nach oben

Die Diabetologie

Erschienen in:

01.12.2021 | Typ-1-Diabetes | Einführung zum Thema

Mit Big Data zu einer gezielteren Diabetes-Prävention und -Therapie

verfasst von: Dr. Astrid Glaser, Prof. Dr. Dr. h.c. mult. Martin Hrabě de Angelis

Erschienen in: Die Diabetologie | Ausgabe 8/2021

Einloggen, um Zugang zu erhalten

Auszug

Digitalisierung und Big Data ermöglichen gezieltere und individualisierte Diabetesprävention und -therapie …

Die Clusteranalyse (Clustering-Algorithmen) ist ein Verfahren, mit dem man anhand vorgegebener Kriterien und Merkmale die Untersuchungsobjekte (z. B. Personen) gruppieren kann. Die so gefundenen Gruppen – auch Cluster genannt – enthalten dann jeweils Fälle, die sich ähnlich sind. Ein gebildetes Cluster soll in sich maximal homogen sein, sich aber gleichzeitig von den anderen Clustern so stark wie möglich unterscheiden. Die Clusteranalyse ermöglicht u. a. auch einen besseren Überblick über sehr große Datensätze.

Ahlkvist E et al (2018) Novel subgroups of adult-onset diabetes and their association with outcomes: a data-driven cluster analysis of six variables. Lancet Diabetes Endocrinol 6(5):361–369. https://doi.org/10.1016/S2213-8587(18)30051-2CrossRef

Zaharia O et al (2019) Risk of diabetes-associated diseases in subgroups of patients with recent-onset diabetes: a 5-year follow-up study. Lancet Diabetes Endocrinol 7(9):684–694. https://doi.org/10.1016/s2213-8587(19)30187-1CrossRefPubMed

Wagner R et al (2021) Pathophysiology-based subphenotyping of individuals at elevated risk for type 2 diabetes. Nat Med 27:49–57. https://doi.org/10.1038/s41591-020-1116-9CrossRefPubMed

Eulenberg P et al (2017) Reconstructing cell cycle and disease progression using deep learning. Nat Commun 8:463. https://doi.org/10.1038/s41467-017-00623-3CrossRefPubMedPubMedCentral

Winkler C et al (2014) Feature ranking of type 1 diabetes susceptibility genes improves prediction of type 1 diabetes. Diabetologia 57:2521–2529CrossRef

Bonifacio E et al (2018) Genetic scores to stratify risk of developing multiple islet autoantibodies and type 1 diabetes: a prospective study in children. PLoS Med. https://doi.org/10.1371/journal.pmed.1002548CrossRefPubMedPubMedCentral

Müller-Wieland D, Ickrath M (2021) Die elektronische Diabetesakte eDA der DDG (Deutsche Diabetes Gesellschaft). Diabetologe 17:260–264CrossRef

Kulzer B, Heinemann L (Hrsg) (2021) Digitalisierungs- und Technologiereport Diabetes. Kirchheim, Mainz

Strategiepapier „Nutzbarmachung digitaler Daten für KI- und datengetriebene Gesundheitsforschung“. https://www.dlr.de/pt/Portaldata/45/Resources/Dokumente/GF/Strategiepapier_Nutzbarmachung_digitaler_Daten.pdf. Zugegriffen: 12. Nov. 2021

Titel: Mit Big Data zu einer gezielteren Diabetes-Prävention und -Therapie
verfasst von: Dr. Astrid Glaser
Prof. Dr. Dr. h.c. mult. Martin Hrabě de Angelis
Publikationsdatum: 01.12.2021
Verlag: Springer Medizin
Schlagwörter: Typ-1-Diabetes
Künstliche Intelligenz
Prävention in der Diabetologie
Erschienen in: Die Diabetologie / Ausgabe 8/2021
Print ISSN: 2731-7447
Elektronische ISSN: 2731-7455
DOI: https://doi.org/10.1007/s11428-021-00827-8

Praxisempfehlungen der Deutschen Diabetes Gesellschaft

Kurz, prägnant und aktuell: Die Praxisempfehlungen der Deutschen Diabetes Gesellschaft.

Zu den Praxisempfehlungen

Live-Webinar "Chronische Unterbauch- und Viszeralschmerzen in der Praxis managen"

Springer Medizin

Auszug

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 8/2021

Wie profitieren Menschen mit Diabetes von Big Data und künstlicher Intelligenz?

Hypoglykämien und kardiovaskuläres Risiko bei Typ-2-Diabetes

Demenzrisiko bei Diabetes mellitus Typ 1

Therapie des neu aufgetretenen Diabetes mellitus nach einer Pankreatitis

Mitteilungen des BDI

CME: Antithrombotische Therapie bei Diabetes mellitus

Praxisempfehlungen der Deutschen Diabetes Gesellschaft