22455 research outputs found
Sort by
Untersuchung der Frequenz von Wundheilungsstörungen nach operativer Entfernung von Weisheitszähnen mit und ohne perioperative Antibiotikaprophylaxe
Get PDFKlinische Evaluation eines neuartigen Materials zur Fissuren- und Grübchenversiegelung über drei Jahre
Get PDFConvective cloud microphysical parameterizations in a numerical weather prediction model
Get PDFClouds and precipitation are weather phenomena that have the potential to cause massive damage to people or property. Typically, numerical weather prediction models are used to predict the weather, including such precipitation processes. In these models, the representation of microphysical processes in clouds contributes significantly to the uncertainty of precipitation forecasts. Convective weather situations are particularly difficult to predict. This is partly due to some fundamental gaps in our knowledge of the underlying microphysical processes. There are three inherent problems in observing microphysical processes: 1) The processes occur on small scales of millimeters or less. 2) Precipitation processes are complex because many different particle shapes, sizes, or phases may be involved. 3) Precipitation processes are variable; observations of processes in one cloud are not necessarily representative of other clouds.
Towards improving the prediction of convective precipitation, this dissertation explores polarimetric and dual-wavelength radar observations as a new observational basis for evaluating cloud microphysics schemes in a weather model. A setup is developed for systematic comparison between model simulations and polarimetric radar observations of convective weather situations. Unlike conventional methods that typically use single case studies to evaluate a model, this evaluation is performed on a statistical basis over 30 days. A convection-permitting regional weather model setup is established using five different microphysics schemes of varying complexity. Simulated polarimetric radar signals are generated based on the model predictions using a radar forward operator. An automated cell tracking algorithm allows objective comparison between observations and simulations on a convective cell object basis.
The resulting data set of convective cell objects is then analyzed in several ways to statistically evaluate the applied microphysics schemes. First, macrophysical properties of convective clouds, such as cloud geometry, are analyzed. Second, the vertical profiles of polarimetric radar signatures through convective clouds are compared. Third, the ability of the model to predict high-impact weather events, such as hail or heavy rain, is evaluated. In general, the evaluation in this dissertation demonstrates the potential of polarimetric radar measurements as an observational basis for the statistical evaluation of microphysics schemes in weather models. Problems of the microphysics schemes in reproducing certain observed radar signatures indicate that improvements are needed in the representation of particle size distributions and particle density assumptions. More complex schemes do not necessarily lead to better results in the prediction of heavy precipitation. This underlines the need for observational constraints from measurements that have the potential to infer microphysical parameters.
Several aspects with the potential for improvement were identified: 1) Raindrop size distributions are not simulated correctly. Most schemes produce too many large raindrops and too few small droplets, and only the spectral bin scheme produces too few large drops. 2) All schemes produce areas of heavy rainfall events that are too large compared to observations. 3) Graupel particles are simulated too large above the melting layer height in most schemes. 4) None of the schemes is able to produce extreme reflectivities of more than 55 dBZ below the melting layer height, likely as a result of fixed density assumptions.Wolken und Niederschlag sind Wetterphänomene mit dem Potential massive Schäden an Menschen oder Eigentum anzurichten. Üblicherweise werden numerische Wettervorhersagemodelle zur Vorhersage des Wetters, einschließlich solcher Niederschlagsprozesse verwendet. In diesen Modellen trägt die Darstellung der mikrophysikalischen Prozesse in Wolken wesentlich zur Unsicherheit der Niederschlagsvorhersage bei. Besonders schwierig vorherzusagen sind konvektive Wettersituationen. Dies ist zum Teil auf einige grundlegende Wissenslücken bei den zugrunde liegenden mikrophysikalischen Prozessen zurückzuführen. Die Beobachtung mikrophysikalischer Prozesse ist mit drei inhärenten Problemen verbunden: 1) Die Prozesse spielen sich auf sehr kleinen Skalen von Millimetern und weniger ab. 2) Niederschlagsprozesse sind komplex, da unter Umständen viele verschiedene Teilchenformen, -größen oder -phasen beteiligt sind. 3) Niederschlagsprozesse sind variabel; Die Beobachtung der Prozesse in einer Wolke sind nicht zwangsläufig repräsentativ für andere Wolken.
Auf dem Weg zur Verbesserung der Vorhersage von konvektivem Niederschlag werden in dieser Dissertation polarimetrische und Zwei-Wellenlängen-Radarmessungen als Beobachtungsgrundlage für die Bewertung mikrophysikalischer Wolkenmodelle in einem Wettermodell erforscht. Es wird ein Verfahren zur systematischen Charakterisierung von Unterschieden zwischen Modellsimulationen und polarimetrischen Radarbeobachtungen von konvektiven Wetterlagen vorgestellt. Im Gegensatz zu konventionellen Methoden, die typischerweise Einzelfallstudien zur Bewertung eines Modells verwenden, wird diese Bewertung auf statistischer Basis über 30 Tage durchgeführt. Ein Konvektion auflösendes regionales Wettermodell wird mit fünf verschiedenen mikrophysikalischen Schemata unterschiedlicher Komplexität aufgesetzt. Simulierte polarimetrische Radarsignale werden auf Basis der Modellvorhersagen über einen Radarvorwärtsoperator erzeugt. Ein automatisierter Zellverfolgungsalgorithmus erlaubt den objektiven Vergleich zwischen Beobachtungen und Simulationen auf Basis von konvektiven Zellobjekten.
Der sich daraus ergebende Datensatz konvektiver Zellobjekte wird auf verschiedene Weise analysiert, um die angewandten mikrophysikalischen Verfahren statistisch zu bewerten. Erstens werden die makrophysikalischen Eigenschaften konvektiver Wolken, z. B. die Wolkengeometrie, analysiert. Zweitens werden die vertikalen Profile der polarimetrischen Radarsignaturen durch konvektive Wolken verglichen. Drittens wird die Fähigkeit des Modells zur Vorhersage von Starkregen oder Hagelereignissen an der Oberfläche bewertet. Im Allgemeinen zeigt die Auswertung in dieser Dissertation das Potenzial von polarimetrischer Radarmessungen als Beobachtungsgrundlage für die statistische Bewertung von mikrophysikalischen Schemata in Wettermodellen. Probleme der mikrophysikalischen Schemata bei der Reproduktion von bestimmten gemessenen Radarsignaturen deuten darauf hin, dass Verbesserungen bei der Darstellung von Teilchengrößenverteilungen und von Annahmen zur Teilchendichte erforderlich sind. Komplexere Schemata liefern nicht unbedingt bessere Ergebnisse. Das unterstreicht die Notwendigkeit zunächst die existierenden Mikrophysik-Parameterisierungen zu verbessern, auf Grundlage von Beobachtungen die das Potenzial haben mikrophysikalische Parameter abzuleiten.
