Der Diabetologe

, Volume 8, Issue 1, pp 18–25

Biomarker und Risikoprädiktion des Typ-2-Diabetes

Authors

    • Abteilung Molekulare EpidemiologieDeutsches Institut für Ernährungsforschung Potsdam-Rehbrücke
  • B. Kowall
    • Institut für Biometrie und EpidemiologieDeutsches Diabetes-Zentrum (DDZ)
  • W. Rathmann
    • Institut für Biometrie und EpidemiologieDeutsches Diabetes-Zentrum (DDZ)
Leitthema

DOI: 10.1007/s11428-011-0776-y

Cite this article as:
Schulze, M., Kowall, B. & Rathmann, W. Diabetologe (2012) 8: 18. doi:10.1007/s11428-011-0776-y
  • 84 Views

Zusammenfassung

Das Risiko, an Typ-2-Diabetes zu erkranken, lässt sich durch eine geeignete Lebensstilintervention deutlich reduzieren. Daher stellt sich die Frage, ob sich Biomarker zur Verbesserung der Diabetesprädiktion und somit zur Identifikation von Hochrisikopersonen nutzen lassen. Die prognostische Güte von Biomarkern kann dabei in Langzeitstudien mit Hilfe des c-Wertes abgeschätzt werden. Nüchternglukose sowie HbA1c sind starke Diabetesprädiktoren, die für eine Risikovorhersage auch zusätzlich zu konventionellen, nichtinvasiven Risikofaktoren verwendet werden sollten. Auch eine Bestimmung von Blutlipiden (HDL-Cholesterol, Triglyzeride) ist in diesem Zusammenhang sinnvoll. Obwohl auch die 2-Stunden-Glukose einen informativen Parameter darstellt, wird diese in Arztpraxen nur selten gemessen. Neuere Biomarker wie Entzündungsmarker (CRP) oder das Adipozytokin Adiponektin scheinen über diese Parameter hinaus wenig zusätzliche Information zur Vorhersage des Typ-2-Diabetes zu besitzen. Auch Informationen zu genetischen Varianten sind gegenwärtig nicht für eine Vorhersage nutzbar. Ein zweistufiges Verfahren, mit einem Prognosemodell basierend auf nichtinvasiven Parametern als ersten Schritt sowie routinemäßig zu erhebende Blutparameter wie Lipide und Glukosewerte als zweiten Schritt, erlaubt eine präzise Abschätzung des Diabetesrisikos.

Schlüsselwörter

Biomarkerc-StatistikNüchternglukoseTyp-2-Diabetes-mellitusVorhersagemodell

Biomarkers and risk prediction of type 2 diabetes

Abstract

The preventability of type 2 diabetes has been demonstrated, however, it remains unclear if biomarkers can be used to identify high-risk individuals. The prognostic value of biomarkers can be evaluated based on the c-statistic in long-term studies. Fasting glucose and HbA1c are strong predictors of diabetes risk and should be used for quantifying risk also in addition to conventional non-invasive risk factors. Moreover, determination of blood lipids (HDL cholesterol, triglycerides) is useful. Although 2 h-glucose is an informative risk marker it is only rarely measured in clinical practice. Novel biomarkers like inflammatory markers (CRP) or adiponectin do not seem to provide substantial information over and above more common parameters. Also, information on genetic variants is so far not useful for diabetes risk prediction. A two-step screening approach, with a prognostic model based on non-invasive parameters as first step and routine blood parameters like lipids and glucose measures as second step, allows a precise quantification of risk.

Keywords

Biomarkerc-statisticFasting glucosePrediction modelType 2 diabetes mellitus

Die Vermeidbarkeit des Typ-2-Diabetes durch Lebensstilmodifikationen oder medikamentöse Interventionen wurde eindrucksvoll in randomisierten Interventionsstudien gezeigt [22]. Interventionen auf der Ebene einzelner Individuen erscheinen dabei aus Kostensicht besonders sinnvoll, wenn sie auf Personen mit hohem Risiko beschränkt werden. Hier besteht die Frage, wie die Bestimmung von Biomarkern zur Quantifizierung des individuellen Diabetesrisikos beitragen kann.

