Logo

70. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V.

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS)
07.-11.09.2025
Jena


Meeting Abstract

Data-Driven Diabetes Prognostik: Vorhersage metabolischer Langzeit-Komplikationen nach Schwangerschaftsdiabetes

Yvonne Heimann 1
Julia Palm 1
André Scherag 1
Friederike Weschenfelder 1
Tanja Groten 2
1Universitätsklinikum Jena, Jena, Germany
2Universitätsklinikum Köln, Köln, Germany

Text

Einleitung: Gestationsdiabetes mellitus (GDM) ist ein bedeutender Risikofaktor für die Entwicklung von Prädiabetes und Typ-2-Diabetes mellitus (T2DM) in den Jahren nach der Schwangerschaft. Frühzeitige Identifikation von Hochrisikopatientinnen eröffnet die Möglichkeit gezielter Präventionsstrategien. Ziel dieser Studie war es, klinische Parameter während oder unmittelbar nach einer GDM-Schwangerschaft zu analysieren, um das Risiko für die Entwicklung eines T2DM oder Prädiabetes im Langzeitverlauf vorherzusagen.

Methoden: Die Analyse basierte auf einer retrospektiven Kohorte von 228 Frauen mit GDM-Diagnose zwischen 1990 und 1998 am Universitätsklinikum Jena, ergänzt durch Nachbeobachtungsdaten der prospektiven MuKiLOG-Studie (2020–2022) für 31 Frauen. Nur die erste dokumentierte Schwangerschaft pro Patientin wurde berücksichtigt. Der langfristige Glukosestoffwechselstatus (T2DM, Prädiabetes, kein Diabetes) wurde anhand medizinischer Akten bis 2024 bestimmt. Die Modellierung erfolgte mittels multivariater Imputation (MICE) und penalisierten logistischen Regressionen mit „Elastic Net“ Regularisierung. Zur externen Validierung des T2DM diente eine unabhängige GDM-Kohorte von 775 Frauen aus den Jahren 2011–2017 aus dem gleichen Zentrum, deren langfristiger Glukosestoffwechselstatus analog überprüft wurde. Zusätzlich wurden spezifische Modelle für Prädiabetes entwickelt.

Ergebnisse: Es konnten 115 Frauen mit vorliegenden Informationen zur späteren Entwicklung eines T2DM (50 Fälle mit, 65 ohne T2DM) in die Entwicklung der Prädiktionsmodelle einbezogen werden. Diese identifizierten das maternale Gewicht, glykämische Werte bei GDM-Diagnose und kardiovaskuläre Parameter als zentrale Prädiktoren. Das beste Modell erreichte eine AUC von 0,78, mit einem hohen negativen prädiktiven Wert (0,9) und einer „Accuracy“ von 0,72 [95% Konfidenzintervall: 0,7–0,74] in der externen Validierung. Für Prädiabetes wurden 16 positive und 15 negative Fälle analysiert. Entscheidende Prädiktoren waren der pH-Wert der Nabelarterie, kardiovaskuläre Variablen, Insulintherapie und frühere Schwangerschaftskomplikationen.

Schlussfolgerung: Die Ergebnisse belegen das Potenzial prädiktiver Modelle zur Identifikation von Frauen mit hohem bzw. niedrigem Risiko für die Entwicklung eines T2DM oder Prädiabetes nach GDM. Insbesondere der pH-Wert der Nabelschnurarterie zeigt sich als relevanter Prädiktor. Die erhöhte negative prädiktive Aussagekraft ermöglicht eine gezielte Entlastung von Niedrigrisikopatientinnen und unterstützt eine effektivere Ressourcenzuteilung im Follow-Up. Trotz Limitationen wie unvollständiger Postpartum-Daten und einem sehr kleinen Datensatz sind unsere Ergebnisse zur Modellgüte in den unabhängigen Testdaten vergleichbar zu etablierten Benchmarks. Weitere Studien sollten sich auf die externe Validierung und die Schließung von Datenlücken konzentrieren, um die Implementierung in die Praxis vorzubereiten.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass ein positives Ethikvotum vorliegt.