Skip to main content
Hauptrubriken
CME Facharzt-Training Webinare Zeitschriften Bücher e.Medpedia Podcast
Service
Jobbörse Info & Hilfe
Fachgebiete
Anästhesiologie Allgemeinmedizin Arbeitsmedizin Augenheilkunde Chirurgie Dermatologie Gynäkologie und Geburtshilfe HNO Innere Medizin Kardiologie Neurologie Onkologie und Hämatologie Orthopädie und Unfallchirurgie Pädiatrie Pathologie Psychiatrie Radiologie Rechtsmedizin Urologie Zahnmedizin
Themen
Typ-2-Diabetes und Adipositas Klimawandel und Gesundheit Neues aus dem Markt COVID-19 Praxis und Beruf Seltene Erkrankungen GOÄ & EBM Panorama
Sammlungen
Kasuistiken Algorithmen & Infografiken Blickdiagnosen Arthropedia FlapFinder (für Dermatochirurgen) Videos Kongressberichterstattung Medizin für Apothekerinnen und Apotheker Für Ärztinnen und Ärzte in Weiterbildung Für Medizinstudierende

Live-Webinar "Urologie und Sexualmedizin in der Praxis"

Häufige urologisch-sexualmedizinische Themen in der Praxis sind das Thema des MMW-Webinars am 5. Juni von 17.30 bis 19 Uhr. Konkret geht es um die Frage, wann bei Harnwegsinfektionen auf Antibiotika verzichtet werden kann, und um ein Update zur Therapie von Libido- und Potenzstörungen des Mannes. Der dritte Vortrag behandelt sexuell übertragbare Krankheiten. Stellen Sie Ihre Fragen an die Experten und sammeln Sie 2 CME-Punkte. Jetzt gleich anmelden!
Erweiterte Suche
Anmelden
nach oben
Die Diabetologie
Erschienen in: Die Diabetologie 8/2021

06.10.2021 | Diabetes mellitus | Leitthema

Künstliche Intelligenz und maschinelles Lernen in der Diabetesforschung

verfasst von: Phong Nguyen, Alexander J. Ohnmacht, Ana Galhoz, Maren Büttner, Prof. Dr. Dr. Fabian Theis, Dr. Michael P. Menden

Erschienen in: Die Diabetologie | Ausgabe 8/2021

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Diabetes mellitus entwickelt sich zu einem globalen Gesundheitsproblem, das eine Transformation der Forschung und der medizinischen Praxis für ein besseres Patientenmanagement erfordert. Diesbezüglich bieten die Fülle an Daten und die Fortschritte in der Technologie und der künstlichen Intelligenz Möglichkeiten für ein solches Unterfangen.

Ziele

Diese Übersichtsarbeit soll einen Überblick über künstliche Intelligenz und die aktuelle Forschung in ihrer Anwendung im Bereich Diabetes geben, insbesondere zur Risikovorhersage, Diagnose, Prognose und Vorhersage von Komplikationen.