Klassen von Biomarkern

Biomarker sind charakteristische biologische Merkmale, die objektiv gemessen werden können und zur Untersuchung normaler biologischer Prozesse, krankhafter Prozesse oder pharmakologischer Reaktionen auf therapeutische Behandlungen im Körper dienen können [2]. Die Definition umfasst dabei unterschiedlichste Marker: neben den in der Diabetesdiagnose und -therapie verwendeten Markern Plasmaglukose, Lipide oder Insulin viele andere Metabolite und Proteine, aber auch Marker zur Charakterisierung des Genoms und Transkriptoms, Marker subklinischer Erkrankungen und metabolische Endprodukte (Tab. 1).

Tab. 1

Übersicht über Kategorien verschiedener Biomarker mit möglicher Relevanz zur Vorhersage des Diabetesrisikos. (Adaptiert nach Herder et al. [11])

Kategorie

Biomarker

Genom

Einzelnukleotid-Polymorphismen (SNP, „single nucleotide polymorphism”)

Seltene Varianten

„Copy-number variants“

Epigenetische Modifikationen (z. B. Methylierung)

Telomerlänge

Transkriptom

mRNA

miRNA

Proteom

Peptide, Proteine und Glykoproteine im peripheren Blut und anderen Körperflüssigkeiten

Metabolite

Lipide

Zuckermoleküle

Nukleotide

Organische Säuren

Aminosäuren

Marker subklinischer Erkrankungen

Triglyzeridgehalt in Leber, Muskel, Pankreas oder Herz (ektopisches Fett)

Metabolische Endprodukte

Proteine und Metabolite im Urin

Volatile organische Verbindungen in der Atemluft

Darmmikrobiota

Methodische Aspekte bei der Untersuchung von Biomarkern für Vorhersagezwecke

Bei der Entwicklung und Validierung von Biomarkern oder anderen Faktoren zur Bestimmung des Risikos, in den kommenden Jahren an Diabetes zu erkranken, müssen Studienkollektive untersucht werden, in denen zunächst keine bekannten Diabetespatienten vorhanden sind und die prospektiv hinsichtlich des Auftretens von Diabetes mellitus nachverfolgt werden. Nur so stellen die Biomarkerspiegel und andere Daten der Studienteilnehmer zur Basisuntersuchung den Ist-Zustand vor der Entwicklung eines Diabetes dar. Dies ist Voraussetzung, um valide Aussagen über das zukünftige Erkrankungsrisiko machen und somit Personen für eine Primärprävention identifizieren zu können. Obwohl eine ganze Reihe von Biomarkern in derartigen Studien als mit dem Risiko assoziiert beschrieben wurden [19], bedeutet dies nicht, dass sie auch automatisch für eine Bestimmung des Erkrankungsrisikos wertvoll sind. Hier sind Analysen zur Vorhersagegüte notwendig.

Die prognostische Güte von Risikoscores oder Prädiktionsmodellen wird häufig mit Hilfe des c-Wertes abgeschätzt. Ein c-Wert von 0,5 bedeutet, dass ein Score oder Modell keine besseren Prognosen liefert als ein Münzwurf; der höchste Wert, den der c-Wert theoretisch annehmen kann, beträgt 1. Modelle mit einem c-Wert von 0,7 sind für eine erste Risikoabschätzung brauchbar, ein Wert von 0,9 ist exzellent. Der c-Wert lässt sich auf zwei Weisen interpretieren:
  • Zum einen als Fläche unter der sog. ROC-Kurve, bei der der Anteil der richtig Positiven („Sensitivität“) gegen den Anteil der falsch Positiven („1 – Spezifität“) aufgetragen wird. Wenn auf jeden richtig prognostizierten Fall eines inzidenten Diabetes genau ein falsch diagnostizierter Diabetesfall kommt, fällt die ROC-Kurve mit der Diagonalen zusammen und der c-Wert liegt bei 0,5.

