Bibliographic Metadata

Title
Evaluierung wenig invasiver Vorhersagemodelle für Gestationsdiabetes / eingereicht von Grammata Kotzaeridi
Additional Titles
Evaluation of minimally invasive prediction models for gestational diabetes mellitus
AuthorKotzaeridi, Grammata
Thesis advisorGöbl, Christian
Published2018
Description148 Seiten : Diagramme
Institutional NoteMedizinische Universität Wien, Diplomarb., 2018
Annotation
Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers
Date of SubmissionOctober 2018
LanguageGerman
Document typeThesis (Diplom)
Keywords (DE)Gestationsdiabetes / Geburtshilfe
Keywords (EN)Gestational diabetes mellitus / Obstetrics
Restriction-Information
 The Document is only available locally
Links
Reference
Classification
Abstract (German)

Hintergrund & Ziele: Gestationsdiabetes mellitus (GDM) ist eine in der Schwangerschaft auftretende Form der Hyperglykämie und betrifft ca. 12,6 % der Schwangerschaften in Europa. Weltweit gibt es keinen Konsensus was das Screening für Gestationsdiabetes betrifft, was auf Unterschiede in den ökonomischen Ressourcen, Infrastruktur und Gesundheitspolitik zurückzuführen ist. Diagnostiziert wird Gestationsdiabetes meist durch den oralen Glukosetoleranztest (oGTT, 24.-28. Schwangerschaftswoche), der jedoch als universales einzeitiges Screeningverfahren betrachtet sehr kostenintensiv und zeitaufwändig ist. Um den Einsatz von invasiven Screeningverfahren zu reduzieren wurden verschiedene Vorhersagemodelle für Gestationsdiabetes entwickelt, die Schwangere mit mittlerem und hohem Gestationsdiabetes Risiko für weitere diagnostische Tests herausfiltern sollen. In der Frühschwangerschaft angewandt könnte man so nicht nur frühzeitig das individuelle Risiko für Gestationsdiabetes ermitteln, sondern gezielt Präventionsmaßnahmen einleiten. Die Vorhersagemodelle sind jedoch vor allem in der Frühschwangerschaft nicht ausreichend überprüft und evaluiert. Das Ziel unserer Studie war die prädiktive Richtigkeit von 9 Vorhersagemodellen (Naylor 1997, Caliskan 2004, Phaloprakarn 2009, van Leeuwen 2010, Nanda 2011, Teede 2011, Göbl 2012, Savona-Ventura 2013, Syngelaki 2015) zu evaluieren und diese miteinander zu vergleichen.

Methoden: Für diese prospektive Kohortenstudie wurden 574 Studienteilnehmerinnen vor der 16. SSW in im Zeitraum von Jänner 2016 bis Juni 2018 in den Ambulanzen der Abteilung für Geburtshilfe und feto-maternaler Medizin des AKH Wien rekrutiert. Zur Anwendung der Vorhersagemodelle wurden Patientendaten mittels persönlicher Gespräche, Anamnese-Fragebogen sowie Blut- und Harnuntersuchungen erhoben. Die Einteilung der Studienteilnehmerinnen in die Gruppen NGT (normale Glukosetoleranz) und GDM erfolgte nach Entbindung und richtete sich nach den oGTT-Resultaten bzw. der Dokumentation während der Schwangerschaft. Die Daten der Studienteilnehmerinnen wurden in jedes einzelne Vorhersagemodell eingesetzt, evaluiert und mit Ergebnissen der Studie von Syngelaki (2015) bzw. der Originalstudien verglichen. Im Anschluss erfolgte der Vergleich der Vorhersagemodelle miteinander.

Resultate: Vier Vorhersagemodelle (Syngelaki, Nanda, van Leeuwen, Göbl) erzielten eine mittelmäßige Vorhersagekraft (ROC-AUC 0,7-0,79). Die Vorhersagemodelle von Syngelaki und Nanda schnitten sich mit einer ROC-AUC von 0,738 bzw. 0,737 am besten ab. Die restlichen fünf Modelle hatten zeigten eine geringe Vorhersagekraft (Teede, Phaloprakarn, Savona-Ventura, Naylor, Caliskan). Das Vorhersagemodell von Caliskan schnitt dabei mit einer ROC-AUC von 0,618 am schlechtesten ab. Insgesamt schnitten alle Vorhersagemodelle in dieser Studie schlechter ab als in ihrer Originalstudie und der Studie von Syngelaki (2015) mit Ausnahme des Vorhersagemodells von Göbl, welches gleich gut abschnitt (0,712 vs. 0,710).