Es wurden mehrere Aspekte mit Verbesserungspotenzial ermittelt: 1) Die Größenverteilung der Regentropfen werden nicht korrekt simuliert. Die meisten Schemata erzeugen zu viele große Regentropfen und zu wenige kleine Regentropfen, und nur das „spectral bin“ Schema erzeugt zu wenige große Tropfen. 2) Alle Schemata erzeugen im Vergleich zu den Beobachtungen zu große Gebiete mit Starkregenereignissen. 3) Graupelpartikel oberhalb der Schmelzschichthöhe werden in den meisten Schemata zu groß simuliert. 4) Keines der Schemata ist in der Lage, extreme Reflektivitäten von mehr als 55 dBZ unterhalb der Schmelzschichthöhe zu erzeugen, was wahrscheinlich auf fixe Dichteannahmen zurückzuführen ist
Zusammenhang und Einfluss anthropometrisch und MR-graphisch ermittelter Körperfettparameter sowie der Inkretin-Hormone GLP-1 und GIP auf die Entwicklung einer Glucosemetabolismusstörung nach Gestationsdiabetes
Get PDFZiel: Ein hoher Körperfettgehalt, insbesondere an viszeralem Körperfett, wird seit langem mit der Entstehung eines Typ 2 Diabetes assoziiert. Auch die Inkretin-Hormone GLP-1 und GIP scheinen sowohl auf das Körperfettgewebe als auch auf den Glucosemetabolismus Einfluss zu nehmen. Ziel dieser Arbeit ist es im Vergleich zwischen einem metabolischen Risikokollektiv wie den post-Gestationsdiabetikerinnen und den während einer Schwangerschaft normoglykämen Kontrollen, die Zusammenhänge verschiedener Körperfettparameter, sowie die Korrelationen dieser mit den Komponenten des metabolischen Syndroms zu untersuchen. Ebenso soll der Zusammenhang der Inkretin-Hormone mit den Körperfettparametern und dem Glucosemetabolismus dargestellt und der prädiktive Wert dieser Parameter für einen Übergang in einen manifesten Diabetes innerhalb des 5-Jahres-Follow-ups untersucht werden.
Methodik: Es wurde eine Gruppe des PPS-Diab-Studienkollektivs (Prediction, prevention and subclassification of Type 2 diabetes) untersucht. Verschiedene Körperfettparameter wurden anthropometrisch, mittels BIA-Waage und MR-graphisch erhoben, sowie laborchemisch die Komponenten des metabolischen Syndroms, und im Rahmen eines OGTTs die Plasmaglukose- und Plasmainsulin-Werte, sowie die Inkretin-Hormon-Spiegel bestimmt. Die statistische Auswertung der Unterschiede zwischen den Kohorten erfolgte mittels Mann-Whitney-U-Test, Fisher-Exakt-Test, Kolmogorov-Smirnov-Test und Spearman-Korrelationen. In einer logistischen Regressionsanalyse mit Adjustierung für verschiedene Ko-Variablen, wurden die prädiktiven Werte, der in diesem Studienkollektiv metabolisch relevanten Parameter erhoben.
Ergebnisse: Es wurden 196 Probandinnen untersucht, von denen 129 der pGDM- und 67 der Kontroll-Gruppe angehörten. 56 davon komplettierten beide MRT-Untersuchungen der Visiten V1 (Baseline) und V3 (5-Jahres-Follow-up). Es zeigten sich signifikant höhere Werte aller Körperfettparameter und einiger Komponenten des metabolischen Syndroms bei den pGDM (Taillenumfang: pGDM: 82,51 ± 11,84 cm, Kontrolle: 76,40 ± 8,57 cm, p = 0,002, BMI: pGDM: 25,99 ± 5,81 kg/m2, Kontrolle: 23,11 ± 3,7 kg/m2, p = 0,003, Körperfett der BIA-Waage: pGDM: 32,40 kg (25,35;39,30), Kontrolle: 29,00 kg (5,20;35,20), p = 0,034, FVI: pGDM: 8,35 dm3/m2 (6,35;11,85), Kontrolle: 7,13 dm3/m2 (5,53;9,54), p = 0,007, IAFI: pGDM: 0,67 dm3/m2 (0,42;1,08), Kontrolle: 0,46 dm3/m2 (0,029;0,69), p 0,001, nüchtern Blutzucker: pGDM: 93,00 mg/dl (89,00;98,00), Kontrolle: 90,00 mg/dl (84,00;93,00), p < 0,001, Systolischer Blutdruck: pGDM: 117,13 ± 9,57 mmHg, Kontrolle: 112,50 ± 10,86 mmHg, p = 0,035, Diastolischer Blutdruck: pGDM: 73,40 ± 8,48 mmHg, Kontrolle: 70,08 ± 8,56 mmHg, p = 0,006).
Die Plasmaspiegel der Inkretin-Hormone zeigten keinen signifikanten Unterschied zwischen den Gruppen, wohingegen die GLP-1/Plasmazucker-Ratio und GLP-1/Plasmainsulin-Ratio für die meisten Zeiten signifikant niedrigere Werte bei den pGDM zeigten. (GLP-1/Plasmazucker-Ratio: 60 min. OGTT: pGDM 0,08 pmol/l (0,06;0,11), Kontrolle 0,1 pmol/l (0,07;0,14), p = 0,002, 90 min OGTT: pGDM 0,09 pmol/l (0,06;0,13), Kontrolle 0,11 pmol/l (0,09;0,19) p < 0,001, 120 min. OGTT: pGDM 0,08 pmol/l (0,06;0,13), Kontrolle 0,12 pmol/l (0,1;0,18), p < 0,001, AUC 30-120 min: pGDM 8,07 pmol/l (6,02;10,75), Kontrolle 10,12 pmol/l (7,55; 13,37), p < 0,001, GLP-1/Plasmainsulin-Ratio: 0 min. OGTT: pGDM 0,42 pmol/l (0,27;0,67), Kontrolle 0,56 pmol/l (0,38 pmol/l;0,73 pmol/l), p = 0,012, 60 min. OGTT: pGDM 0,19 pmol/l (0,11;0,29), Kontrolle 0,28 pmol/l (0,18;0,39 p), p < 0,001, 90 min OGTT: pGDM 0,19 pmol/l (0,13;0,35), Kontrolle 0,39 pmol/l (0,22;0,48), p < 0,001, 120 min. OGTT: pGDM 0,19 pmol/l (0,13;0,35), Kontrolle 0,36 pmol/l (0,25;0,63), p < 0,001, AUC 0-30 min. OGTT: pGDM 11,02 pmol/l (7,58;16,2), Kontrolle 13,43 pmol/l (8,84;21,63), p = 0,019, AUC 30-120 min: pGDM 19,63 pmol/l (11,89;31,69), Kontrolle 32,40 pmol/l (19,82;42,05), p < 0,001).