  • Zum anderen lässt sich der c-Wert als Wahrscheinlichkeit dafür interpretieren, dass die vom Modell geschätzte Diabeteswahrscheinlichkeit für eine Person, die später tatsächlich einen Diabetes entwickelt, höher ist als für eine Person, die keinen Diabetes bekommt.

Glukose und HbA1c zur Diabetesprädikation

Seit Langem ist bekannt, dass sowohl Personen mit einer gestörten Nüchternglukose (Nüchternglukose 100–125 mg/dl, 5,6–6,9 mmol/l) als auch Personen mit einer gestörten Glukosetoleranz (oraler Glukosetoleranztest/oGTT, 2-h-Glukose: 140–199 mg/dl, 7,8–11,1 mmol/l) ein deutlich erhöhtes Risiko für den Typ-2-Diabetes aufweisen [27] – dies bedeutet auch:

Mit der 2-h-Glukose können Hochrisikopersonen identifiziert werden, die mit der Nüchternglukose allein nicht gefunden werden.

Personen, die eine gestörte Nüchternglukose und zugleich eine gestörte Glukosetoleranz aufweisen, haben darüber hinaus ein deutlich höheres Diabetesrisiko als Personen, die nur eine der beiden Störungen aufweisen: In einer Metaanalyse hatten Probanden mit beiden Störungen ein um mehr als das 12-fach höheres Diabetesrisiko als Probanden mit normaler Glukosetoleranz [9]; in der KORA-Studie mit älteren Teilnehmern entwickelte fast die Hälfte der Personen mit beiden Störungen in einem Beobachtungszeitraum von 7 Jahren einen Typ-2-Diabetes [18].

Dass erhöhte Werte der 2-h-Glukose einen eigenständigen Risikofaktor für den Typ-2-Diabetes darstellen, lässt sich damit erklären, dass die ätiologischen und pathophysiologischen Faktoren, die einer gestörten Nüchternglukose und einer gestörten Glukosetoleranz zugrunde liegen, unterschiedlich sind.

Eine gestörte Nüchternglukose tritt nach Ergebnissen der dänischen Inter99-Studie beispielsweise öfter bei Männern auf und reflektiert besonders die reduzierte basale Insulinsekretion, während die gestörte Glukosetoleranz stärker eine Insulinresistenz widerspiegelt und beispielsweise mit der Körpergröße assoziiert ist [7].

Für die Diabetesprädiktion ist die Verwendung kontinuierlicher Glukosemaße sinnvoller als die Verwendung von Kategorien des Prädiabetes. Dies zeigt sich beispielsweise darin, dass ein deutlicher Risikoanstieg bereits für steigende Nüchternglukose-Konzentrationen im Normbereich beobachtet wird, wie u. a. Daten der EPIC-Potsdam-Studie belegen [21, 26]. Das Diabetesrisiko steigt also eher kontinuierlich mit höheren Glukosewerten, sowohl im Normbereich als auch im prädiabetischen Bereich.

Daher liegt es nahe, dass glykämische Maße wie die Nüchtern- und die 2-h-Glukose sowie der HbA1c starke Diabetesprädiktoren sind und dass für eine Risikovorhersage möglichst der Messwert ohne Kategorisierung verwendet werden sollte. Dies ist u. a. in der deutschen KORA- und in der dänischen Inter99-Studie bestätigt worden: In der KORA-Studie lagen die c-Werte von Prädiktionsmodellen, die ausschließlich eines dieser 3 glykämischen Maße enthalten, bei 0,73 (Nüchternglukose), 0,80 (2-h-Glukose) und 0,68 (HbA1c), Inter99-Studie: Nüchternglukose: 0,72, 2-h-Glukose: 0,79, HbA1c: 0,66 [13, 17]. Die 2-h-Glukose stellt demnach in diesen Studien unter den 3 einbezogenen glykämischen Maßen den stärksten Diabetesprädiktor dar. In der skandinavischen Botnia-Studie wurden hingegen für die 3 genannten Glukosemaße vergleichbare c-Werte gefunden (0,67–0,69), während sich die 1-h-Glukose im oGTT als besonders starker Prädiktor für den Typ-2-Diabetes herausstellte (c=0,80; [1]).

