Diese Person ähnelt am meisten dem Diabetes-Subtyp:




Das DDZ Diabetes-Cluster-Tool ordnet Menschen mit Diabetes einem der fünf Diabetes-Subtypen (Diabetes-Cluster) zu. Zusätzlich wird der Grad der Ähnlichkeit der Person mit jedem der fünf Subtypen grafisch dargestellt.

Es wird zwischen folgenden Subtypen unterschieden:
  • 1/SAID: Schwerer Autoimmundiabetes
  • 2/SIDD: Schwerer insulindefizienter Diabetes
  • 3/SIRD: Schwerer insulinresistenter Diabetes
  • 4/MOD: Milder adipositasbedingter Diabetes
  • 5/MARD: Milder altersbedingter Diabetes

Referenzen
Ahlqvist, E., Storm, P., Käräjämäki, A., Martinell, M., Dorkhan, M., Carlsson, A., ... & Groop, L. (2018). Novel subgroups of adult-onset diabetes and their association with outcomes: a data-driven cluster analysis of six variables. The Lancet Diabetes & Endocrinology 6(5), 361-369.

Zaharia, O. P., Strassburger, K., Strom, A., Bönhof, G. J., Karusheva, Y., Antoniou, S., ... & Roden, M. (2019). Risk of diabetes-associated diseases in subgroups of patients with recent-onset diabetes: a 5-year follow-up study. The Lancet Diabetes & Endocrinology 7(9), 684-694.

Wir erfassen die Anzahl der Aufrufe des DDZ Diabetes-Cluster-Tools. Die eingegebenen Daten werden nicht erfasst. Bei der Interpretation der Daten ist zu berücksichtigen, dass die Clustereinteilung ursprünglich für neu diagnostizierte Personen mit Diabetes im Erwachsenenalter entwickelt wurde.

Haftungsausschluss:
Das auf dieser Website verfügbare Web-Tool ist ausschließlich für Forschungszwecke konzipiert und dient der Zuordnung von Menschen mit Diabetes zu den vorgeschlagenen und validierten Diabetes-Clustern (oder Subtypen oder Endotypen; siehe Ahlqvist et al. 2018, Zaharia et al. 2019). Die Verwendung dieses Web-Tools kann nicht die Suche nach ärztlicher Beratung, einer Diagnose oder Behandlung ersetzen. Die aus diesem Tool gewonnen Ergebnisse sollen ausschließlich in Verbindung mit einer einschlägigen ärztlichen Bewertung interpretiert werden. Durch die Nutzung dieses Web-Tools erkennen Sie an, dass die gewonnen Ergebnisse keinen Ersatz für professionellen medizinischen Rat oder eine Diagnose darstellen und dass Sie die volle Verantwortung für die Verwendung dieses Tools übernehmen. In keinem Fall haften die Ersteller oder Betreiber dieses Web-Tools für Schäden, die sich aus der Verwendung dieses Tools oder aus den darin enthaltenen Informationen ergeben.

Impressum:
https://ddz.de/impressum/

Datenschutzerklärung:
https://ddz.de/datenschutz/












Für die Zuweisung zu den Subtypen werden folgende Informationen benötigt:
  • Nachweis von Autoantikörpern gegen das Enzym Glutamat-Decarboxylase (GAD)
  • Alter bei Diagnose (Jahre)
  • Body-Mass-Index (BMI)
  • Plasma-Glukose, nüchtern (mmol/l oder mg/dl)
  • C-Peptid, nüchtern (ng/ml, nmol/l oder pmol/l)
  • HbA1c (%)
  • Geschlecht
Der Algorithmus für die Clusterzuweisung wurde von den Forschern Ahlqvist et al. (2018) entwickelt und besteht aus drei Schritten:
  1. Die Informationen der Person werden im Hinblick auf die geschlechterspezifischen Mittelwerte und Standardabweichungen aus der ursprünglichen schwedischen Kohorte von Menschen mit Diabetes standardisiert.
  2. Die Person wird anschließend mit jedem der fünf Subtypen verglichen, indem die Differenz zu den geschlechterspezifischen durchschnittlichen Werten des Subtypen in der ursprünglichen schwedischen Kohorte berechnet wird (Euklidische Distanz).
  3. Schließlich wird die Person dem Subtyp zugewiesen zu dem die berechnete Distanz am geringsten war.
Um den Grad der Ähnlichkeit mit jeden der fünf Subtypen zu bestimmen, wird die berechnete Distanz in einem weiteren Schritt invertiert und so skaliert, dass sich die Werte zu 1 aufaddieren.
Die Berechnungen für das DDZ Diabetes-Cluster-Tool wurden in dem statistischen Softwareprogramm R Version 4.2.0 implementiert (R Core Team, 2023).

Referenzen
Ahlqvist, E., Storm, P., Käräjämäki, A., Martinell, M., Dorkhan, M., Carlsson, A., ... & Groop, L. (2018). Novel subgroups of adult-onset diabetes and their association with outcomes: a data-driven cluster analysis of six variables. The Lancet Diabetes & Endocrinology 6(5), 361-369.

Zaharia, O. P., Strassburger, K., Strom, A., Bönhof, G. J., Karusheva, Y., Antoniou, S., ... & Roden, M. (2019). Risk of diabetes-associated diseases in subgroups of patients with recent-onset diabetes: a 5-year follow-up study. The Lancet Diabetes & Endocrinology 7(9), 684-694.

R Core Team (2022). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.