key: cord-0070980-j3byvo68
authors: Glaser, Astrid; Hrabě de Angelis, Martin
title: Mit Big Data zu einer gezielteren Diabetes-Prävention und -Therapie
date: 2021-12-07
journal: Diabetologe
DOI: 10.1007/s11428-021-00827-8
sha: ed50fe89b3d3580438ee44c0c294036033005213
doc_id: 70980
cord_uid: j3byvo68

nan

Die Digitalisierung, moderne Informationstechnologien sowie die Auswertung großer Datenmengen auch unter Anwendung von künstlicher Intelligenz (KI) mit maschinellem Lernen ermöglichten in den vergangenen Jahren wichtige Durchbrüche in der Diabetesforschung. Mithilfe der Clusteranalyse 1 wurden in großen internationalen Kohorten verschiedene Diabetessubtypen identifiziert [1] . Ergebnisse aus der Deutschen Diabetes Studie deuten darauf hin, dass je nachdem, zu 1 

Moderne Informationstechnologien wie KI und besonders der Teilbereich des maschinellen Lernens können auch helfen, die Diabetesforschungsowie-diagnosezu verbessern. Mit Techniken des maschinellen Lernens ("deep learning methods") gelang es Computerbiologiespezialistinnen und -spezialisten ("computational biology experts") des DZD-Partners Helmholtz Zentrum München, Retinopathien besser zu klassifizieren. Sie trainierten den Computer darauf, kranke und gesunde Augen zu erkennen und die Patientinnen und Patienten entlang der Schwere und des Fortschreitens der Erkrankung einzuordnen [4] . Auch andere Gruppen arbeiten an Systemen zum Netzhautscreening, um diabetische Veränderungen an der Netzhaut zu erkennen. [9] .

Die Beispiele aus der Diabetesforschung, aber auch die aktuelle COVID-19-Pandemie (COVID-19: "coronavirus disease 2019") machen deutlich, wie wichtig Daten sind, um Krankheiten präziser diagnostizieren sowie gezielter vermeiden und behandeln zu können. In großen Datenmengen lassen sich Muster erkennen, die sonst verborgen bleiben. Erst wenn Daten in einen größeren Zusammenhang gestellt werden, können neue Lösungen gefunden werden -und davon profitiert dann auch wieder der Einzelne, der seine Daten der Forschung überlassen hatetwa durch eine präzisere Prävention und Therapie. 

Novelsubgroupsofadult-onset diabetes and their association with outcomes: a data-driven cluster analysis of six variables

Risk of diabetes-associated diseases in subgroups of patients with recentonset diabetes: a 5-year follow-up study

Pathophysiology-based subphenotyping of individuals at elevated risk for type 2 diabetes

Reconstructing cell cycle and disease progression using deep learning

Feature ranking of type 1 diabetes susceptibility genes improves prediction of type 1 diabetes

Geneticscorestostratifyrisk of developing multiple islet autoantibodies and type 1 diabetes: a prospective study in children

Die elektronische Diabetesakte eDA der DDG (Deutsche Diabetes Gesellschaft)

Hrsg) (2021) Digitalisierungs-und Technologiereport Diabetes

Nutzbarmachung digitaler Daten für KI-und datengetriebene Gesundheitsforschung

Lesetipp Machen Sie sich fit mit dem