Glukosewerte und der HbA1c verbessern darüber hinaus deutlich die Prädiktion von Modellen, die einfache klinische Parameter wie Alter, Geschlecht, Body Mass Index (BMI) und elterlichen Diabetes enthalten. Sowohl in der KORA- als auch in der ARIC-Studie (USA) führt die Addition der Nüchternglukose zu einfachen Basismodellen zu einem deutlichen Anstieg der c-Werte um 0,04 bzw. 0,07 (Tab. 2). In der KORA-Studie führte auch die Addition der 2-h-Glukose zum Basismodell zu einer drastischen Verbesserung der Prognosegüte von 0,76 auf 0,85. Hingegen änderte sich die Prognosegüte des San Antonio Diabetes Risk Score nach Hinzufügung der 2-h-Glukose nur geringfügig – dennoch war der Unterschied statistisch signifikant, und das Ausgangsmodell enthielt bereits die Nüchternglukose. In der KORA-Studie bewirkte die Addition der 2-h-Glukose zu einem Modell, das neben den Variablen des Basismodells bereits die Nüchternglukose einschloss, eine statistisch signifikante Verbesserung der Prognosegüte von 0,81 auf 0,87.

Dies bestätigt, dass die 2-h-Glukose einen eigenständigen Risikofaktor für den Typ-2-Diabetes darstellt, auch wenn sie mit der Nüchternglukose korreliert ist. Der HbA1c-Wert ist seltener in Prognosemodelle einbezogen worden. In der KORA-Studie verbesserte sich die Prognosegüte durch die Aufnahme des HbA1c in das Basismodell etwa im gleichen Maße wie durch Hinzufügung der Nüchternglukose. Auch in der EPIC-Potsdam-Studie ist eine deutliche Verbesserung der Vorhersage des Basismodells (Deutscher Diabetes-Risiko-Score) durch HbA1c möglich [ROC-AUC („receiver operating characteristics – area under the curve“)von 0,84 auf 0,89]. Diese Studie deutet auch darauf hin, dass eine Bestimmung der Glukose bei Patienten, die nicht nüchtern sind (Zufallsglukose), eine Verbesserung der Vorhersage bewirken kann.

Tab. 2

Verbesserung einfacherer Vorhersagemodelle durch Glukoseparameter

Studie

Basismodell

Erweiterung des Basismodells

c-Wert

ARIC-Studie

n= 7.915, 45–64 Jahre bei Studienbeginn

9 Jahre Follow-up

[20]

Alter, Ethnizität, Diabetes der Eltern, systolischer Blutdruck, Taillenumfang, Körpergröße

0,71

+  Nüchternglukose

0,78

EPIC-Potsdam-Studie

n= 26.444, 35–65 Jahre bei Studienbeginn

7 Jahre Follow-up

[23]

Alter, Taillenumfang, Körpergröße, Hypertonie, Alkoholkonsum, Rauchen, Kaffeekonsum, Verzehr von Fleisch, Vollkornbrot, Aktivität

0,85

+  Zufallsglukose

0,87

+  HbA1c

0,89

+  Zufallsglukose, HbA1c

0,89

KORA S4/F4

n=887, 55–74 Jahre bei Studienbeginn

7 Jahre Follow-up

[17]

Alter, Geschlecht, BMI, Bluthochdruck, Diabetes der Eltern, Rauchen

0,76

+  Nüchternglukose

0,81

+  2-h-Glukose

0,85

+  HbA1c

0,80

+  Nüchernglukose, 2-h-Glukose

0,87

+  Nüchternglukose, 2-h-Glukose, HbA1c

0,88

San Antonio Heart Study

n=2.903, 25–64 Jahre bei Studienbeginn

7,5 Jahre Follow-up

[24]