Fazit

Künstliche Intelligenz transformiert die Diabetesforschung in vielen technischen und organisatorischen Aspekten. Obwohl ihr Einsatz noch begrenzt und mit vielen Herausforderungen konfrontiert ist, wird sie wahrscheinlich künftig die medizinische Behandlung beeinflussen, indem sie eine automatisierte und personalisierte Gesundheitsversorgung für Erkrankte bietet.
Literatur
1.
2.
American Diabetes Association (2013) Diagnosis and classification of diabetes mellitus. Diabetes Care 36(1):S67–74
3.
4.
Olokoba AB, Obateru OA, Olokoba LB (2012) Type 2 diabetes mellitus: a review of current trends. Oman Med J 27:269PubMedPubMedCentral
5.
Ramesh AN, Kambhampati C, Monson JRT, Drew PJ (2004) Artificial intelligence in medicine. Ann R Coll Surg Engl 86:334–338PubMedPubMedCentral
6.
Hamet P, Tremblay J (2017) Artificial intelligence in medicine. Metabolism 69S:S36–S40PubMed
7.
Nilsson NJ (1998) Artificial intelligence: a new synthesis. Morgan Kaufmann,
8.
Russell SJ, Norvig P, Davis E (2010) Artificial intelligence: a modern approach. Prentice Hall,
9.
Géron A (2019) Hands-on machine learning with scikit-learn, keras, and tensorflow: concepts, tools, and techniques to build intelligent systems. O’Reilly Media,
10.
Camacho DM, Collins KM, Powers RK, Costello JC, Collins JJ (2018) Next-generation machine learning for biological networks. Cell 173:1581–1592PubMed
11.
Probst P, Boulesteix A‑L, Bischl B (2019) Tunability: importance of hyperparameters of machine learning algorithms. J Mach Learn Res 20:1–32
12.
Kavakiotis I, Tsave O, Salifoglou A, Maglaveras N, Vlahavas I, Chouvarda I (2017) Machine learning and data mining methods in diabetes research. Comput Struct Biotechnol J 15:104–116PubMedPubMedCentral
13.
Chen P‑HC, Liu Y, Peng L (2019) How to develop machine learning models for healthcare. Nat Mater 18:410–414PubMed
14.
15.
16.
Collins GS, Mallett S, Omar O, Yu L‑M (2011) Developing risk prediction models for type 2 diabetes: a systematic review of methodology and reporting. BMC Med 9:103PubMedPubMedCentral
17.
Bonifacio E (2015) Predicting type 1 diabetes using biomarkers. Diabetes Care 38:989–996PubMed
18.
Sosenko JM, Skyler JS, Palmer JP, Krischer JP, Yu L, Mahon J et al (2013) The prediction of type 1 diabetes by multiple autoantibody levels and their incorporation into an autoantibody risk score in relatives of type 1 diabetic patients. Diabetes Care 36:2615–2620PubMedPubMedCentral
19.
Palmer JP, Asplin CM, Clemons P, Lyen K, Tatpati O, Raghu PK et al (1983) Insulin antibodies in insulin-dependent diabetics before insulin treatment. Science 222:1337–1339PubMed
20.
Baekkeskov S, Aanstoot HJ, Christgau S, Reetz A, Solimena M, Cascalho M et al (1990) Identification of the 64K autoantigen in insulin-dependent diabetes as the GABA-synthesizing enzyme glutamic acid decarboxylase. Nature 347:151–156PubMed
21.
Rabin DU, Pleasic SM, Shapiro JA, Yoo-Warren H, Oles J, Hicks JM et al (1994) Islet cell antigen 512 is a diabetes-specific islet autoantigen related to protein tyrosine phosphatases. J Immunol 152:3183–3188PubMed
22.
Wenzlau JM, Juhl K, Yu L, Moua O, Sarkar SA, Gottlieb P et al (2007) The cation efflux transporter ZnT8 (Slc30A8) is a major autoantigen in human type 1 diabetes. Proc Natl Acad Sci U S A 104:17040–17045PubMedPubMedCentral
23.
Ferrat LA, Vehik K, Sharp SA, Lernmark Å, Rewers MJ, She J‑X et al (2020) A combined risk score enhances prediction of type 1 diabetes among susceptible children. Nat Med 26:1247–1255PubMedPubMedCentral
24.
25.
Erlich H, Valdes AM, Noble J, Carlson JA, Varney M, Concannon P et al (2008) HLA DR-DQ haplotypes and genotypes and type 1 diabetes risk: analysis of the type 1 diabetes genetics consortium families. Diabetes 57:1084–1092PubMed
26.
Hippich M, Beyerlein A, Hagopian WA, Krischer JP, Vehik K, Knoop J et al (2019) Genetic contribution to the divergence in type 1 diabetes risk between children from the general population and children from affected families. Diabetes 68:847–857PubMedPubMedCentral
27.
Wagner R, Heni M, Tabák AG, Machann J, Schick F, Randrianarisoa E et al (2021) Pathophysiology-based subphenotyping of individuals at elevated risk for type 2 diabetes. Nat Med 27:49–57PubMed
28.
Winkler C, Krumsiek J, Buettner F, Angermüller C, Giannopoulou EZ, Theis FJ et al (2014) Feature ranking of type 1 diabetes susceptibility genes improves prediction of type 1 diabetes. Diabetologia 57:2521–2529PubMed
