Diabetesrisiko: UCL-Modelle sagen Erkrankungen bis zu 15 Jahre voraus
Veröffentlicht am: 25.09.2026 um 13:30 Uhr | Redaktion boerse-global.de
Die frühzeitige Erkennung von Stoffwechselrisiken gilt als zentraler Hebel, um chronischen Erkrankungen wie Typ-2-Diabetes rechtzeitig entgegenzuwirken. Um künftige Erkrankungswahrscheinlichkeiten verlässlicher einzuschätzen, gewinnen statistische Vorhersagewerkzeuge und Methoden des maschinellen Lernens zunehmend an Bedeutung.
Eine wissenschaftliche Untersuchung von Forschenden des University College London (UCL) analysiert, wie präzise sich das Erkrankungsrisiko über Zeiträume von bis zu 15 Jahren bei Erwachsenen mittleren Alters prognostizieren lässt, wie ein Bericht vom 24. September 2026 darlegt.
Methodischer Aufbau und Kohortenanalyse
Für die Entwicklung und Validierung der Vorhersagemodelle griffen die UCL-Forschenden auf Daten etablierter Langzeitstudien zurück. Als Basis diente die Whitehall-II-Studie. Der Datensatz wurde in eine Trainingskohorte mit 4.502 Teilnehmenden sowie eine interne Testkohorte mit 1.929 Personen aufgeteilt. Innerhalb dieser internen Testkohorte wurden insgesamt 235 Krankheitsereignisse erfasst.
Um die Generalisierbarkeit der Berechnungen abzusichern, führten die Wissenschaftler eine externe Validierung anhand der English Longitudinal Study of Ageing (ELSA) durch. In diesem unabhängigen Validierungskollektiv traten im Beobachtungsverlauf 255 Diabetes-Ereignisse auf.
Untersucht wurden standardisierte Vorhersagehorizonte für das 5-, 10- und 15-Jahres-Risiko, um sowohl mittelfristige Tendenzen als auch langfristige Manifestationen abzubilden.
Wer sich mit der Früherkennung von Stoffwechselrisiken befasst, sollte die Bedeutung seiner persönlichen Blutwerte genau kennen. Dieser kostenlose 25-Seiten-Report erklärt verständlich, wie Sie Vitalstoffmängel erkennen und Ihre Laborwerte richtig deuten. Kostenlosen Laborwerte-Selbstcheck jetzt sichern
Statistische Verfahren im Leistungsvergleich
Im Mittelpunkt des analytischen Vergleichs standen zwei methodische Ansätze: das regressionsbasierte LASSO-Verfahren sowie sogenannte Random Survival Forests (RSF), ein Verfahren aus dem Bereich des maschinellen Lernens.
Im externen ELSA-Validierungsdatensatz zeigten beide Modellvarianten eine hohe Unterscheidungskraft. Für das 10-Jahres-Risiko erreichte der C-Index bei Anwendung von RSF einen Wert von 0,822, während das LASSO-Modell einen C-Index von 0,820 aufwies. Die Diskriminationsfähigkeit beider Modelle lag damit auf einem nahezu identischen Niveau.
Relevanz für die Primärversorgung
Trotz der vergleichbaren statistischen Performanz weisen die Modelle wesentliche Unterschiede im Hinblick auf ihre praktische Umsetzbarkeit auf. Das LASSO-Verfahren benötigt im Vergleich zu RSF eine geringere Anzahl an Prädiktoren.
Neben der statistischen Risikovorhersage spielt die aktive Vorsorge durch gezielte Übungen eine entscheidende Rolle für ein gesundes Leben. Erfahren Sie in diesem Gratis-Leitfaden, wie Sie mit nur 3 Minuten täglichem Aufwand Ihre Werte auf natürliche Weise positiv beeinflussen können. 7 einfache 3-Minuten-Übungen kostenlos herunterladen
Dieser geringere Bedarf an Eingangsvariablen ist ein entscheidender Faktor für die translationale Medizin. In der hausärztlichen Praxis und der allgemeinen Primärversorgung stehen oft nur begrenzte diagnostische Ressourcen und standardisierte Routinedaten zur Verfügung.
Modelle, die mit weniger Prädiktoren auskommen, ohne signifikant an Vorhersagegenauigkeit einzubüßen, können dort wesentlich leichter in bestehende Arbeitsabläufe integriert werden. Auf diese Weise lässt sich die Risikostratifizierung bei Menschen mittleren Alters vereinfachen, um gezielte Präventionsmaßnahmen frühzeitig einzuleiten.
