Bastano 9 domande chiave per predire il rischio di una gestante, o addirittura di una donna in fase pregravidica, di ammalarsi di diabete, una complicanza riguarda dal 3 al 9% di tutte le gravidanze. L’algoritmo predittivo è il risultato di un lavoro pubblicato su Nature Medicine e firmato dai ricercatori del Weizmann Institute of Science di Rehovot in Israele, che hanno analizzato i dati di 450 mila gravidanze estrapolando da un set di 2.000 misure di riferimento nove domande indicative del rischio di diabete gestazionale: data di nascita; peso e altezza; familiarità per diabete; colesterolo alto; sindrome dell’ovaio policistico; pre-diabete; ipertensione; aborti spontanei; diabete in precedenti gravidanze.

L’algoritmo è stato poi validato su altre 140.000 gravidanze per testarne la capacità predittiva del rischio di diabete gestazionale. «Il nostro obiettivo era quello di aiutare i sistemi sanitari a mettere a punto strategie utili a prevenire il diabete in gravidanza» esordisce il coautore Eran Segal. «Il diabete tipo 2 sta aumentando in modo esponenziale a livello globale e la prevalenza di diabete gestazionale (GDM) si associa in modo diretto al diabete tipo 2. Le donne che sviluppano GDM, infatti, hanno maggiori probabilità di sviluppare diabete negli anni successivi alla gravidanza e, nello stesso tempo, se la condizione di iperglicemia in gravidanza non viene adeguatamente corretta, i rischi metabolici per il nascituro si tradurranno nell’adolescenza in obesità, diabete e patologie metaboliche» afferma in un commento all’agenzia ANSA Elisabetta Torlone, dell’Azienda ospedaliera di Perugia Santa Maria della Misericordia, responsabile del gruppo di studio su diabete e gravidanza della Società Italiana di Diabetologia (SID). «Il modello proposto dai ricercatori israeliani esprime il grande interesse medico e sociale che rappresenta il diabete in gravidanza, e potrà essere uno spunto per trovare dei modelli innovativi e di facile applicazione anche per la prevenzione primaria del diabete di tipo 2» conclude Torlone.

Nature Medicine 2020. Doi: 10.1038/s41591-019-0724-8
https://doi.org/10.1038/s41591-019-0724-8 

Fonte Docotor33