In beiden Gruppen konnten sehr starke Korrelationen aller Körperfettparameter untereinander und in der Korrelation mit den Komponenten des metabolischen Syndroms, insbesondere mit dem HOMA-Index, als Marker der Insulinresistenz, festgestellt werden. (Korrelationen des HOMA-Indexes mit Körperfettparametern V1: pGDM: Taillenumfang ρ = 0,630 (p < 0,001), BMI ρ = 0,623 (p <0,001), dem Körperfett der BIA-Waage ρ = 0,643 (p < 0,001), FVI ρ = 0,646 (p < 0,001) und IAFI ρ = 0,631 (p < 0,001), MR-graphisch ermitteltes Leberfett ρ = 0,365 (p < 0,001), Kontrolle: Taillenumfang ρ = 0,514 (p < 0,001), BMI ρ = 0,714 (p < 0,001), Körperfett der BIA-Waage ρ = 0,640 (p < 0,001), FVI ρ = 0,680 (p < 0,001), IAFI ρ = 0,435 (p = 0,002), V3: pGDM: Taillenumfang ρ = 0,689 (p < 0,001); BMI ρ = 0,768 (p < 0,001), Körperfett der BIA-Waage ρ = 0,710 (p < 0,001), FVI ρ = 0,702 (p < 0,001), IAFI ρ = 0,634 (p < 0,001), Kontrollen: Taillenumfang ρ = 0,840 (p < 0,001), BMI ρ = 0,800 (p < 0,001), Körperfett der BIA-Waage ρ = 0,809 (p < 0,001), FVI ρ = 0,871 (p < 0,001), IAFI ρ = 0,776 (p < 0,001)).
In den Korrelationen der MR-graphischen Körperfettparameter (FVI, IAFI, MR-graphisches Leberfett) mit den Inkretin-Hormonen konnten hingegen nur für die GLP-1/Plasmainsulin-Ratio signifikante Zusammenhänge bei den pGDM nachgewiesen werden, wohingegen die Korrelationen der reinen GLP-1- und GIP-Spiegel keine signifikanten Zusammenhänge zeigten. (FVI und GLP-1/Plasmainsulin-Ratio: 0 min. OGTT: ρ = -0,456 (p < 0,001), 30 min. OGTT: ρ = -0,460 (p < 0,001), 60 min. OGTT: ρ = -0,508 (p < 0,001), 90 min. OGTT: ρ =
-0,498 (p < 0,001), 120 min. OGTT: ρ = -0,472 (p < 0,001), AUC 0-30 min. OGTT: ρ = -0,515 (p < 0,001), AUC 30-120 min. OGTT: ρ = -0,525 (p < 0,001), IAFI und GLP-1/Plasmainsulin-Ratio: 0 min. OGTT: ρ = -0,377 (p < 0,001), 30 min. OGTT: ρ = -0,409 (p < 0,001), 60 min. OGTT: ρ = -0,488 (p < 0,001), 90 min. OGTT: ρ = -0,480 (p < 0,001), 120 min. OGTT: ρ =
-0,487 (p < 0,001), AUC 0-30 min. OGTT: ρ = -0,454 (p < 0,001), AUC 30-120 min.: ρ = -0,516 (p < 0,001), MR-graphisches Leberfett und GLP-1/Plasmainsulin-Ratio: 30 min. OGTT: ρ = -0,273 (p = 0,017), 60 min. OGTT: ρ = -0,309 (p = 0,007), 90 min. OGTT: ρ = -0,328 (p = 0,004), 120 min. OGTT: ρ = -0,317 (p = 0,005), AUC 0-30 min. OGTT: ρ = -0,231 (p = 0,044), AUC 30-120 min. OGTT: ρ = -0,332 (p = 0,003)).
Im Vergleich der GLP-1- und GIP-Spiegel im Verhältnis zu den Körperfettparametern des abdominellen und viszeralen Körperfettes (IAFI und MR-graphisches Leberfett) konnten jedoch deutlich höhere Werte bei den pGDM gefunden werden.
(IAFI/GLP-1: AUC 0-30 min.: pGDM: 0,002 (0,002;0,004), Kontrolle: 0,002 (0,001;0,003), p = 0,017, AUC 30-120 min.: pGDM: 0,5x10-3 (0,4x10-3;0,001), Kontrolle: 0,3x10-3 (0,3x10-3 ;0,7x10-3), p = 0,001, MR-graphisches Leberfett/GLP-1: AUC 0-30 min.: pGDM: 0,002 (0,2x10-4; 0,007), Kontrolle: 0,4x10-3 (0,000;0,003), p = 0,012 , AUC 30-120 min.: pGDM: 0,4x10-3 (0,000;0,003), Kontrolle: 0,1x10-3 (0,000;0,6x10-3), p = 0,011, IAFI/GIP: AUC 0-30 min.: pGDM: 0,001 (0,7x10-3;0,002), Kontrolle: 0,7x10-3 (0,4x10-3;0,001), p = 0,002, AUC 30-120 min.: pGDM: 0,2x10-3 (0,13x10-3; 0,3x10-3), Kontrolle: 0,1x10-3 (0,9x10-4;0,2x10-3), p = 0,004, MR-graphisches Leberfett/GIP: AUC 0-30 min.: pGDM: 0,8x10-3 (0,1 x10-4;0,003), Kontrolle: 0,2x10-3 (0,000;0,001), p = 0,012, AUC 30-120 min.: pGDM: 0,2x10-3 (0,2x10-5 ;0,6x10-3), Kontrolle: 0,4 x10-4 (0,000;0,2x10-3), p = 0,010).
Die Analyse der prozentualen Veränderung der Körperfettparameter und des HOMA-Indexes im 5-Jahres Follow-ups zeigte bei den pGDM eine prozentuale Abnahme des HOMA-Indexes, wohingegen dieser bei den Kontrollen deutlich anstieg (pGDM: -4,35% (-27,26;53,61), Kontrolle: + 39,20% (3,24;99,96), p = 0,030). Nach Aufteilung der Probandinnen in eine Gruppe mit BMI > bzw. 25 kg/m2 (Visite V1: BMI > 25 kg/m2: +27,57% (-16,6;70), BMI 25 kg/m2: +32,45% (-16,6;100,65), BMI < 25 kg/m2: -0,21% (-24,72;71,06), p = 0,382). Die Korrelationen der prozentualen Veränderungen der Körperfettparameter zeigten in beiden Gruppen signifikante Werte der medianen prozentualen Veränderungen der konventionellen Körperfettparameter, sowie der des FVI mit der des BMIs und der des IAFIs (%-Veränderung Taillenumfang und BMI: pGDM: ρ = 0,437 (p = 0,010); Kontrollen: ρ = 0,647 (p < 0,001), %-Veränderung FVI und BMI: pGDM: ρ = 0,615 (p < 0,001), Kontrollen: ρ = 0,679 (p < 0,001), %-Veränderung FVI und IAFIs: pGDM: ρ = 0,698 (p < 0,001), Kontrollen: ρ = 0,524 (p = 0,009)).
