Diabetologie und Stoffwechsel 2021; 16(S 01): S40
DOI: 10.1055/s-0041-1727395
05. Diabetes und Schwangerschaft

Digitale Diabetologie – Prädiktion des Gestationsdiabetes mittels künstlicher Intelligenz (KI)

C Eberle
1   Hochschule Fulda University of Applied Sciences, Hochschule Fulda - University of Applied Sciences, Fulda, Germany
,
D Gutknecht
2   Profertilita, Zentrum für Fruchbarkeitsmedizin, Regensburg, Germany
,
M Bals-Pratsch
2   Profertilita, Zentrum für Fruchbarkeitsmedizin, Regensburg, Germany
,
SF Malfertheiner
2   Profertilita, Zentrum für Fruchbarkeitsmedizin, Regensburg, Germany
,
C Ament
3   Universität Augsburg, Lehrstuhl Regelungstechnik, Augsburg, Germany
› Author Affiliations
› Further Information
Also available at
 

Fragestellung Derzeit liegt die Prävalenz des Gestationsdiabetes mellitus (GDM) bei ca. 15.8 % der Lebendgeburten – weltweit [1]. Die steigende Prävalenz des GDMs wird sowohl den zunehmenden Risikofaktoren als auch den methodischen Änderungen zugeschrieben. In Anbetracht der diskutierten Kurz- und Langzeitfolgen für Mutter und Kind haben wir bereits präkonzeptionelle Prädiktoren in Bezug auf den GDM vorgestellt [2],[3]. In Erweiterung dessen stellen wir nun einen neuen Algorithmus vor, der eine Prädiktion des GDMs präkonzeptionell mit Hilfe der Methoden der künstlichen Intelligenz (KI) erlaubt.

Methodik Bei zwei unterschiedlichen Datenkollektiven (A: n = 89; B: n = 282) wurden im Rahmen eines präkonzeptionellen OGTTs 10 verschiedene potentielle Prädiktoren analysiert: HOMA, ISIMOD, Plasmaglukose [mg / dl] (Zeitpunkte 0, 60, 120 Minuten), Plasmainsulin [µU / ml] (Zeitpunkte 0, 60, 120 Minuten) sowie das Alter [Jahre] und der Body Mass Index (BMI) [kg / m2] der Mutter. Auf dieser Datenbasis werden Entscheidungsbäume mit Hilfe des CART-Algorithmus trainiert. Dabei wird Zahl der GDM- versus nicht-GDM-Fälle balanciert und die Zahl der Entscheidungen (k) betrachtet. Anschließend wird die Vorhersage durch Kreuzvalidierung zwischen (A) und (B) evaluiert.

Ergebnisse Bäume mit k = 3 Entscheidungen erzielen die besten Ergebnisse. Dabei werden ausschließlich die folgenden Prädiktoren einbezogen: 1. „Nüchternglukose“, 2. „Glukose (60 Minuten)“ und 3. „Insulin (60 Minuten)“.

  • Anteil korrekter Klassifikationen: 70.2 % (A), 79.0 % (B), 68.5 % (A+B),

  • Sensitivität: 86.0 % (A), 85.3 % (B), 87.7 % (A+B),

  • Spezifität: 54.4 % (A), 72.7 % (B), 49.3 % (A+B)

Schlussfolgerungen Unser Algorithmus ermittelt eine GDM-Prädiktion mit einer Sensitivität > 85 % zum präkonzeptionellen Zeitpunkt aufgrund von drei dominanten Prädiktoren aus dem OGTT: „Nüchternglukose“, „Glukose (60 Minuten)“ und „Glukose (120 Minuten)“.



Publication History

Article published online:
06 May 2021

© 2021. Thieme. All rights reserved.

Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany

 

  • Literatur

  • 1 IDF Diabetes Atlas. 9th Edition,. International Diabetes Federation; www.diabetesatlas.org 2019
    Google Scholar
  • 2 Eberle C, Gutknecht D, Bals-Pratsch M, Fill Malfertheiner S, Ament C. : Digitale Diabetologie – Künstliche Intelligenz zur präkonzeptionellen Prädiktion des Gestationsdiabetes. Diabetologie und Stoffwechsel. 14. (Abstract) ( 2019
    PubMedGoogle Scholar
  • 3 Eberle C, Gutknecht D, Ament C, Bals-Pratsch M, Fill Malfertheiner S. : Prädiktion des Gestationsdiabetes – Präkonzeptionell? Diabetologie und Stoffwechsel. 13. (Abstract) ( 2018
    PubMedGoogle Scholar