Alter, Geschlecht, Ethnizität, BMI, Diabetes der Eltern oder Geschwister, systolischer Blutdruck, HDL-Cholesterin, Nüchternglukose

0,843

+  2-h-Glukose

0,86

Glykämische Maße eignen sich weniger für ein breit angelegtes Screening zur Entdeckung von Hochrisikopatienten als vielmehr für eine individuelle Prädiktion in der klinischen Versorgung. Jedoch wird die 2-h-Glukose etwa in Arztpraxen nur sehr selten gemessen, wohingegen die Messung des HbA1c für den Patienten, der nicht nüchtern erscheinen muss, die geringste Belastung bedeutet.

Metabolisches Syndrom zur Diabetesprädiktion

Obwohl unterschiedliche Definitionen des metabolischen Syndroms existieren [8], beinhalten sie in der Regel Konzentrationen von Blutlipiden (HDL-Cholesterol und Triglyzeride) und Plasmaglukose (Nüchtern- oder 2-h-Wert) neben Blutdruckstatus und Taillenumfang. Mehrere Studien haben untersucht, ob die Diagnose des metabolischen Syndroms zur Vorhersage eines Diabetes geeignet ist. Die ROC-AUC variierte hier zwischen 0,68 und 0,85 [3]. Die Studien zeigten auch, dass eine Diagnose des Syndroms einen erheblichen Anteil zukünftiger Fälle nicht erfasst (Sensitivität zwischen 40% und 70%).

Glukose- und Lipidparameter wurden aber auch in einer Reihe von Vorhersagemodellen neben konventionellen Risikofaktoren untersucht. Mehrere dieser Vorhersagemodelle wurden mittlerweile in unabhängigen Studienkollektiven verifiziert. Die Studienergebnisse weisen insgesamt darauf hin, dass durch derartige Modelle eine akzeptable bis gute Vorhersage getroffen werden kann (Tab. 3).

Tab. 3

Vorhersagegüte von Modellen mit Glukose- und Lipidparametern

Vorhersagemodell

Risikofaktoren

ROC-AUC

Originalstudie

ROC-AUC

Verifizierung [3]

ARIC-Study

Alter, Ethnizität, Familienanamnese, systolischer Blutdruck, Taillenumfang, Körpergröße, Nüchternglukose, Triglyzeride, HDL-Cholesterol

0,80 [20]

0,83–0,84

Framingham Offspring Study

Alter, Geschlecht, Familienanamnese, Hypertonie, Taillenumfang, BMI, Nüchternglukose, Triglyzeride, HDL-Cholesterol

0,85 [30]

0,73–0,84

San Antonio Study

Alter, Geschlecht, Ethnizität, Familienanamnese, systolischer Blutdruck, BMI, Nüchternglukose, HDL-Cholesterol

0,84 [24]

0,68–0,81

Rancho Bernardo Study

Alter, Geschlecht, Nüchternglukose, Triglyzeride

0,70 [12]

0,71–0,74

AUC „area under the curve“, ROC „receiver operating characteristics”.

In diesem Zusammenhang sind auch Untersuchungen von Interesse, die deutliche Verbesserungen in der Vorhersagegüte durch diese Biomarker im Vergleich zu konventionellen (nichtinvasiven) Risikofaktoren allein nahelegen. So ergaben sich sowohl in der ARIC Study [20] als auch der Framingham Offspring Study [30] deutliche Verbesserungen der ROC-AUC nach zusätzlicher Berücksichtigung von Nüchternglukose, HDL-Cholesterol und Triglyzeriden (ARIC: von 0,71 auf 0,80, Framingham Offspring: von 0,72 auf 0,85). Auch der Deutsche Diabetes-Risiko-Test kann durch Glukose, HbA1c sowie HDL-Cholesterol, Triglyzeride, GGT und ALT verbessert werden (ROC-AUC: 0,84 auf 0,90; [23]).

