ProjectMWK AZ 32-5400/58/2 – Personalisierte Prävention von Diabetes und seinen Komplikationen

Basic data

Acronym:
MWK AZ 32-5400/58/2
Title:
Personalisierte Prävention von Diabetes und seinen Komplikationen
Duration:
3/1/2020 to 12/31/2021
Abstract / short description:
Typ 2 Diabetes (T2D) ist eine sehr häufige chronische
Erkrankung, die mitsamt diversen Komplikationen eine hohe gesundheitliche Belastung für die Betroffenen darstellt. Für Baden-Württemberg ergibt sich für das Jahr 2023 eine geschätzte Prävalenz von 9,4%. Nach neuesten
Erhebungen stirbt in Deutschland jeder 5. Einwohner an Diabetes. Neben der chronischen Natur der Erkrankung zeigt sich auch eine große Heterogenität in der Ausprägung und der Neigung zu Komplikationen wie Verengung von Gefäßen mit Herzinfarkt und Schlaganfall, Erblindung, diabetisches Fußsyndrom und
Nierenversagen mit Notwendigkeit der Dialyse im Krankheitsspektrum des T2D. Neuere Erkenntnisse zeigen insbesondere deutliche Unterschiede im Risiko
neurodegenerativer Erkrankungen wie Morbus Alzheimer oder Parkinson. Manche Patienten entwickeln jedoch nur leichte Ausprägungen der Krankheit, die problemlos behandelbar sind und keine Komplikationen zur Folge haben. Andere können schwer einstellbare Formen mit hohem Risiko für die beschriebenen Komplikationen
haben. Letztere sollte man früh erkennen und behandeln, um die Komplikationen rechtzeitig und effektiv vermeiden zu können.
Da T2D meistens langsam entsteht, zeigt sich vor der
Manifestation des Diabetes ein Übergangsstadium, das Prädiabetes genannt wird. Prädiabetiker haben je nach Konstellation der Erhöhung der nüchternen und nach
Blutzuckerbelastung gemessenen Werte Risiken bis zu 60% über die nächsten 10 Jahre Diabetes zu entwickeln. Daten von mehr als 4000 diabetesgefährdeten
Probanden aus unserer Tübinger TUEF Studie (Tuebingen Family Study) zeigten, dass Prädiabetiker eine sehr heterogene Gruppe bilden und ihr Risiko zur
Progression in den Diabetes durch vielen Faktoren wie z.B. Fettgehalt der Leber und Insulinsekretion bestimmt wird. Nicht nur das Diabetesrisiko, sondern das
Risiko zu Komplikationen ist in dieser Gruppe sehr unterschiedlich. Die aktuellsten Analysen zeigen dabei, dass es auch Prädiabetiker gibt, die zwar ein niedriges Progressionsrisiko in manifesten T2D haben, aber dennoch zur Entwicklung von Nierenkrankheit gefährdet sind. Durch eine präzise Charakterisierung der Risiken nicht nur für Diabetes, sondern auch für die bekannten Komplikationen wäre es möglich, bei den höchst gefährdeten Individuen rechtzeitige Präventionsmaßnahmen einzuleiten. Dabei
können Ressourcen zur Vermeidung der Krankheitsentstehung wie Lebensstilinterventionsmaßnahmen gezielt eingesetzt werden. Durch diese Maßnahmen ist eine Fokussierung der Ressourcen je nach Risikokonstellation realisierbar. Ziel des Projektes ist eine effektive Risikovorhersage basierend auf den komplexen Datensätzen von über 1000 prädiabetischen Probanden der TUEF Kohorte zu verwirklichen. Diese Datensätze beinhalten anthropometrische Daten wie Körpergröße, Gewicht, Hüft- und Taillenumfang, Ergebnisse von aufwändigen Blutuntersuchungen, Ergebnisse von Zuckerbelastungstests die die Antwort des Stoffwechsels auf eine zuckerhaltige Lösung abbilden, genetische
Daten und MR-Tomographischen Bilder. In einer Subgruppe der Kohorte liegen Nachbeobachtungen über mehr als 10 Jahre vor. Aus dieser Datenmenge werden mit Hilfe moderner Methoden wie „Maschinelles Lernen“ und „Clusteranalyse“ Risikogruppen identifiziert, die dann die Behandlungsnotwendigkeit für Diabetes und Komplikationen definieren (=personalisierte Prävention und Behandlung). Die Vorhersagemodelle werden in einer separaten Validierungskohorte getestet. Die Validierungskohorte soll von kooperierenden niedergelassenen Ärzten rekrutiert werden und über
mindestens 5 Jahre nachverfolgt werden. In einem letzten Schritt werden die Modelle vereinfacht und für die Anwendung beim Hausarzt angepasst. Dieses Projekt wird in Zukunft eine effektive, frühzeitige Prävention von Diabetes und spezifisch seiner Folgen ermöglichen und damit das Leid der Patienten und die Kosten für das Gesundheitswesen reduzieren.
Keywords:
machine learning
Maschinelles Lernen
disease prevention
gesundheitliche Prävention
Diabetes

Involved staff

Managers

Faculty of Medicine
University of Tübingen
Faculty of Medicine
University of Tübingen

Contact persons

Faculty of Medicine
University of Tübingen
University Department of Neurology
Hospitals and clinical institutes, Faculty of Medicine

Local organizational units

Internal Medicine Department IV
Department of Internal Medicine
Hospitals and clinical institutes, Faculty of Medicine
Help

will be deleted permanently. This cannot be undone.