In der prädiktiven Analyse der Entstehung einer Glucosemetabolismusstörung innerhalb des 5-Jahres-Follow-ups zeigten sich die MR-graphischen Körperfettparameter und der HOMA-Index positiv, sowie die GLP-1/Plasmazucker- und GLP-1/Plasmainsulin-Ratio zu den meisten Zeiten des OGTTs negativ prädiktiv (FVI: R = 0,195 (p = 0,002), IAFI: R = 1,516 (p = 0,009), HOMA-Index: R = 0,580 (p = 0,007), GLP-1/Plasmazucker-Ratio: 0 min. OGTT: R = 1,192 (p = 0,898), 30 min. OGTT: R = -10,502 (p = 0,016), 60 min. OGTT: R = -8,925 (p = 0,022), 90 min. OGTT: R = -5,917 (p = 0,049), 120 min. OGTT: R = -6,724 (p = 0,036), AUC 0-30 min. OGTT: R = -0,504 (p = 0,029), AUC 30-120 min. OGTT: R = -0,099 (p = 0,025), GLP-1/Plasmainsulin-Ratio: 0 min. OGTT: R = -0,232 (p = 0,433), 30 min. OGTT: -0,897 (p = 0,319), 60 min. OGTT: R = -2,365 (p = 0,047), 90 min. OGTT: R = -2,228 (p = 0,018), 120 min. OGTT: R = -1,956 (p = 0,022), AUC 0-30 min. OGTT: R = -0,017 (p = 0,343), AUC 30-120 min. OGTT: R = -0,027 (p = 0,024). Auch nach Adjustierung für Alter blieben die prädiktiven Eigenschaften der meisten Parameter signifikant. Nach zusätzlicher Adjustierung für initialen Fall-Kontroll-Status erreichten nur noch wenige, für BMI > oder < 25 kg/m2 kein Parameter statistische Signifikanz.
Schlussfolgerung: Die durchweg hohen Korrelationen der anthropometrischen und der MR-graphischen Körperfettparameter mit den Komponenten des metabolischen Syndroms verdeutlicht den Zusammenhang des Fettgewebes mit dem Metabolismus. Somit scheinen die anthropometrischen Körperfettparameter für eine erste Einschätzung geeignet, sollten jedoch insbesondere in einem Risikokollektiv durch bildgebende Maßnahmen ergänzt werden.
Bezüglich der Inkretin-Hormone konnten in Bezug auf die reinen Plasmaspiegel in dieser Studie zwar keine signifikanten Unterschiede zwischen den Studiengruppen gezeigt werden, bei Betrachtung des Verhältnisses von GLP-1 zum Plasmazucker bzw. Plasmainsulin konnten jedoch signifikant niedrigere Werte bei den pGDM gefunden werden. Ebenso zeigten sich signifikant höhere GLP-1-Spiegel im Verhältnis zum abdominellen bzw. viszeralen Körperfett bei den pGDM, sodass durchaus abhängig vom Körperfettgehalt und metabolischen Status Unterschiede in der Sekretion dieser Hormone zu bestehen scheinen.
In der Vorhersage einer Glucosemetabolismusstörung innerhalb des 5-Jahres-Follow-ups zeigten sich die GLP-1/Plasmazucker- und GLP-1/Plasmainsulin-Ratios negativ prädiktiv bedeutsam, wohingegen sowohl der HOMA-Index als auch die MR-graphischen Körperfettparameter positiv prädiktive Eigenschaften aufwiesen. Die ausbleibende Signifikanz nach Adjustierung für BMI > bzw. < 25 kg/m2 betont die Bedeutung des Körpergewichtes, sodass einer Zunahme des BMIs frühzeitig entgegengewirkt werden sollte.
Insgesamt zeigte sich die Kohorte im 5-Jahres-Follow-up jedoch metabolisch stabil, was wohl zum einen den Studienbedingungen an sich, als auch der höheren Motivation der teilnehmenden Probandinnen zuzuschreiben ist. Klinisch relevant scheint jedoch die Tatsache, dass die Beobachtung der Probandinnen allein zu einem bewussteren Verhalten führen kann. Ein regelmäßiges und intensiviertes Screening eines Risikokollektiv, wie den post-Gestationsdiabetikerinnen, scheint somit sinnvoll in der Prävention bzw. Verzögerung eines postpartalen Diabetes und sollte allen Betroffenen angeboten werden.Objective: High percentage of bodyfat, especially visceral bodyfat, is closely related to the development of type 2 diabetes. Also, the incretin hormones GLP-1 and GIP seem to have impact on the bodyfat as well as the glucose metabolism. Aim of this study was to show the connections between different bodyfat parameters as well as their correlations with metabolic syndromes` components in a high-risk collective such as the post-gestational diabetes women compared to a control group of women who had remained normoglycemic during pregnancy. Accordingly, the incretin hormones` influence on bodyfat and glucose metabolism have been analyzed and been studied for their predictive value in predicting a manifest diabetes within the 5-year-follow up.
Methods: A group of the PPS-Diab-study collective (Prediction, prevention and subclassification of Type 2 diabetes) has been examined. Different bodyfat parameters have been measured anthropometrically, by BIA-scale or MRI-scans. In laboratory analysis the components of metabolic syndrome, incretin hormones as well as the plasma glucose and plasma insulin during different times of OGTT have been analyzed. For the statistical analysis Mann-Whitney-U-Test, Fisher-Exact-Test, Kolmogorov-Smirnov-Test and Spearman-correlations have been performed. Predictive values for in this collective`s metabolically relevant parameters have been calculated by logistic regression analysis with adjustments for several co-variables.
Results: 196 probands have been analyzed of which 129 belonged to pGDM-group and 67 probands to the control group. A total of 56 probands completed both MRI-scans at baseline (V1) and 5-year follow-up visit (V3). For both visits significantly higher values for the bodyfat parameters and most metabolic syndromes` components were found in pGDM-group (waist circumference: pGDM: 82,51 ± 11,84 cm, control: 76,40 ± 8,57 cm; p = 0,002, BMI: pGDM: 25,99 ± 5,81 kg/m2, control: 23,11 ± 3,7 kg/m2; p = 0,003, bodyfat by BIA-scale: pGDM: 32,40 kg (25,35;39,30), control: 29,00 kg (5,20;35,20); p = 0,034, FVI: pGDM: 8,35 dm3/m2 (6,35;11,85), control: 7,13 dm3/m2 (5,53;9,54); p = 0,007, Intraabdominal Fat Index: pGDM: 0,67 dm3/m2 (0,42;1,08), control: 0,46 dm3/m2 (0,029;0,69); p 0,001, fasting blood glucose: pGDM: 93,00 mg/dl (89,00;98,00), control: 90,00 mg/dl (84,00;93,00); p < 0,001, systolic blood pressure: pGDM: 117,13 ± 9,57 mmHg, control: 112,50 ± 10,86 mmHg; p = 0,035; diastolic blood pressure: pGDM: 73,40 ± 8,48 mmHg, control 70,08 ± 8,56 mmHg; p = 0,006).