Die Studienergebnisse sprechen für einen schrittweisen Screeningansatz

Diese Ergebnisse sprechen für einen schrittweisen Screeningansatz, bei dem im ersten Schritt eine Vorhersage basierend auf einfachen Fragebögen oder Routinedaten erfolgt und erst im zweiten Schritt kostenintensivere bzw. für Patienten und Untersucher aufwendigere Biomarkerbestimmungen nur noch in einer Untergruppe vorgenommen werden.

Neue biochemische Marker zur Diabetesprädiktion

Weitere Biomarker sind zwar in Studien mit einem Diabetesrisiko assoziiert, wurden allerdings bislang eher selten auf ihre Verwendbarkeit zur Risikovorhersage untersucht. Das hochsensitive C-reaktive Protein (CRP) ist mit einem erhöhten Diabetesrisiko assoziiert [14]. Für eine Vorhersage scheint CRP allerdings nicht geeignet, da durch eine Bestimmung zusätzlich zu klinischen Vorhersagemodellen mit Glukoseparametern keine wesentliche Verbesserung der Vorhersagegüte erreicht wird [23, 30].

Auch ein größeres Spektrum an Biomarkern, die entzündliche Prozesse widerspiegeln, scheint nur informativ zu sein, wenn keine konventionellen Biomarkermessungen durchgeführt wurden [4, 10]. Plasma-Adiponektin, obwohl in vielen Studien stark invers mit dem Diabetesrisiko verbunden, erlaubt nur eine marginale Verbesserung der Vorhersage, die durch konventionelle Biomarker erreicht wird [17, 23]. Eine kürzlich veröffentlichte Studie legt nahe, dass verzweigt-kettige und aromatische Aminosäuren für eine Diabetesprädiktion genutzt werden könnten, ein Ergebnis einer exploratorischen Analyse eines Metabolom-Profils [29]. Allerdings war die Verbesserung eher gering: Die ROC-AUC stieg von 0,80 auf 0,81 wenn 3 Aminosäuren zu einem Modell mit Alter, BMI und Nüchternglukose hinzugefügt wurden.

Genetische Marker zur Diabetesprädiktion

In den vergangenen Jahren haben mehrere Studien untersucht, ob Information zum Vorliegen genetischer Varianten für eine Risikovorhersage nutzbar sind. Durch exploratorische Untersuchungen des Genoms (genomweite Assoziationsstudien, GWAS) hat sich die Anzahl von bekannten Genvarianten drastisch erhöht, so dass gegenwärtig etwa 40 Varianten für eine Vorhersage herangezogen werden können. Einzelinformationen zu Genvarianten wurden in den vorliegenden Studien häufig in Form eines Genscores zusammengefasst. Hier wurde die Anzahl an Risikoallelen über alle Genvarianten summiert, zum Teil unter Berücksichtigung der bekannten Effektstärke einzelner Varianten. Allerdings ergaben sich in den meisten Studien keine oder nur geringe Verbesserungen der Vorhersagegüte im Vergleich zu Modellen mit klassischen Risikofaktoren wie Alter, Geschlecht und BMI oder klinischen Vorhersagemodellen, welche zusätzliche Biomarker enthielten (in der Regel Glukose, HDL-Cholesterol, Triglyzeride; Tab. 4). Information zu genetischen Varianten allein ergab generell ROC-AUC-Werte, die auf keine ausreichende Diskriminierungsgüte schließen lassen.