Schlussfolgerung: Während 4 Vorhersagemodelle eine mittelmäßige und 5 eine geringe Vorhersagekraft aufwiesen, konnte keines der 9 Vorhersagemodelle eine hohe Vorhersagekraft erzielen. Demnach bedarf es weiterer Verbesserung und Überarbeitung der Vorhersagemodelle, gegebenenfalls durch Berücksichtigung von Biomarker und Lifestyle-Faktoren. Gestationsdiabetes wird mit seiner stetig steigenden Prävalenz und seiner kurz- als auch langfristigen Risiken für Mutter und Kind auch in Zukunft ein wachsendes Problem bleiben. Deshalb sollte die Optimierung der Vorhersagemodelle weiterverfolgt werden, sodass ein kosteneffizientes und verlässliches Screening-Verfahren für Gestationsdiabetes geschaffen werden kann.

Abstract (English)

Background and Objectives: Gestational Diabetes Mellitus (GDM) is a form of hyperglycemia, which occurs in pregnancy and affects about 12,6% of pregnancies in Europe. There is no worldwide consensus when it comes to screening for GDM, mainly due to the differences in economic resources, infrastructure and health care policy. GDM is diagnosed through an Oral Glucose Tolerance Test at 24-28 weeks of gestation, which, if used as a universal one-step screening procedure, has proven to be too costly and time-consuming. In order to reduce the number of invasive screening procedures, prediction models for GDM were developed so that patients with an intermediate and high risk for GDM could be filtered out for additional diagnostic testing. When applied in early pregnancy, not only could a prediction model determine the individual risk for GDM in advance, but it could allow for early implementation of preventive measures. However, those prediction models, as of yet, have not been thoroughly evaluated, especially with regard to application in early pregnancy. The aim of our study was to evaluate the predictive accuracy of 9 prediction (Naylor 1997, Caliskan 2004, Phaloprakarn 2009, van Leeuwen 2010, Nanda 2011, Teede 2011, Göbl 2012, Savona-Ventura 2013, Syngelaki 2015) and to compare them to one another.

Methods: In this prospective cohort study, we collected data from 574 pregnant women before the 16th week of gestation between January 2016 and June 2018 in the Outpatient Department of the Division of Obstetrics and Feto-Maternal Medicine, Vienna General Hospital. Data was obtained through interviews, questionnaires, and blood and urine tests and contained variables used in the aforementioned prediction models. After birth and according to OGTT results and documentation throughout pregnancy, the study participants were classified either NGT (normal glucose tolerance) or GDM. The prediction models were evaluated and the results were compared to results of previous studies (Syngelaki 2015, original studies). Conclusively, the nine prediction models were compared to one another.

Results: Four prediction models (Syngelaki, Nanda, van Leeuwen, Göbl) achieved a moderate predictive accuracy (ROC-AUC 0,7-0,79). The prediction models by Syngelaki and Nanda performed best out of all prediction models with ROC-AUCs of 0,738 and 0,737. The other five prediction models (Teede, Phaloprakarn, Savona-Ventura, Naylor, Caliskan) showed poor predictive accuracy (ROC-AUC 0,6-0,69). The prediction model by Caliskan performed worst out of all prediction models with a ROC-AUC of 0,618. All prediction models performed worse in this study compared to the Syngelaki study (2015) and their original studies with the exception of the prediction model by Göbl, which performed similarly well compared to its original study (0,712 vs. 0,710).

Conclusions:

Four prediction models showed moderate predictive accuracy and five prediction models showed poor predictive accuracy. However, none of the prediction models achieved the desired high predictive accuracy, which highlights the need for improvement and revision of the prediction models, potentially by integrating biomarkers and lifestyle factors into those models. With its growing prevalence and short- and long-term risks for mother and child, Gestational Diabetes Mellitus will continue to be a growing concern in the future. Therefore, the optimization of the prediction models should be continued in order to develop a cost-efficient and reliable screening procedure for GDM.

Stats
The PDF-Document has been downloaded 0 times.