Ein online verständliches Machine‑Learning‑Modell zur Vorhersage des Risikos für kardiometabolische Multimorbidität bei Patient:innen mit Typ‑2‑Diabetes mellitus

Warum das für Menschen mit Diabetes wichtig ist

Viele Menschen mit Typ‑2‑Diabetes haben nicht nur ein gesundheitliches Problem – sie sind auch von Herzkrankheiten, Schlaganfall oder Bluthochdruck betroffen. Diese Kombination, kardiometabolische Multimorbidität genannt, erhöht das Risiko für vorzeitigen Tod und teure Krankenhausaufenthalte deutlich. Die hier beschriebene Studie stellt ein neues, leicht zu bedienendes Online‑Tool vor, mit dem Ärzt:innen frühzeitig das individuelle Risiko für solche schweren Komplikationen anhand routinemäßiger Testergebnisse abschätzen können. Gleichzeitig erklärt das Tool auf verständliche Weise, welche Faktoren dieses Risiko antreiben.

Diabetes und seine versteckten Begleiter

Der Typ‑2‑Diabetes ist weltweit zu einer der häufigsten chronischen Erkrankungen geworden. Bei vielen Menschen besteht bereits zum Zeitpunkt der Erstdiagnose mindestens eine weitere Erkrankung, vor allem Herz‑ und Gefäßerkrankungen oder Bluthochdruck. Zusammen—als kardiometabolische Multimorbidität bezeichnet—erhöhen diese Probleme das Risiko für Herzinfarkte, Schlaganfälle und vorzeitigen Tod erheblich und verdoppeln meist die medizinischen Kosten. Aktuelle Leitlinien empfehlen regelmäßige Herzrisikokontrollen bei Menschen mit Diabetes, doch in der Praxis fehlen oft einfache, genaue Werkzeuge, die das Gesamtbild mehrerer Erkrankungen gleichzeitig erfassen.

Alltägliche Klinikdaten in eine Risikoprognose verwandeln

Die Forschenden sammelten Daten von 1.153 Erwachsenen mit Typ‑2‑Diabetes, die in zwei großen Krankenhäusern in der Provinz Shanxi, China, behandelt wurden. Nach Anwendung medizinischer Ein‑ und Ausschlusskriterien und sorgfältiger Behandlung fehlender Werte blieben 793 Patient:innen zum Aufbau des Modells und 360 zur unabhängigen Validierung übrig. Von jeder Person wurden Basisdaten wie Alter und Diabetesdauer erhoben sowie gängige Blutwerte, darunter Langzeitblutzucker (HbA1c), postprandiale Glukose, Leberenzyme, Nierenparameter und eine bildgebende Messung des viszeralen Bauchfetts. Kardiometabolische Multimorbidität wurde definiert als Diabetes plus mindestens eine der folgenden Erkrankungen: durch Gefäßverengung bedingte Herzkrankheit, Schlaganfall oder Bluthochdruck.

Ein intelligentes Modell trainieren und die „Black Box“ öffnen

Um vorherzusagen, wer eine kardiometabolische Multimorbidität haben würde, testete das Team mehrere Machine‑Learning‑Ansätze—Computerprogramme, die Muster in Daten lernen. Zunächst nutzten sie ein Verfahren namens rekursive Merkmalselimination, um Dutzende Messwerte auf neun besonders informative Merkmale zu reduzieren: postprandiale Glukose, HbA1c, Alter, viszerales Fett, Thrombozytenzahl, ein Insulinresistenzscore, das Verhältnis zweier Leberenzyme (AST/ALT), Diabetesdauer und die Verwendung von subkutanem Insulin. Anschließend verglichen sie sechs verschiedene Algorithmen und stellten fest, dass ein Stacking‑Modell—ein Ensemble, das die Stärken mehrerer Methoden kombiniert—die zuverlässigsten Ergebnisse lieferte. In internen Tests trennte es Hoch‑ und Niedrigrisikopatient:innen mit einer Fläche unter der Kurve (AUC) von 0,868, und in einem unabhängigen Krankenhaus blieb die Leistung mit einer AUC von 0,822 gut.

