Im Rahmen der Studie analysierten Wissenschafter:innen der MedUni Wien in Zusammenarbeit mit Kolleg:innen der Charité – Universitätsmedizin Berlin und des Consiglio Nazionale delle Ricerche Padua bestimmte Daten von 2682 Frauen mit Schwangerschaftsdiabetes (GDM), welche zwischen 2015 und 2022 an der MedUni Wien und der Charité routinemäßig erhoben worden waren. Mithilfe von Clusteranalysen, einer Methode des maschinellen Lernens, wurden die Patientinnen basierend auf Routineparametern wie Alter, Body-Mass-Index (BMI) vor der Schwangerschaft sowie Blutzuckerwerten aus einem Glukosetoleranztest (OGTT) in verschiedene Gruppen eingeteilt. „Daraus ließen sich ganz klar drei Cluster mit unterschiedlichem Therapiebedarf ableiten“, berichtet Studienleiter Christian Göbl (Universitätsklinik für Frauenheilkunde, MedUni Wien). „Darüber hinaus haben wir gesehen, dass auch verschiedene Schwangerschaftskomplikationen in den einzelnen Untergruppen unterschiedlich gehäuft auftreten.“
Routinedaten für individualisierte Therapieentscheidung
Der erste Subtyp umfasst Frauen mit den höchsten Blutzuckerwerten, einer hohen Adipositasprävalenz und dem höchsten Bedarf an blutzuckersenkenden Medikamenten. Die zweite Untergruppe besteht aus Frauen mit mittlerem BMI und erhöhten Nüchternblutzuckerwerten. Frauen mit normalem BMI, aber erhöhten Blutzuckerwerten nach der OGTT wurden im dritten Subtyp zusammengefasst. „Die Patientinnen in den von uns ermittelten Untergruppen zeigten bemerkenswerte Unterschiede in Bezug auf den Bedarf an glukosesenkenden Medikamenten und Behandlungsmodalitäten wie zum Beispiel schnell wirkendes gegenüber intermediärem oder lang wirkendem Insulin“, weist Christian Göbl auf die enorme klinische Relevanz der Studienergebnisse hin, die den Grundstein für weitere Forschungsarbeiten zur Entwicklung optimaler Behandlungsstrategien für jede Subgruppe legen. Das neu geschaffene Modell dafür basiert auf maschinellem Lernen, einem Bereich der künstlichen Intelligenz, der Vorhersagen und Entscheidungen aus Daten ableiten kann. „Dazu werden in diesem Fall nur wenige Parameter benötigt, die in der klinischen Routine bei Schwangerschaftsdiabetes ohnehin immer vorhanden sind. So können Patientinnen noch spezifischer und individualisierter beraten und behandelt und das Risiko für Komplikationen bei Mutter und Kind weiter verringert werden“, so Göbl.
Publikation: Diabetologia
Identification and validation of gestational diabetes subgroups by data-driven cluster analysis;
Benedetta Salvatori, Silke Wegener, Grammata Kotzaeridi, Annika Herding, Florian Eppel, Iris Dressler-Steinbach, Wolfgang Henrich, Agnese Piersanti, Micaela Morettini, Andrea Tura & Christian S. Göbl; doi: 10.1007/s00125-024-06184-7
https://link.springer.com/article/10.1007/s00125-024-06184-7