The incretin hormones` plasma values showed no significant differences between the groups at baseline visit whereas the GLP-1/Plasmaglucose- and GLP-1/Plasmainsulin-Ratios showed lower values in the pGDM-group for most of the times (GLP-1/Plasmaglucose-Ratio: 60 min. OGTT: pGDM 0,08 pmol/l (0,06;0,11), control 0,1 pmol/l (0,07;0,14), p = 0,002, 90 min OGTT: pGDM 0,09 pmol/l (0,06;0,13), control 0,11 pmol/l (0,09;0,19) p < 0,001, 120 min. OGTT: pGDM 0,08 pmol/l (0,06; 0,13), control 0,12 pmol/l (0,1;0,18), p < 0,001, AUC 30-120 min: pGDM 8,07 pmol/l (6,02;10,75), control 10,12 pmol/l (7,55;13,37), p < 0,001, GLP-1/Plasmainsulin-Ratio: 0 min. OGTT: pGDM 0,42 pmol/l (0,27;0,67), control 0,56 pmol/l (0,38;0,73), p = 0,012, 60 min. OGTT: pGDM 0,19 pmol/l (0,11;0,29), control 0,28 pmol/l (0,18;0,39), p < 0,001, 90 min OGTT: pGDM 0,19 pmol/l (0,13;0,35), control 0,39 pmol/l (0,22; 0,48), p < 0,001, 120 min. OGTT: pGDM 0,19 pmol/l (0,13;0,35), control 0,36 pmol/l (0,25;0,63), p < 0,001, AUC 0-30 min. OGTT: pGDM 11,02 pmol/l (7,58;16,2), control 13,43 pmol/l (8,84;21,63), p = 0,019, AUC 30-120 min: pGDM 19,63 pmol/l (11,89;31,69), control 32,40 pmol/l (19,82; 42,05), p < 0,001).
For both groups strong correlations between all bodyfat parameters and with metabolic syndromes’ components, especially HOMA-Index, have been detected (HOMA-Indexes’ correlations pGDM V1: pGDM: waist circumference ρ = 0,630 (p < 0,001), BMI ρ = 0,623 (p <0,001), bodyfat by BIA-scale ρ = 0,643 (p < 0,001), FVI ρ = 0,646 (p < 0,001) and IAFI ρ = 0,631 (p < 0,001), MR-graphic liver fat ρ = 0,365 (p = < 0,001), control: waist circumference ρ = 0,514 (p < 0,001), BMI ρ = 0,714 (p < 0,001), bodyfat by BIA-scale ρ = 0,640 (p < 0,001), FVI ρ = 0,680 (p < 0,001), IAFI ρ = 0,435 (p = 0,002), MR-graphic liver fat ρ = 0,221 (p = 0,126), V3: pGDM: waist circumference ρ = 0,689 (p < 0,001); BMI ρ = 0,768 (p < 0,001), bodyfat by BIA-scale ρ = 0,710 (p < 0,001), FVI ρ = 0,702 (p < 0,001), IAFI ρ = 0,634 (p < 0,001), control: waist circumference ρ = 0,840 (p < 0,001), BMI ρ = 0,800 (p < 0,001), bodyfat by BIA-scale ρ = 0,809 (p < 0,001), FVI ρ = 0,871 (p < 0,001), IAFI ρ = 0,776 (p < 0,001)).
Correlation-analysis of the MR-graphic bodyfat indices (FVI and IAFI, MR-graphic liver fat) with the incretin-hormones showed no significant correlations in the pGDM and control-group, whereas the GLP-1/Plasmainsulin-Ratio showed significant correlations with the MR-graphic bodyfat indices in the pGDM-group (FVI and GLP-1/Plasmainsulin-Ratio: 0 min. OGTT: ρ = -0,456 (p < 0,001), 30 min. OGTT: ρ = -0,460 (p < 0,001), 60 min. OGTT: ρ = -0,508 (p < 0,001), 90 min. OGTT: ρ = -0,498 (p < 0,001), 120 min. OGTT: ρ = -0,472 (p < 0,001), AUC 0-30 min. OGTT: ρ = -0,515 (p < 0,001), AUC 30-120 min. OGTT: ρ = -0,525 (p < 0,001), IAFI and GLP-1/Plasmainsulin-Ratio: 0 min. OGTT: ρ = -0,377 (p < 0,001), 30 min. OGTT: ρ = -0,409 (p < 0,001), 60 min. OGTT: ρ = -0,488 (p < 0,001), 90 min. OGTT: ρ = -0,480 (p < 0,001), 120 min. OGTT: ρ = -0,487 (p < 0,001), AUC 0-30 min. OGTT: ρ = -0,454 (p < 0,001), AUC 30-120 min. OGTT: ρ = -0,516 (p < 0,001), MR-graphic liver fat and GLP-1/Plasmainsulin-Ratio: 30 min. OGTT: ρ = -0,273 (p = 0,017), 60 min. OGTT: ρ = -0,309 (p = 0,007), 90 min. OGTT: ρ = -0,328 (p = 0,004), 120 min. OGTT: ρ = -0,317 (p = 0,005), AUC 0-30 min. OGTT: ρ = -0,231 (p = 0,044), AUC 30-120 min. OGTT: ρ = -0,332 (p = 0,003)).
When comparing the relation of GLP-1 and GIP-plasma values to the abdominal and visceral bodyfat-parameters (IAFI and MR-graphic liver fat) significantly higher values could be found in pGDM-group (IAFI/GLP-1: AUC 0-30 min.: pGDM: 0,002 (0,002;0,004), control: 0,002 (0,001;0,003), p = 0,017, AUC 30-120 min.: pGDM: 0,5x10-3 (0,4x10-3;0,001), control: 0,3x 10-3 (0,3x10-3;0,7x10-3), p = 0,001, MR-graphic liver fat/GLP-1: AUC 0-30 min.: pGDM: 0,002 (0,2x10-4;0,007), control: 0,4x10-3 (0,000;0,003), p = 0,012, AUC 30-120 min.: pGDM: 0,4x10-3 (0,000;0,003), control: 0,1x10-3 (0,000;0,6x10-3), p = 0,011, IAFI/GIP: AUC 0-30 min.: pGDM: 0,001 (0,7x10-3;0,002), control: 0,7x10-3 (0,4x10-3;0,001), p = 0,002, AUC 30-120 min.: pGDM: 0,2x10-3 (0,13x10-3;0,3x10-3), control: 0,1x10-3 (0,9x10-4;0,2x10-3), p = 0,004, MR-graphic liver fat/GIP: AUC 0-30 min.: pGDM: 0,8x10-3 (0,1x10-4;0,003), control: 0,2x10-3 (0,000;0,001), p = 0,012, AUC 30-120 min.: pGDM: 0,2x10-3 (0,2x10-5;0,6x10-3), control: 0,4 x10-4 (0,000;0,2x10-3), p = 0,010).
In longitudinal analysis of the percental changes of bodyfat-parameters and HOMA-Index within the 5-year-follow-up a percental decrease of HOMA-Index in the pGDM-group and a percental increase of HOMA-Index in the control-group have been detected (pGDM -4,35% (-27,26;53,61), control + 39,20% (3,24; 99,96), p = 0,030). After splitting up the study-cohort by BMI > / 25 kg/m2 showed the highest percental increase of HOMA-Index (Visit V1: BMI > 25 kg/m2 +27,57% (-16,6;70), BMI 25 kg/m2 +32,45% (-16,6;100,65), BMI < 25 kg/m2 -0,21% (-24,72;71,06), p = 0,382).