29.
Hathaway QA, Roth SM, Pinti MV, Sprando DC, Kunovac A, Durr AJ et al (2019) Machine-learning to stratify diabetic patients using novel cardiac biomarkers and integrative genomics. Cardiovasc Diabetol 18:78PubMedPubMedCentral
30.
31.
Turi KN, Buchner DM, Grigsby-Toussaint DS (2017) Predicting risk of type 2 diabetes by using data on easy-to-measure risk factors. Prev Chronic Dis 14:E23PubMedPubMedCentral
32.
Riihimaa P (2020) Impact of machine learning and feature selection on type 2 diabetes risk prediction. J Med Artif Intell 3:10–10
33.
Läll K, Mägi R, Morris A, Metspalu A, Fischer K (2017) Personalized risk prediction for type 2 diabetes: the potential of genetic risk scores. Genet Med 19:322–329PubMed
34.
Birjais R, Mourya AK, Chauhan R, Kaur H (2019) Prediction and diagnosis of future diabetes risk: a machine learning approach. SN Appl Sci 1:1112
35.
Zhang L, Wang Y, Niu M, Wang C, Wang Z (2020) Machine learning for characterizing risk of type 2 diabetes mellitus in a rural Chinese population: the Henan rural cohort study. Sci Rep 10:4406PubMedPubMedCentral
36.
37.
Yoffe L, Polsky A, Gilam A, Raff C, Mecacci F, Ognibene A et al (2019) Early diagnosis of gestational diabetes mellitus using circulating microRNAs. Eur J Endocrinol 181:565–577PubMed
38.
Dinh A, Miertschin S, Young A, Mohanty SD (2019) A data-driven approach to predicting diabetes and cardiovascular disease with machine learning. BMC Med Inform Decis Mak 19:211PubMedPubMedCentral
39.
Esmaily H, Tayefi M, Doosti H, Ghayour-Mobarhan M, Nezami H, Amirabadizadeh A (2018) A comparison between decision tree and random forest in determining the risk factors associated with type 2 diabetes. J Res Health Sci 18:e412PubMed
40.
Xie Z, Nikolayeva O, Luo J, Li D (2019) Building risk prediction models for type 2 diabetes using machine learning techniques. Prev Chronic Dis 16:E130PubMedPubMedCentral
41.
Lai H, Huang H, Keshavjee K, Guergachi A, Gao X (2019) Predictive models for diabetes mellitus using machine learning techniques. BMC Endocr Disord 19:101PubMedPubMedCentral
42.
43.
Choi S, Bae S, Park T (2016) Risk prediction using genome-wide association studies on type 2 diabetes. Genomics Inform 14:138–148PubMedPubMedCentral
44.
Cahn A, Shoshan A, Sagiv T, Yesharim R, Goshen R, Shalev V et al (2020) Prediction of progression from pre-diabetes to diabetes: development and validation of a machine learning model. Diabetes Metab Res Rev 36:e3252PubMed
45.
Alloghani M, Aljaaf A, Hussain A, Baker T, Mustafina J, Al-Jumeily D et al (2019) Implementation of machine learning algorithms to create diabetic patient re-admission profiles. BMC Med Inform Decis Mak 19:253PubMedPubMedCentral
46.
Rawshani A, Rawshani A, Sattar N, Franzén S, McGuire DK, Eliasson B et al (2019) Relative prognostic importance and optimal levels of risk factors for mortality and cardiovascular outcomes in type 1 diabetes mellitus. Circulation 139:1900–1912PubMed
47.
De Silva K, Mathews N, Teede H, Forbes A, Jönsson D, Demmer RT et al (2021) Clinical notes as prognostic markers of mortality associated with diabetes mellitus following critical care: a retrospective cohort analysis using machine learning and unstructured big data. Comput Biol Med 132:104305PubMed
48.
Garber AJ, Handelsman Y, Grunberger G, Einhorn D, Abrahamson MJ, Barzilay JI et al (2020) Consensus statement by the american association of clinical endocrinologists and american college of endocrinology on the comprehensive type 2 diabetes management algorithm—2020 executive summary. Endocr Pract 26:107–139PubMed
49.
Hertroijs DFL, Elissen AMJ, Brouwers MCGJ, Schaper NC, Köhler S, Popa MC et al (2018) A risk score including body mass index, glycated haemoglobin and triglycerides predicts future glycaemic control in people with type 2 diabetes. Diabetes Obes Metab 20:681–688PubMed
50.
Basu S, Raghavan S, Wexler DJ, Berkowitz SA (2018) Characteristics associated with decreased or increased mortality risk from glycemic therapy among patients with type 2 diabetes and high cardiovascular risk: machine learning analysis of the ACCORD trial. Diabetes Care 41:604–612PubMed
51.
Wang J, Wang M‑Y, Wang H, Liu H‑W, Lu R, Duan T‑Q et al (2020) Status of glycosylated hemoglobin and prediction of glycemic control among patients with insulin-treated type 2 diabetes in North China: a multicenter observational study. Chin Med J 133:17–24PubMedPubMedCentral
