Mithilfe von maschinellem Lernen wollen Forscher zukünftig das Risiko für Herzinsuffizienz für Typ-2-Diabetes-Patienten exakt vorhersagen können.
Das sogenannte Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Dabei erkennen Computersysteme anhand von bestehenden Daten sowie anhand von Algorithmen bestimmte Muster und Gesetzmäßigkeiten. Schließlich soll die künstliche Intelligenz bei Typ-2-Diabetes-Patienten das Risiko für eine Herzinsuffizienz mit hoher Genauigkeit vorhersagen können. Zudem identifizierten die Forscher dazu die 10 wichtigsten Variablen.
Hohes Risiko für Herzinsuffizienz bei Typ-2-Diabetes
Die Herzinsuffizienz, auch als Herzschwäche bekannt, ist eine wichtige schwere Komplikation bei Typ-2-Diabetes. Dabei tritt die Herzinsuffizienz häufig auf. Sie erhöht die Sterblichkeit. Außerdem kann sie auch Behinderungen verursachen. Jüngst konnten rezente Studienergebnisse zeigen, dass die modernen Antidiabetika SGLT2-Hemmer allgemein den Patienten mit Herzinsuffizienz helfen kann. Das gilt natürlich auch für Patienten mit Diabetes.
Unter dem Strich will man jene Typ-2-Diabetes-Patienten frühzeitig erkennen, bei denen das Risiko für Herzinsuffizienz am größten ist. Dazu haben nun Forscher des Brigham and Women’s Hospital und des UT Southwestern Medical Center eine neue Studie durchgeführt. Im Grunde genommen soll ihr neues, mit Machine Learning berechnete Modell mit hoher Genauigkeit das Herzinsuffizienz-Risiko bei Diabetes-Patienten vorhersagen.
„Unsere Risikobewertung bietet jedenfalls ein neuartiges Vorhersagewerkzeug zur Identifizierung von Diabetes-Patienten. Und zwar bei jenen, bei denen in den nächsten fünf Jahren ein Risiko für Herzinsuffizienz besteht. “ Dementsprechend erklärt der Co-Erstautor der Studie Dr. Matthew Segar die Ergebnisse. „Dazu sind keine spezifischen klinischen kardiovaskulären Biomarker oder fortgeschrittene Bildgebungsverfahren erforderlich. Der Risikowert lässt sich problemlos in die Praxis am Krankenbett oder in elektronische Patientenakten integrieren. Er kann auch Patienten identifizieren, die von bestimmten Medikamenten profitieren würden.“
WATCH-DM
Zur Entwicklung des Risikoscores (auch als WATCH-DM bezeichnet) nutzten die Wissenschaftler die Daten von 8.756 Patienten mit Diabetes. Wobei diese zuvor an der Studie Action to Control Cardiovascular Risk in Diabetes (ACCORD) teilgenommen hatten.
Schließlich umfassten die Daten insgesamt 147 Variablen. Darunter fanden sich beispielsweise Ergebnisse zu Demografie und klinischen Informationen sowie verschiedene Labordaten. Die Forscher verwendeten die künstliche Intelligenz, um die mehrdimensionale Daten zu verarbeiten. Das ergab leistungsstarke Prädiktoren für das Herzinsuffizienz-Risiko.
„Wir hoffen, dass unser System für Ärzte vor Ort – Hausärzten, Endokrinologen, Nephrologen sowie Kardiologen – nützlich sein kann. Denn sie betreuen ja die Patienten mit Diabetes. Und sie denken darüber nach, welche Strategien dabei helfen können“, sagte Kardiologe und Ko-Erstautor Dr. Muthiah Vaduganathan.
Literatur:
Matthew W. Segar. Muthiah Vaduganathan. Kershaw V. Patel. Darren K. McGuire. Javed Butler. Gregg C. Fonarow. Mujeeb Basit. Vaishnavi Kannan. Justin L. Grodin. Brendan Everett. Duwayne Willett. Jarett Berry. Ambarish Pandey. Machine Learning to Predict the Risk of Incident Heart Failure Hospitalization Among Patients With Diabetes. The WATCH-DM Risk Score. Diabetes Care 2019 Sep; dc190587. https://doi.org/10.2337/dc19-0587
Quelle: BRIGHAM UND FRAUENKRANKENHAUS