The correlation-analysis of the mean percental changes of bodyfat parameters during the 5-year-follow-up showed significant correlations in both groups for the conventional bodyfat parameters, as well as for the FVI with the BMI and the IAFI (%-change waist circumference and BMI: pGDM: ρ = 0,437 (p = 0,010); control: ρ = 0,647 (p < 0,001), %-change FVI and BMI: pGDM: ρ = 0,615 (p < 0,001), control: ρ = 0,679 (p < 0,001), %-change FVI and IAFIs: pGDM: ρ = 0,698 (p < 0,001), control: ρ = 0,524 (p 0,009)).
In the regression analysis for predicting glucose metabolism-disorder within the 5-year-follow-up the MR-graphic bodyfat parameters and HOMA-Index showed positive predictive values, whereas the GLP-1/Plasmaglucose- and GLP-1/Plasmainsulin-Ratios showed significant negative predictive values (FVI: R = 0,195 (p = 0,002), IAFI: R = 1,516 (p = 0,009), HOMA-Index: R = 0,580 (p = 0,007), GLP-1/Plasmaglucose-Ratio: 0 min. OGTT: R = 1,192 (p = 0,898), 30 min. OGTT: R = -10,502 (p = 0,016), 60 min. OGTT: R = -8,925 (p = 0,022), 90 min. OGTT: R = -5,917 (p = 0,049), 120 min. OGTT: R = -6,724 (p = 0,036), AUC 0-30 min. OGTT: R = -0,504 (p = 0,029), AUC 30-120 min. OGTT: R = -0,099 (p = 0,025), GLP-1/Plasmainsulin-Ratio: 0 min. OGTT: R = -0,232 (p = 0,433), 30 min. OGTT: R = -0,897 (p = 0,319), 60 min. OGTT: R = -2,365 (p = 0,047), 90 min. OGTT: R = -2,228 (p = 0,018), 120 min. OGTT: R = -1,956 (p = 0,022), AUC 0-30 min. OGTT: R = -0,017 (p = 0,343), AUC 30-120 min. OGTT: R = -0,027 (p = 0,024)). After adjustment for age most parameters remained statistically significant. When additionally adjusting for initial case-control-status only a few and for BMI > / < 25 kg/m2 all parameters lost significance.
Conclusion:
Consistently high correlations of anthropometric and MR-graphic bodyfat parameters with the components of metabolic syndrome illustrate the influence of bodyfat on the metabolism. Anthropometric bodyfat parameters can therefore be useful for a primary estimation of body fat but should be followed by imaging methods esp
Biological correlates across and between diagnostic groups in the PsyCourse Study: paving the way for biomarkers through genomics, proteomics, mitochondria and cognition
Get PDFÜberprüfung der Kriterien für die Diagnostik von myofaszialen Triggerpunkten im Rahmen der körperlichen Untersuchung
Get PDFEinleitung
Myofasziale Triggerpunkte sind Orte erhöhter Reizbarkeit in der Muskulatur. Es ist davon auszugehen, dass myofasziale Triggerpunkte in hohem Maße zum Schmerzeschehen bei chronischen Schmerzen beitragen. Für eine effektive Behandlung stellt eine korrekte Diagnosestellung die notwendige Voraussetzung dar. Allerdings existiert derzeit weder eine Standardisierung der Untersuchungsmethoden, noch bestehen einheitlich anerkannte Kriterien für die Diagnostik. Ziel der vorliegenden Arbeit war, die angewandten Kriterien für die Diagnostik von myofaszialen Triggerpunkten im Rahmen der körperlichen Untersuchung anhand der Häufigkeit und Kombination ihres Auftretens hinsichtlich ihrer Relevanz für die Diagnosestellung zu untersuchen.
Methode
Bei insgesamt 61 chronischen Schmerzpatienten, die das interdisziplinäre Assessment in der Schmerzambulanz am Klinikum der LMU München durchliefen, beurteilte jeweils einer von fünf in der Schmerzdiagnostik versierten Ärzten in einer standardisieren körperlichen Untersuchung Struktur, Schmerzgeschehen sowie Funktionalität von auffälligen Stellen im Musculus trapezius sowie Musculus levator scapulae beidseits. Der Patient beantworte zusätzlich Fragen zur Symptomatik und der Untersucher gab seine Einschätzung zur Diagnosestellung ab. Die Daten wurden mittels der Multiplen Korrespondenzanalyse (MCA) ausgewertet, wodurch die Beziehung zwischen den Diagnosekriterien visualisiert sowie deren Relevanz beurteilt werden konnte. Basierend auf den Ergebnissen der MCA teilte eine Clusteranalyse die Patienten auf Basis der Diagnosekriterien in Gruppen ein. Exakte Tests nach Fischer zeigten die Häufigkeiten der Diagnosekriterien in Abhängigkeit von der ärztlichen Einschätzung bezüglich der Diagnose eines myofaszialen Triggerpunktes, eines myofaszialen Schmerzsyndroms und eines für das Schmerzgeschehen relevanten Befundes.
Ergebnisse
Bei 65,6% der Patienten wurde mindestens ein MTrP diagnostiziert. Nach Meinung der Untersucher lag bei mehr als der Hälfte der Patienten ein MSS und/oder ein für das Schmerzgeschehen relevanter Befund vor. Im Rahmen der körperlichen Untersuchung der Patienten fielen die Diagnosekriterien Hartspannstrang, Druckschmerzpunkt im Hartspannstrang, Knötchenstruktur im Hartspannstrang sowie Übertragungsschmerz am häufigsten auf und waren bei 50,9% bis 85,2% der Patienten vertreten. Diese Kriterien wurden als klassische Diagnosekriterien bezeichnet. Im Vergleich dazu war ein Druckschmerzpunkt ohne Hartspannstrang mit 13,1% ebenso wie eine Knötchenstruktur ohne Hartspannstrang mit 3,3% in der Patientenstichprobe selten vertreten. Den klassischen Diagnosekriterien wurden ergänzende Diagnosekriterien gegenübergestellt, welche insgesamt seltener waren und bis auf eine Ausnahme nur dann vorkamen, wenn mindestens ein klassisches Diagnosekriterium oder ein Druckschmerzpunkt/eine Knötchenstruktur außerhalb des Hartspannstranges vorhanden waren. Zu den ergänzenden Diagnosekriterien zählten Bewegungseinschränkung, Schmerzen bei kräftiger Kontraktion sowie eine Symptomverschlechterung bei Stress. Diese waren bei 24,6% bis 27,9% der Patienten zu finden. Seltener nachweisbar waren eine Muskelschwäche (13,1%) sowie eine unwillkürliche Ausweichbewegung (19,7%). Die Diagnosekriterien lokale Zuckungsreaktion sowie lokale autonome Phänomene waren nur in Einzelfällen bei 1,6% bis 4,9% der Patienten auslösbar.