52.
Ngufor C, Van Houten H, Caffo BS, Shah ND, McCoy RG (2019) Mixed effect machine learning: a framework for predicting longitudinal change in hemoglobin A1c. J Biomed Inform 89:56–67PubMed
53.
Del Parigi A, Tang W, Liu D, Lee C, Pratley R (2019) Machine learning to identify predictors of glycemic control in type 2 diabetes: an analysis of target HbA1c reduction using empagliflozin/linagliptin data. Pharmaceut Med 33:209–217PubMed
54.
Cryer PE, Davis SN, Shamoon H (2003) Hypoglycemia in diabetes. Diabetes Care 26:1902–1912PubMed
55.
Sudharsan B, Peeples M, Shomali M (2015) Hypoglycemia prediction using machine learning models for patients with type 2 diabetes. J Diabetes Sci Technol 9:86–90PubMed
56.
Ruan Y, Bellot A, Moysova Z, Tan GD, Lumb A, Davies J et al (2020) Predicting the risk of inpatient hypoglycemia with machine learning using electronic health records. Diabetes Care 43:1504–1511PubMed
57.
Debédat J, Sokolovska N, Coupaye M, Panunzi S, Chakaroun R, Genser L et al (2018) Long-term relapse of type 2 diabetes after Roux-en‑Y gastric bypass: prediction and clinical relevance. Diabetes Care 41:2086–2095PubMed
58.
Zhou FL, Watada H, Tajima Y, Berthelot M, Kang D, Esnault C et al (2019) Identification of subgroups of patients with type 2 diabetes with differences in renal function preservation, comparing patients receiving sodium-glucose co-transporter‑2 inhibitors with those receiving dipeptidyl peptidase‑4 inhibitors, using a supervised machine-learning algorithm (PROFILE study): A retrospective analysis of a Japanese commercial medical database. Diabetes Obes Metab 21:1925–1934PubMedPubMedCentral
59.
60.
Tritschler S, Theis FJ, Lickert H, Böttcher A (2017) Systematic single-cell analysis provides new insights into heterogeneity and plasticity of the pancreas. Mol Metab 6:974–990PubMedPubMedCentral
61.
Böttcher A, Büttner M, Tritschler S, Sterr M, Aliluev A, Oppenländer L et al (2021) Non-canonical Wnt/PCP signalling regulates intestinal stem cell lineage priming towards enteroendocrine and Paneth cell fates. Nat Cell Biol 23:23–31PubMed
62.
Zheng GXY, Terry JM, Belgrader P, Ryvkin P, Bent ZW, Wilson R et al (2017) Massively parallel digital transcriptional profiling of single cells. Nat Commun 8:14049PubMedPubMedCentral
63.
Angerer P, Simon L, Tritschler S, Wolf FA, Fischer D, Theis FJ (2017) Single cells make big data: New challenges and opportunities in transcriptomics. Curr Opin Syst Biol 4:85–91
64.
Luecken MD, Theis FJ (2019) Current best practices in single-cell RNA-seq analysis: a tutorial. Mol Syst Biol 15:e8746PubMedPubMedCentral
65.
Sachs S, Bastidas-Ponce A, Tritschler S, Bakhti M, Böttcher A, Sánchez-Garrido MA et al (2020) Targeted pharmacological therapy restores β‑cell function for diabetes remission. Nat Metab 2:192–209PubMed
66.
67.
68.
69.
Baron M, Veres A, Wolock SL, Faust AL, Gaujoux R, Vetere A et al (2016) A single-cell transcriptomic map of the human and mouse pancreas reveals inter- and intra-cell population structure. Cell Syst 3:346–360.e4PubMedPubMedCentral
70.
Haghverdi L, Büttner M, Wolf FA, Buettner F, Theis FJ (2016) Diffusion pseudotime robustly reconstructs lineage branching. Nat Methods 13:845–848PubMed
71.
Tritschler S, Büttner M, Fischer DS, Lange M, Bergen V, Lickert H et al (2019) Concepts and limitations for learning developmental trajectories from single cell genomics. Development 146:dev170506PubMed
72.
73.
Kim E, Pieczkiewicz DS, Castro MR, Caraballo PJ, Simon GJ (2018) Multi-task learning to identify outcome-specific risk factors that distinguish individual micro and macrovascular complications of type 2 diabetes. AMIA Jt Summits Transl Sci Proc 2017:122–131PubMed
74.
Kim E, Caraballo PJ, Castro MR, Pieczkiewicz DS, Simon GJ (2019) Towards more accessible precision medicine: building a more transferable machine learning model to support prognostic decisions for micro- and macrovascular complications of type 2 diabetes mellitus. J Med Syst 43:185PubMed
75.
Aminian A, Zajichek A, Arterburn DE, Wolski KE, Brethauer SA, Schauer PR et al (2020) Predicting 10-year risk of end-organ complications of type 2 diabetes with and without metabolic surgery: a machine learning approach. Diabetes Care 43:852–859PubMedPubMedCentral
76.
