Instrumente für die Planung von Diabetesbehandlungen entwickeln
Typ-2-Diabetes – eine komplexe Erkrankung, die durch hohe Blutzuckerwerte gekennzeichnet ist – betrifft weltweit über 500 Millionen Menschen. Im Jahr 2021 kosteten die durch diese Krankheit verursachten Komplikationen die Weltwirtschaft rund 900 Milliarden EUR, eine Zahl, die in Zukunft noch weiter ansteigen dürfte, da die Bevölkerung altert und Adipositas, ungesunde Ernährung und Bewegungsmangel zunehmen. Personen, die von Typ-2-Diabetes betroffen sind, weisen einen unterschiedlichen Grad an Insulinresistenz und gestörter Insulinausschüttung auf, was bedeutet, dass die Behandlungsintensität und die Inanspruchnahme von Gesundheitsdienstleistungen von Fall zu Fall unterschiedlich sind. Es besteht ein dringender Bedarf an optimierten Behandlungen und der Nutzung von Gesundheitsressourcen durch individualisierte Prognosemodelle auf der Grundlage der Merkmale einer betroffenen Person. Die Ergebnisse einer neuen Studie können zu einem besseren Verständnis der heterogenen Gruppe der Patientinnen und Patienten mit Typ-2-Diabetes beitragen. Die Studie, die im Rahmen des EU-finanzierten Projekts HTx durchgeführt wurde, setzte maschinelles Lernen ein, um Personen mit unzureichender Kontrolle des Blutzuckerspiegels zu bestimmen. „Die Ermittlung von Gruppen Erkrankter mit Problemen bei der Versorgung von Typ-2-Diabetes stellt ein Instrument dar, das medizinisches Fachpersonal bei der weiteren Behandlungsplanung unterstützen kann, womit auch die Möglichkeit zum optimierten Einsatz von Ressourcen im Gesundheitswesen einhergeht. Betroffene mit Problemen in der Behandlungsbilanz könnten intensiver betreut werden, während bei Erkrankten mit angemessenen, optimalen HbA1c-Werten eine weniger häufige Überwachung des HbA1c-Wertes möglich wäre“, heißt es in der Studie. Über einen Zeitraum von sechs Jahren untersuchten die Forschenden die Blutzuckerkontrolle bei über 9 600 an Typ-2-Diabetes Erkrankten in der finnischen Region Nordkarelien. Die Kontrolle des Blutzuckerspiegels der Betroffenen wurde auf der Grundlage des Langzeit-Blutzuckerspiegels bestimmt, der mithilfe des Hämoglobin A1c (HbA1c) geschätzt wurde.
Angemessene und unzureichende Kontrolle
Anhand der Daten stellte das Team drei HbA1c-Verläufe über 6 Jahre fest. Bei 86,5 % war die Blutzuckerkontrolle stabil und angemessen, bei 7,3 % verbesserte sie sich, war aber unzureichend, und bei 6,2 % war sie schwankend und unzureichend. Mithilfe von Methoden des maschinellen Lernens wurde der Zusammenhang zwischen den Ausgangswerten der Erkrankten, klinischen und behandlungsbezogenen Faktoren sowie dem sozioökonomischen Status mit der Kontrolle des Blutzuckerspiegels analysiert. Über 200 Ausgangswerte wurden als Variablen einbezogen. Die Studie ergab, dass die Verwendung von Daten über die Dauer des Typ-2-Diabetes, frühere HbA1c-Werte, Nüchternblutzucker und die Einnahme von Antidiabetika die Möglichkeit bietet, Personen mit einem anhaltenden Risiko für Hyperglykämie zu jedem Zeitpunkt ihrer Erkrankung zuverlässig zu ermitteln. Das bedeutet, dass eine unzureichende Blutzuckerkontrolle anhand von Daten, die routinemäßig im Rahmen der herkömmlichen Überwachung und Behandlung von Diabetes erhoben werden, mit Sicherheit vorhergesagt werden könnte. In der Studie von Htx (Next Generation Health Technology Assessment to support patient-centred, societally oriented, real-time decision-making on access and reimbursement for health technologies throughout Europe) kommt man zu dem Schluss, dass eine unzureichende Kontrolle des Blutzuckerspiegels mit Sicherheit vorhergesagt werden kann: „Unsere Ergebnisse deuten darauf hin, dass die Heterogenität der langfristigen Behandlungsergebnisse durch die individuellen Risikofaktoren der Erkrankten vorhersehbar ist. Dies wiederum bietet ein nützliches Instrument zur Unterstützung der künftigen Behandlungsplanung. Zukünftige Studien sind jedoch erforderlich, um noch genauere und individuellere Vorhersagen zu treffen.“ Weitere Informationen: HTx-Projektwebsite
Schlüsselbegriffe
HTx, Diabetes, Typ-2-Diabetes, maschinelles Lernen, Hämoglobin A1c, HbA1c, Blutzuckerkontrolle