Welche Faktoren für das Risiko am wichtigsten sind

Da komplexe Modelle schwer zu vertrauen sind, wenn sie undurchsichtig bleiben, wandte das Team zwei Erklärwerkzeuge an, SHAP und LIME, die zeigen, wie jeder Eingabewert das individuelle Risiko nach oben oder unten beeinflusst. In der Gesamtgruppe hoben sich drei Faktoren als besonders wichtig hervor: HbA1c, Alter und die Verwendung von Insulininjektionen. Höherer HbA1c und höheres Alter erhöhten das Risiko deutlich, ebenso wie höhere postprandiale Glukose, mehr viszerales Fett und ein höherer Insulinresistenzscore. Thrombozytenzahl und das AST/ALT‑Verhältnis spielten ebenfalls unterstützende Rollen und spiegeln Gerinnungstendenz beziehungsweise mögliche Herz‑Leber‑Belastung wider. Die Erklärungen auf Einzelebene zeigten zum Beispiel, wie eine mittelalte Person mit langjährigem Diabetes, hohem Bauchfett und sehr hohem HbA1c ein geschätztes Risiko von nahe 90 % haben könnte, während jemand mit besser eingestelltem Blutzucker und weniger viszeralem Fett selbst bei ähnlichem Alter deutlich geringeres Risiko haben kann.

Ein Web‑Tool für Entscheidungen in der Praxis — und seine Grenzen

Um die Forschung praktisch nutzbar zu machen, entwickelten die Autor:innen eine kostenlose Webanwendung, in der eine Klinikerin oder ein Kliniker die neun ausgewählten Messwerte eingeben und sofort eine personalisierte Risikoeinschätzung samt visueller Erklärung der treibenden Faktoren erhält. Das System ist so konzipiert, dass es keine Patientendaten speichert und derzeit als Unterstützung für Bildung und Forschung gedacht ist, nicht als eigenständiges Diagnosegerät. Die Studie hat Einschränkungen: Sie basiert auf Akten aus zwei Krankenhäusern einer Region in China und beruht auf Messungen zu einem Zeitpunkt. Die Autor:innen betonen, dass größere, langfristige Studien in vielfältigeren Bevölkerungsgruppen nötig sind, bevor das Tool als allgemein gültig angesehen werden kann.

Was das für Menschen mit Typ‑2‑Diabetes bedeutet

Einfach gesagt zeigt diese Arbeit, dass häufige Tests, die bereits in Diabetesambulanzen durchgeführt werden—insbesondere Langzeitblutzucker, postprandiale Glukose, Messungen des Bauchfetts und die Diabetesdauer—von einem transparenten intelligenten Algorithmus kombiniert werden können, um diejenigen zu identifizieren, die am wahrscheinlichsten schwere herz‑ und blutdruckbezogene Komplikationen entwickeln. In Kombination mit ärztlichem Urteil könnten solche Werkzeuge helfen, intensive Lebensstilinterventionen und Therapien gezielt denen zukommen zu lassen, die sie am meisten brauchen, und so Herzinfarkte und Schlaganfälle zu verhindern sowie die Lebensqualität von Menschen mit Typ‑2‑Diabetes zu verbessern.

Zitation: Liu, X., Li, C., Huo, X. et al. An online interpretable machine learning model for predicting cardiometabolic multimorbidity risk in patients with type 2 diabetes mellitus. Sci Rep 16, 5877 (2026). https://doi.org/10.1038/s41598-026-36923-2

Schlüsselwörter: Typ‑2‑Diabetes, Herzkrankheitsrisiko, Machine Learning in der Medizin, Multimorbidität, Risikovorhersage‑Tools