Diabetologie und Stoffwechsel 2019; 14(S 01): S56-S57
DOI: 10.1055/s-0039-1688271
Poster
Mutter und Kind
Georg Thieme Verlag KG Stuttgart · New York

Digitale Diabetologie – Künstliche Intelligenz zur präkonzeptionellen Prädiktion des Gestationsdiabetes

C Eberle
1   Hochschule Fulda – University of Applied Sciences, Hochschule Fulda – University of Applied Sciences, Fulda, Germany
,
D Gutknecht
2   Profertilita, Zentrum für Fruchtbarkeitsmedizin, Regensburg, Germany
,
M Bals-Pratsch
2   Profertilita, Zentrum für Fruchtbarkeitsmedizin, Regensburg, Germany
,
S Fill Malfertheiner
3   Profertilita Zentrum für Fruchtbarkeitsmedizin &, Klinik St. Hedwig – Krankenhaus BarmhBrüder, Universitätsklinik Regensburg, Regensburg, Germany
,
C Ament
4   Universität Augsburg, Lehrstuhl Regelungstechnik, Augsburg, Germany
› Author Affiliations
Further Information

Publication History

Publication Date:
07 May 2019 (online)

Also available at
 

Fragestellung:

Die Prävalenz des Gestationsdiabetes mellitus (GDM) steigt weltweit (derzeit im Durchschnitt 16,9%). Diese Entwicklung wird u.a. mit zunehmenden parenteralen Risikofaktoren aber auch methodischen Änderungen in Verbindung gebracht. Gleichwohl sind Kurz- und Langzeitfolgen eines GDMs für Mutter und Kind zunehmend bekannt.

Wir haben kürzlich präkonzeptionelle Prädiktoren mit einer Sensitivität a = 77% und einer Spezifität b = 64% in Bezug auf einen GDM vorgestellt. In Erweiterung dessen analysieren wir nun präkonzeptionelle Prädiktoren mit Methoden der „künstlichen Intelligenz“ (KI).

Methodik:

Aus einer Gesamtkohorte von N = 589 Schwangerschaften wurde ein Subkollektiv von n = 72 Patientinnen mit Kinderwunsch (endokrinologische/gynäkologische Normalbefunde) sowie Spontankonzeptionen, von denen m = 22 Patientinnen einen GDM entwickelten, analysiert. Präkonzeptionell erfolgte bei allen n Patientinnen ein oGTT (75 g) unter Erhebung der Glukose- und Insulinkonzentrationen zu den Zeitpunkten 0, 60 und 120 Minuten. Zusätzlich wurden HOMAs und ISIMODs bestimmt.

In Erweiterung unserer bisher einstufigen Prädiktionsanalyse (k = 1) wenden wir nun Methoden des „Maschinellen Lernens“ an, um einen mehrstufigen (k> 1) Entscheidungsbaum zur definierten Analyse präkonzeptioneller Prädiktoren in Bezug auf einen GDM zu trainieren (CART-Algorithmus).

Ergebnisse:

Für k = 1 wird der Glukosewert G60 als der am besten geeignete Prädiktor bestätigt. Für k = 13 kann prinzipiell eine exakte Abbildung der Daten erreicht werden. Einen geeigneten Kompromiss stellt ein Baum mit k = 3 Entscheidungen dar. Die automatisch generierte Regel hat die Form

GDM, falls G60>G60ref oder [G0>G0ref und ISIMOD>ISIMODref]

und erreicht a = b = 82%.

Schlussfolgerungen:

Die vorgestellte Methode zeigt bereits auf Basis eines kleinen Kollektivs, dass Entscheidungsbäume datenbasiert automatisch generiert werden können, um dann eine optimierte präkonzeptionelle Prädiktion in Bezug auf die Diagnosestellung des Gestationsdiabetes zu erlauben.