In het zgn. Lifelines onderzoek bekeken wij een groep van potentiële risicofactoren voor het ontwikkelen van type 2 diabetes en de toepasbaarheid van deze risicofactoren in het voorspellen van type 2 diabetes in de dagelijkse praktijk.

Allereerst hebben we een omgevingsbrede associatie studiemethode (EWAS) gebruikt waarin we hebben gekeken naar de associaties tussen 134 verschillende variabelen en het ontwikkelen van type 2 diabetes. Daaruit bleken 63 variabelen significant geassocieerd te zijn met type 2 diabetes. Ondanks dat veel van deze risicofactoren al eerder omschreven zijn in de medische literatuur, vonden we -naar ons beste weten- niet eerder gerapporteerde associaties voor variabelen over kwaliteit van leven en bepaalde medicatie (bijvoorbeeld maagbeschermers, anti-astma medicijnen). De variabele HbA1c voorspelde het grootste risico op het krijgen van type 2 diabetes. Het risico wat veroorzaakt wordt door het verhogen van het HbA1c met één standaarddeviatie (+0.31%) is grofweg vergelijkbaar met een toename van 0.53 mmol/l in glucose.

Sommige variabelen zoals BMI, HDL-cholesterol en urinezuur hadden een toename van twee standaarddeviaties nodig om hetzelfde risico te voorspellen als HbA1c. De meeste andere variabelen moesten een onmogelijke hoeveelheid toenemen om tot hetzelfde risico te komen.

Nu we wisten welke individuele risicofactoren het krijgen van type 2 diabetes voorspellen, wilden we kijken welke van deze variabelen kunnen samenwerken om het risico zo goed mogelijk te voorspellen. Dit deden we door een zogenaamde Machine Learning benadering toe te passen. We zagen dat correlaties tussen risicofactoren over het algemeen bescheiden waren. De risicofactoren die sterker met elkaar correleerden hadden vaak een vergelijkbare fysiologische oorsprong (zoals BMI en buikomvang). Daarentegen waren er slechts een handvol variabelen geschikt om ziekterisico onafhankelijk van elkaar te voorspellen; de andere risicofactoren waren min of meer inwisselbaar. Dit werd bevestigd toen we de variabelen één voor één aan een model toevoegden: na in totaal vier risicofactoren was het model verzadigd. Dit betekent dat het toevoegen van andere risicofactoren niet zorgde voor een betere voorspelling van het ontwikkelen van type 2 diabetes.

Behalve glucose en HbA1c waren andere variabelen waarvoor invasieve methoden zoals bloedafname nodig zijn niet bijdragend aan het model. Naast deze twee variabelen voorspelde alleen het hebben van een positieve familiegeschiedenis voor diabetes een uniek stukje ziekte-ontwikkeling. Daarnaast zagen we dat ondanks dat een variabele al in een model was toegevoegd, de kracht van de voorspelling kon variëren op basis van de variabelen die daarna werden toegevoegd.

Het volledige onderzoek vindt u hier: https://link.springer.com/article/10.1007%2Fs00125-021-05419-1