Ein Vergleich der Ausprägungshäufigkeiten der Diagnosekriterien bei Patienten, bei denen ein MTrP vorhanden war, gegenüber jenen, bei welchen ein MSS bzw. ein für das Schmerz-geschehen relevanter Befund festgestellt wurde, fiel in den einzelnen Gruppen jeweils sehr ähnlich aus und die Ausprägungshäufigkeiten waren insgesamt mit der Verteilung in der Gesamtstichprobe vergleichbar. In allen Einzelvergleichen zeigte sich ein signifikanter Zusammenhang zwischen der Ausprägungshäufigkeit der Diagnosekriterien Hartspannstrang, Druckschmerzpunkt im Hartspannstrang, Übertragungsschmerz sowie Verschlechterung bei Stress und der klinischen Einschätzung, ob es sich bei der untersuchten Stelle um einen MTrP, ein MSS bzw. einen für das Schmerzgeschehen relevanten Befund handelte. Gleiches galt bis auf eine Ausnahme für die Knötchenstruktur im Hartspannstrang, welche nur im M. levator scapulae rechts bei der Frage, ob ein MTrP vorlag, keinen signifikanten Unterschied in der Ausprägungshäufigkeit zeigte. Die Ausprägungshäufigkeit der Bewegungseinschränkung sowie der unwillkürlichen Ausweichbewegung unterschied sich vor allem signifikant hinsichtlich der Fragen, ob ein MTrP bzw. ein MSS vorlag, die Ausprägungshäufigkeit der Schmerzen bei kräftiger Kontraktion hingegen bei der Frage, ob der Befund relevant für das Schmerzgeschehen war. Die Häufigkeit der Diagnosekriterien Knötchenstruktur ohne Hartspannstrang, Druckschmerzpunkt ohne Hartspannstrang sowie Muskelschwäche trug zu keiner Unterscheidung signifikant bei. Nie oder für eine sinnvolle Analyse zu selten fanden sich die Diagnosekriterien lokale Zuckungsreaktion sowie autonome Phänomene.
Eine hierarchische Clusteranalyse basierend auf den Ergebnissen der MCA ergab, dass Patienten auf der Basis der Diagnosekriterien in vier unterschiedliche Gruppen eingeteilt werden können. Cluster 1 (n=148 auffällige Stellen) beschreibt Patienten, bei welchen entweder keines oder nur ein einzelnes Diagnosekriterium, in der Regel ein Hartspannstrang, gefunden wurde. Cluster 2 (n=13 auffällige Stellen) beschreibt Patienten mit Druckschmerzpunkt ohne Hartspannstrang und/oder Knötchenstruktur ohne Hartspannstrang. Vereinzelt lagen zusätzlich ergänzende Diagnosekriterien vor. Cluster 3 (n=53 auffällige Stellen) beschreibt Patienten, die eine Kombination aus den klassischen Diagnosekriterien aufwiesen, wobei ein Hartspannstrang bis auf eine Ausnahme immer und ein Druckschmerzpunkt im Hartspannstrang fast immer an der Kombination beteiligt waren, welche gegebenenfalls durch eine Knötchenstruktur im Hartspannstrang und/oder einen Übertragungsschmerz erweitert wurde. Ergänzende Diagnosekriterien waren nur einige wenige zu finden. Cluster 4 (n=30 auffällige Stellen) beschreibt Patienten, die ebenfalls eine Kombination aus den klassischen Diagnosekriterien vergleichbar mit Cluster 3 hatten, allerdings zudem mehrere der ergänzenden Diagnosekriterien aufwiesen. Bei keiner der auffälligen Stellen aus Cluster 1 und 2, jedoch bei 75,5% aus Cluster 3 und 96,7% aus Cluster 4 lag nach klinischer Einschätzung ein MTrP vor.
Zur Definition der Dimension 1 der MCA und damit zur Unterscheidbarkeit MTrP ja/nein trugen von den klassischen Diagnosekriterien in erster Linie der Druckschmerzpunkt im Hartspannstrang, der Übertragungsschmerz sowie die Knötchenstruktur im Hartspannstrang bei. Von den ergänzenden Diagnosekriterien leisteten die Symptomverschlechterung bei Stress sowie die Bewegungseinschränkung, nachrangig auch die unwillkürliche Ausweichbewegung den größten Beitrag.
Diskussion
Die vorliegende Studie untersuchte erstmals sämtliche Diagnosekriterien, die im Rahmen der körperlichen Untersuchung zur Diagnostik von MTrP herangezogen werden können, hinsichtlich ihrer Relevanz für die Diagnosestellung.
Als besonders relevant für die Diagnosestellung eines MTrP konnten aus den Ergebnissen der MCA sowie der klinischen Einschätzung der Untersucher die Diagnosekriterien Hartspannstrang in Kombination mit einem weiteren klassischen Diagnosekriterium, in erster Linie Druckschmerzpunkt im Hartspannstrang, seltener Knötchenstruktur im Hartspannstrang und/oder Übertragungsschmerz abgeleitet werden. Allerdings führte diese Kombination allein noch nicht zu einer sicheren Diagnosestellung. Diese wurde erst gefestigt durch das Vorliegen ergänzender Diagnosekriterien, insbesondere durch die Symptomverschlechterung bei Stress sowie die Bewegungseinschränkung, nachrangig auch die unwillkürliche Ausweichbewegung
Radiologisches und klinisches Follow-up zur Untersuchung des Fusionsverhaltens von 3D-gedruckten Emerging Implant Technologies (EIT) Cellular Titanium Cages in der Halswirbelsäule
Get PDFIn einer prospektiven Studie wurden die klinischen und radiologischen Ergebnisse nach anteriorer zervikaler Diskektomie, Dekompression und Fusion (ACDF) eines oder zweier Bewegungssegmente unter Verwendung eines innovativen, 3D-gedruckten, bioaktiven Titan-Cages in Verbindung mit autogenem Knochenmark klinisch und radiologisch untersucht und mit den bisher publizierten Ergebnissen von alternativen Cages verglichen.
Die Fragestellung der Arbeit war, ob die Ergebnisse klinisch und radiologisch mit dem bekannten Standard vergleichbar sind oder Vorteile bieten. Die primären und sekundären Fragestellungen waren, in welchem Ausmaß es nach ACDF mit den 3D-gedruckten Titan-Cages zur Fusion kommt und in welchem Ausmaß Sinterungen eintreten. Ferner sollten die klinischen und funktionellen Früh-Ergebnisse (3 bis 12 Monate) evaluiert werden.
