Titel: Integration sozialer Determinanten der Gesundheit in die Vorhersage der Diabetesinzidenz und der Behandlungsergebnisse von Diabetes in Indien (SOC-DIAB)

Förderer: Deutsches Zentrum für Diabetesforschung (DZD)

Förderungszeitraum: 2026-2027

Partner: Prof. Dr. Mohammed K. Ali, Emory Global Diabetes Research Center, Emory University; Prof. Dr. Nikkil Sudharsanan, Rudolf Mößbauer Tenure-Track-Professor für Behavioral Science for Disease Prevention and Health Care, Technische Universität München

Ziele:

• Wir werden Vorhersagemodelle in Indien entwickeln, die es ermöglichen, i) Präventionsansätze gezielt auf Menschen mit Risiko für Typ 2 Diabetes auszurichten und ii) Behandlungsansätze für Patienten mit Typ 2 Diabetes zu optimieren. Wir werden Vorhersageansätze erweitern, indem wir soziale Determinanten der Gesundheit (SDoH) in maschinelles Lernen (ML) in einer der größten Kohortenstudien, der CARRS Kohorte, in Südasien einbeziehen.

Hintergrund:

• SDoH sind wichtige Vorhersagefaktoren für die Inzidenz von Diabetes, Selbstmanagement, Behandlungsadhärenz und Komplikationsraten. Der Wert der Integration von SDoH in moderne Vorhersagemethoden, um damit personalisierte Medizin in Indien zu unterstützen, ist jedoch unbekannt. Es ist von großer Bedeutung, neue Ansätze zu erforschen, die SDoH und klinische Aspekte umfassend berücksichtigen, um Risikogruppen für die Entwicklung von Typ 2 Diabetes zu identifizieren und die Vorhersage von verschiedenen Ergebnissen in der Diabetesbehandlung in Indien zu verbessern. Dies umfasst die angemessene Kontrolle des Blutzuckers, des Blutdrucks und des Cholesterinspiegels.

Methoden:

• Wir werden moderne ML-Algorithmen anwenden, um zu analysieren, wie klinische sowie Verhaltens- und sozioökonomische Merkmale dazu beitragen, wichtige Endpunkte in der Prävention und Behandlung von Diabetes in Indien vorherzusagen, einschließlich der Inzidenz von Typ 2 Diabetes in der allgemeinen Bevölkerung und der Kontrolle kardiometabolischer Risikofaktoren bei Patienten mit Typ 2 Diabetes. Wir werden auch sozioökonomische Cluster und klinische Typ 2 Diabetes-Phänotypen mithilfe moderner ML- und Clusteranalysemethoden identifizieren, um die Relevanz sozioökonomischer Benachteiligung für Diabetesendpunkte zu bestimmen.