Ljubic B, Hai AA, Stanojevic M, Diaz W, Polimac D, Pavlovski M et al (2020) Predicting complications of diabetes mellitus using advanced machine learning algorithms. J Am Med Inform Assoc 27:1343–1351PubMedPubMedCentral
77.
Ting DSW, Pasquale LR, Peng L, Campbell JP, Lee AY, Raman R et al (2019) Artificial intelligence and deep learning in ophthalmology. Br J Ophthalmol 103:167–175PubMed
78.
Bora A, Balasubramanian S, Babenko B, Virmani S, Venugopalan S, Mitani A et al (2021) Predicting the risk of developing diabetic retinopathy using deep learning. Lancet Digit Health 3:e10–e19PubMed
79.
Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL et al (2018) Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell 172:1122–1131.e9PubMed
80.
Saleh E, Baszczyski J, Moreno A, Valls A, Romero-Aroca P, de la Riva-Fernndez S et al (2018) Learning ensemble classifiers for diabetic retinopathy assessment. Artif Intell Med 85:50–63PubMed
81.
Eulenberg P, Köhler N, Blasi T, Filby A, Carpenter AE, Rees P et al (2017) Reconstructing cell cycle and disease progression using deep learning. Nat Commun 8:463PubMedPubMedCentral
82.
Holmberg OG, Köhler ND, Martins T (2020) Self-supervised retinal thickness prediction enables deep learning from unlabelled data to boost classification of diabetic retinopathy. Nat Mach Intell 2:719–726
83.
Jin K, Pan X, You K, Wu J, Liu Z, Cao J et al (2020) Automatic detection of non-perfusion areas in diabetic macular edema from fundus fluorescein angiography for decision making using deep learning. Sci Rep 10:15138PubMedPubMedCentral
84.
Gerendas BS, Bogunovic H, Sadeghipour A, Schlegl T, Langs G, Waldstein SM et al (2017) Computational image analysis for prognosis determination in DME. Vision Res 139:204–210PubMed
85.
Takahashi H, Tampo H, Arai Y, Inoue Y, Kawashima H (2017) Applying artificial intelligence to disease staging: deep learning for improved staging of diabetic retinopathy. PLoS ONE 12:e179790PubMedPubMedCentral
86.
Baum A, Scarpa J, Bruzelius E, Tamler R, Basu S, Faghmous J (2017) Targeting weight loss interventions to reduce cardiovascular complications of type 2 diabetes: a machine learning-based post-hoc analysis of heterogeneous treatment effects in the look AHEAD trial. Lancet Diabetes Endocrinol 5:808–815PubMedPubMedCentral
87.
Segar MW, Vaduganathan M, Patel KV, McGuire DK, Butler J, Fonarow GC et al (2019) Machine learning to predict the risk of incident heart failure hospitalization among patients with diabetes: the WATCH-DM risk score. Diabetes Care 42:2298–2306PubMedPubMedCentral
88.
89.
Huang J, Huth C, Covic M, Troll M, Adam J, Zukunft S et al (2020) Machine learning approaches reveal metabolic signatures of incident chronic kidney disease in individuals with prediabetes and type 2 diabetes. Diabetes 69:2756–2765PubMed
90.
Alexander J Jr, Edwards RA, Brodsky M, Manca L, Grugni R, Savoldelli A et al (2018) Using time series analysis approaches for improved prediction of pain outcomes in subgroups of patients with painful diabetic peripheral neuropathy. PLoS ONE 13:e207120PubMedPubMedCentral
91.
Williams BM, Borroni D, Liu R, Zhao Y, Zhang J, Lim J et al (2020) An artificial intelligence-based deep learning algorithm for the diagnosis of diabetic neuropathy using corneal confocal microscopy: a development and validation study. Diabetologia 63:419–430PubMed
92.
Ellahham S (2020) Artificial intelligence: the future for diabetes care. Am J Med 133:895–900PubMed
93.
Broome DT, Hilton CB, Mehta N (2020) Policy implications of artificial intelligence and machine learning in diabetes management. Curr Diab Rep 20:5PubMed
94.
Rieke N, Hancox J, Li W, Milletarì F, Roth HR, Albarqouni S et al (2020) The future of digital health with federated learning. NPJ Digit Med 3:119PubMedPubMedCentral
95.
Warnat-Herresthal S, Schultze H, Shastry KL, Manamohan S, Mukherjee S, Garg V et al (2021) Swarm learning for decentralized and confidential clinical machine learning. Nature 594:265–270PubMedPubMedCentral
96.
Metadaten
Titel
Künstliche Intelligenz und maschinelles Lernen in der Diabetesforschung
verfasst von
Phong Nguyen
Alexander J. Ohnmacht
Ana Galhoz
Maren Büttner
Prof. Dr. Dr. Fabian Theis
Dr. Michael P. Menden
Publikationsdatum
06.10.2021
Verlag
Springer Medizin
Erschienen in
Die Diabetologie / Ausgabe 8/2021
Print ISSN: 2731-7447
Elektronische ISSN: 2731-7455
DOI
https://doi.org/10.1007/s11428-021-00817-w

