), chemical diabetes (NIDDM), and a group of normal subjects. The studied variables were plasma glucose, insulin concentration, and insulin sensitivity. FCAS modeling consists in fitting a power-law function to the bivariate lognormal distribution of the variables. The power-law exponent is estimated by principal component analysis (PCA). Analyses have shown that glucose disposal can be considered a fractal process, thereby implying a complex hierarchy of interacting scales and mechanisms in glucose handling. The first principal component represents quantitative glucose disposal, and the second component is compatible with insulin efficiency. PCA further retrieved distinct ongoing pathological processes within clinical groups of subjects. The IDDM insulin production defect had a high (absolute value) exponent of -3.5 that confirms a crude defect scanning the whole fractal hierarchy. Definite insulin resistance has been detected in clinically normal subjects with a low exponent of -0.5, thus suggesting a subtle and complex problem possibly due to aging or reduced physical activity. Insulin sensitivity was definitely impaired in the NIDDM clinical group with an exponent of -2.2, thereby suggesting poorly scheduled insulin feedback, possibly due to peripheral insensitivity. NIDDM appeared to result from aggravation of the subtle insensitivity seen in normal subjects. On the whole, the fractal model seemed to be capable of assessing the degree of complexity of a disease. It is concluded that future studies of diabetes using FCAS modeling ought to be undertaken on the basis of multiple-scale biological variables, thereby closely reflecting the complexity of glucose handling. It is further recommended that such analyses be undertaken with dynamic data to track down the precise timing of the various homeostatic disruptions. It would also be important to carry out this type of analysis on less known but equally complex disease processes. The results might point to important new research findings.

O artigo sugere uma abordagem que foi utilizada com sucesso na física, ecologia e nas ciências biomédicas. Tal abordagem recebe o nome de fractal-complex-adaptive-system (FCAS) modeling, ou "modelagem de sistema adaptativo complexo fractal". O objetivo desse tipo de análise é reconstruir a dinâmica do processo patológico que levou à doença. O diabetes, uma doença complexa, foi utilizado para testar a metodologia. Foram realizadas análises biométricas em indivíduos diagnosticados com diabetes clínico (de agora em diante IDDM), com diabetes químico (NIDDM) e em um grupo de indivíduos normais. As variáveis estudadas foram glicose plasmática, concentração de insulina e sensibilidade à insulina. A modelagem FCAS consistia em adaptar uma função power-law à distribuição lognormal bivariada das variáveis. O exponente power-law é calculado através da análise do componente principal (PCA). As análises demonstraram que a disponibilidade de glicose pode ser considerada um processo fractal, sugerindo uma complexa hierarquia de escalas e mecanismos que interagem no processamento da glicose. O primeiro componente principal representa a disponibilidade em termos quantitativos de glicose e o segundo componente é compatível com a eficiência da insulina. A PCA também detectou processos patológicos distintos ocorrendo dentro dos grupos clínicos. A deficiência na produção de insulina no IDDM apresentou um alto exponente de -3.5 (valor absoluto), o que confirma uma deficiência bruta permeando toda a hierarquia fractal. Resistência permanente a insulina foi detectada em indivíduos clinicamente normais com um baixo exponente de -0.5, assim sugerindo um problema sutil e complexo, possivelmente devido ao envelhecimento ou atividade física reduzida. A sensibilidade à insulina estava permanentemente prejudicada no grupo clínico NIDDM com um exponente de -2.2, desse modo sugerindo comprometimento no feedback de insulina, provavelmente devido a insensibilidade periférica à insulina. O NIDDM parecia ser o resultado da piora da sutil insensibilidade encontrada entre os indivíduos normais. De modo geral, o modelo fractal provou ser capaz de avaliar o grau de complexidade da doença. Conclui-se, portanto, que estudos futuros do diabetes utilizando a modelagem FCAS devem ser realizados a partir de variáveis biológicas de escalas múltiplas, assim refletindo com exatidão a complexidade do processamento da glicose. Seria recomendável, ainda, que tais análises fossem realizadas com dados dinâmicos para investigar o momento preciso das diferentes alterações homeostáticas. Também seria importante realizar esse tipo de análise em processos patológicos menos conhecidos, mas igualmente complexos. Esse resultados poderiam levar a importantes novos achados de pesquisa.

An approach is suggested in this paper that has successfully been applied in physics, ecology, and the biomedical sciences. This is called fractal-complex-adaptive-system (FCAS) modeling. The objective of this type of analysis is to reconstruct the dynamics of the pathological process that has been leading to the disease. Diabetes, a complexdisease, has been used to test the methodology. Biometrical analyses were undertaken on subjects diagnosed with overt diabetes (hereafter called IDDM), chemical diabetes (NIDDM), and a group of normal subjects. The studied variables were plasma glucose, insulin concentration, and insulin sensitivity. FCAS modeling consists in fitting a power-law function to the bivariate lognormal distribution of the variables. The power-law exponent is estimated by principal component analysis (PCA). Analyses have shown that glucose disposal can be considered a fractal process, thereby implying a complex hierarchy of interacting scales and mechanisms in glucose handling. The first principal component represents quantitative glucose disposal, and the second component is compatible with insulin efficiency. PCA further retrieved distinct ongoing pathological processes within clinical groups of subjects. The IDDM insulin production defect had a high (absolute value) exponent of -3.5 that confirms a crude defect scanning the whole fractal hierarchy. Definite insulin resistance has been detected in clinically normal subjects with a low exponent of -0.5, thus suggesting a subtle and complex problem possibly due to aging or reduced physical activity. Insulin sensitivity was definitely impaired in the NIDDM clinical group with an exponent of -2.2, thereby suggesting poorly scheduled insulin feedback, possibly due to peripheral insensitivity. NIDDM appeared to result from aggravation of the subtle insensitivity seen in normal subjects. On the whole, the fractal model seemed to be capable of assessing the degree of complexity of a disease. It is concluded that future studies of diabetes using FCAS modeling ought to be undertaken on the basis of multiple-scale biological variables, thereby closely reflecting the complexity of glucose handling. It is further recommended that such analyses be undertaken with dynamic data to track down the precise timing of the various homeostatic disruptions. It would also be important to carry out this type of analysis on less known but equally complex disease processes. The results might point to important new research findings.