Tab. 4

Vorhersage durch genetische Informationen in prospektiven Studien

Studie

Anzahl an Genvarianten

Vorhersagegüte

Rotterdam Study [28]

18

ROC-AUC=0,56 für Genscore

Signifikante Verbesserung im Vergleich zu Vorhersagemodell mit Standardrisikofaktoren (ROC-AUC von 0,60 auf 0,66)

Framingham Offspring Study [16]

18

ROC-AUC=0,58 für Gen-Score  +  Alter

Keine Verbesserung im Vergleich zu klinischem Prädiktionsmodell

Malmö Preventive Project und Botnia Study [15]

16

ROC-AUC=0,63 (Malmö) und 0,68 (Botnia) für Genscore

Signifikante Verbesserung im Vergleich zu klinischem Prädiktionsmodell in Malmö Study (ROC-AUC von 0,74 auf 0,75), nicht in Botnia

Health Professionals Follow-up Study and Nurses‘ Health Study [5]

10

Signifikante Verbesserung im Vergleich zu Vorhersagemodell mit Standardrisikofaktoren (ROC-AUC von 0,78 auf 0,79)

EPIC-Potsdam Study [23]

20

ROC-AUC=0,57 für Genscore

Keine Verbesserung im Vergleich zu klinischem Prädiktionsmodell

Whitehall II Study [25]

20

ROC-AUC=0,54 für Genscore

Keine Verbesserung im Vergleich zu klinischem Prädiktionsmodell

Framingham Offspring Study [6]

40

ROC-AUC=0,66 (< 50 Jahre) und 0,59 (≥ 50 Jahre) für Genscore  +  Geschlecht

Signifikante Verbesserung im Vergleich zu klinischem Prädiktionsmodell bei jüngeren Personen

AUC „area under the curve“, ROC „receiver operating characteristics”.

Eine Vorhersage einer Diabeteserkrankung allein anhand eines genetischen Fingerabdruckes erscheint bislang nicht möglich.

Neuere Daten der Framingham Offspring Study legen nahe, dass zumindest für jüngere Personen (Alter < 50 Jahre) Informationen zu genetischen Risikovarianten eine Vorhersage verbessern [6]. Zwar zeigte sich diese Verbesserung nicht in einer deutlichen Erhöhung der ROC-AUC (0,911 gegenüber 0,908, p=0,3), aber in einer deutlichen Verbesserung der Klassifizierung der Studienteilnehmer in Risikokategorien (Nettoverbesserung durch Reklassifizierung: 10%).

Fazit für die Praxis

  • Patienten mit einem erhöhten Diabetesrisiko werden in der ärztlichen Praxis häufig nicht identifiziert, obwohl in diesem Stadium noch gute Aussichten bestehen, das Fortschreiten der Hyperglykämie bis hin zu einem manifesten Diabetes zu verhindern.

  • Risikoscores bieten die Möglichkeit, das Diabetesrisiko mithilfe von Parametern, die dem Arzt in der Regel ohnehin vorliegen, frühzeitig abzuschätzen. Dabei bietet sich ein zweistufiges Verfahren an.

  • Prognosemodelle mit nichtinvasiven Parametern wie Alter, Geschlecht, BMI, Blutdruck, Diabetesstatus der Eltern und Lebensstilinformationen erlauben eine erste Abschätzung des Diabetesrisikos und können mit geringem Aufwand für fast jeden Patienten berechnet werden.

  • Für Patienten, die dabei ein erhöhtes Risiko aufweisen, bieten sich in einem zweiten Schritt Risikoscores an, die routinemäßig zu erhebende Blutparameter wie Lipide und Glukosewerte einbeziehen.

  • Für die einfache Anwendung von Risikoscores in der ärztlichen Praxis genügen einfache Programme – im einfachsten Fall Excel-Sheets –, die sofort das Diabetesrisiko anzeigen.

Mehr Informationen zum Thema Diabetesprädiktion

  • Internetlink zum Deutschen Diabetes-Risiko-Test®:

  • http://drs.dife.de/

  • Internetlink zur Online-Datenbank von publizierten Diabetes-Vorhersagemodellen:

  • http://www.dife.de/drpm-database/

Interessenkonflikt

Der korrespondierende Autor gibt an, dass kein Interessenkonflikt besteht.

Copyright information

© Springer-Verlag 2012