Weitere Artikel der Ausgabe 8/2021

Die Diabetologie 8/2021 Zur Ausgabe

Journal Club

Hypoglykämien und kardiovaskuläres Risiko bei Typ-2-Diabetes

Leitthema

Präzisionsmedizin unter Nutzung der elektronischen Diabetesakte

Mitteilungen des BDI

Mitteilungen des BDI

CME

CME: Antithrombotische Therapie bei Diabetes mellitus

Journal Club

Therapie des neu aufgetretenen Diabetes mellitus nach einer Pankreatitis

Journal Club

Demenzrisiko bei Diabetes mellitus Typ 1

Leitlinien kompakt für die Innere Medizin

Mit medbee Pocketcards sicher entscheiden.

Seit 2022 gehört die medbee GmbH zum Springer Medizin Verlag

Kostenlos registrieren

Neu im Fachgebiet Innere Medizin

Erhebliches Risiko für Kehlkopfkrebs bei mäßiger Dysplasie

29.05.2024 Larynxkarzinom Nachrichten

Fast ein Viertel der Personen mit mäßig dysplastischen Stimmlippenläsionen entwickelt einen Kehlkopftumor. Solche Personen benötigen daher eine besonders enge ärztliche Überwachung.

Nach Herzinfarkt mit Typ-1-Diabetes schlechtere Karten als mit Typ 2?

29.05.2024 Herzinfarkt Nachrichten

Bei Menschen mit Typ-2-Diabetes sind die Chancen, einen Myokardinfarkt zu überleben, in den letzten 15 Jahren deutlich gestiegen – nicht jedoch bei Betroffenen mit Typ 1.

15% bedauern gewählte Blasenkrebs-Therapie

29.05.2024 Urothelkarzinom Nachrichten

Ob Patienten und Patientinnen mit neu diagnostiziertem Blasenkrebs ein Jahr später Bedauern über die Therapieentscheidung empfinden, wird einer Studie aus England zufolge von der Radikalität und dem Erfolg des Eingriffs beeinflusst.

Costims – das nächste heiße Ding in der Krebstherapie?

28.05.2024 Onkologische Immuntherapie Nachrichten

„Kalte“ Tumoren werden heiß – CD28-kostimulatorische Antikörper sollen dies ermöglichen. Am besten könnten diese in Kombination mit BiTEs und Checkpointhemmern wirken. Erste klinische Studien laufen bereits.

Update Innere Medizin

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen
Bildnachweise