Hierzu wurden die Patienten präoperativ sowie nach 3 und 12 Monaten klinisch untersucht und standardisierte Röntgenaufnahmen der Halswirbelsäule (HWS) inklusive Flexions- und Extensionsaufnahmen durchgeführt. Zur klinischen Auswertung dienten der international validierte Neck Disability Index (NDI), die Schmerzerfassung (Arm- und Nackenschmerz) mittels der Visuellen Analogskala (VAS) sowie die Erfassung der subjektiven Patientenzufriedenheit. Die Röntgenaufnahmen wurden mittels FXATM-Software halbautomatisch vermessen und zur Bestimmung der Stabilität der Bewegungssegmente wurde die Range of Motion (RoM) bestimmt. Bei einer Beweglichkeit von < 4° war das Kriterium einer funktionellen Fusion des Bewegungssegmentes erfüllt. Zusammenfassend sind die in unserer Studie erzielten radiologischen Ergebnisse sowohl im allgemeinen Literaturvergleich als auch im direkten Vergleich mit einer nahezu identischen Patientengruppe - jedoch mit unterschiedlichem Implantat - nicht nur identisch gut („non-inferior“), sondern tendenziell sogar besser. Gemäß der oben angegebenen Definition betrugen die Fusionsraten 97,3 % nach 3 und 86,8 % nach 12 Monaten. Vor allem der 3- Monatswert liegt deutlich über den in der Literatur publizierten Werten und suggeriert eine schnell stattfindende Fusion durch das verwendete Implantat in Verbindung mit autogenem Knochenmark.
Gleiches trifft auch auf die klinischen Ergebnisse zu. Dies gilt sowohl für die erzielten Absolutwerte des NDI der VAS für Arm- und Nackenschmerzen als auch für die Differenzen zwischen präoperativem Wert und Follow-up-Wert nach 3 und 12 Monaten. Vor allem bezüglich der Schmerzverbesserung wurden die international akzeptierten Werte der „minimum important clinical difference“ (MICD) sowohl für die VAS für Armschmerzen (Brachialgien) als auch für die VAS für Nackenschmerzen (Zervikalgien) deutlich übertroffen.
Bei keinem Patienten trat eine pathologische Sinterung des Implantats auf.
Die Tatsache, dass ebenso keine klinischen Komplikationen auftraten, ist sicherlich einer Schwäche dieser Studie geschuldet, da es sich um ein hoch selektives Patientengut mit ausgewählten Diagnosen und lediglich mono- und bisegmentalen Operationen handelte. Auch die Tatsache, dass die Studie keine eigene Kontrollgruppe beinhaltet, ist eine methodische Schwäche. Zusammenfassend führt die anteriore zervikale Diskektomie, Dekompression und Fusion mittels 3D-gedruckter Cellular Titanium Cages zu sehr guten radiologischen und klinischen Ergebnissen sowie zu einer hohen Patientenzufriedenheit. Das Verfahren hat sich in Kombination mit den verwendeten Implantaten als sicheres und reproduzierbares Verfahren für die Anwendungen bei mono- und bisegmentalen Fusionen erwiesen
Predicting short-term solar irradiance variability combining numerical weather prediction and machine learning
Get PDFIn einer digitalisierten Welt zählt eine sichere und stabile Energieversorgung zu den wichtigsten Anliegen von Gesellschaften und Regierungen. Photovoltaikanlagen (PV) sind eine Schlüsseltechnologie, um dieses Anliegen mit der durch den menschengemachten Klimawandel zwingend notwendig gewordenen Transformation hin zu erneuerbaren Energiequellenin Einklang zu bringen. Die Energieerzeugung mittels PV unterliegt jedoch großen wetterbedingten Schwankungen, welche insbesondere durch den Einfluss von Wolken auf die solare Einstrahlung hervorgerufen werden. Aufgrund ihrer groben räumlichen (ca. 2 km) und zeitlichen (ca. 1 h) Auflösung können moderne Wettermodelle diese Fluktuationen nur bis zu einem gewissen Grad prognostizieren. Auf räumlichen und zeitlichen Skalen unterhalb der Modellauflösung treten jedoch große Schwankungen in der solaren Einstrahlung und damit auch in der erzeugten PV Leistung auf, welche für einen sicheren Betrieb des Stromnetzes von großer Bedeutung sind. Daher wurden im Rahmen dieser Dissertation zwei Methoden entwickelt, um diese kleinskaligen Fluktuationen der solaren Einstrahlung basierend auf operationellen Wettervorhersagen des COSMO-D2 Modells des Deutschen Wetterdienstes, trotz deren geringer Auflösung vorhersagen zu können. Als Basis für die Modellentwicklung und Validierung wurden Messungen der horizontalen Globalstrahlung (GHI) mit einer zeitlichen Auflösung von einer Sekunde verwendet, welche im Rahmen zweier Messkampagnen des Forschungsprojekts MetPVNet im Raum Kempten gesammelt wurden. Die erste Methode basiert auf räumlich hochaufgelösten Feldern der GHI, welche mithilfe des 3D Strahlungstransportmodells MYSTIC und hochaufgelösten Wolkenfeldern aus Large Eddy Simulationen (LES) berechnet wurden. Basierend auf diesen GHI Feldern wurde zunächst der Variabilitätsindex V in Abhängigkeit des Sonnenzenitwinkels (SZA), der Wolkenzuggeschwindigkeit sowie des Wolkenbedeckungsgrades in einer Lookup-Tabelle (LUT) abgespeichert. Daraufhin wurden die Wolkenzuggeschwindigkeit sowie der Bedeckungsgrad aus den Vorhersagen des COSMO-D2 Modells extrahiert. Im letzten Schritt wurde das LUT Modell mithilfe eines Trainingsdatensatzes optimiert, wobei sowohl der RMSE (Root Mean Square Error) um 36% der Bias um 83% reduziert werden konnten. Als zweite Methode wurde ein Random-Forest (RF) Modell gewählt, welches zur Klasse der maschinellen Lernmethoden zählt. Ein entscheidender Vorteil von RF Modellen ist, dass eine beliebige Anzahl von Parametern verwendet werden kann, von denen die wichtigsten durch den RF selbst bestimmt werden. Der Datensatz mit einer Größe von anfänglich 121 Parametern konnte mithilfe des RF, unter Verwendung einer Recursive Feature Elimination in Kombination mit der Permutation Feature Importance Metrik, auf 13 Parameter reduziert werden. Weiterhin wurden die Hyperparameter des RF auf einem Trainingsdatensatz mittels eines Grid-Search Algorithmus optimiert. Um den Einfluss von Vorhersagefehlern des COSMO-D2 Modells auf die Vorhersage der Variabilität abzuschätzen, wurden beide Methoden sowohl auf dem originalen als auch auf einem qualitätsgeprüften (gefilterten) Datensatz optimiert und evaluiert. Die Evaluierung der Modelle ergab dabei RMSE Werte von 0,78 (gefiltert) und 0,96 (original) für das LUT Modell sowie 0,039 (gefiltert) und 0,0423 (original) für das RF Modell, welches somit deutlich bessere Ergebnisse erzielte. Ein zusätzlicher Validierungsschritt, bei dem das RF Modell, welches auf dem originalen Datensatz basiert, auf den gefilterten Datensatz angewendet wurde (und umgekehrt) zeigte, dass das RF Modell in der Lage ist, Fehler in der Wettervorhersage zu kompensieren. Daher ist es aus operationeller Sicht vorteilhaft, das RF Modell auf allen verfügbaren Daten zu trainieren, um die bestmögliche Variabilitätsvorhersage zu erzielen.
Nach bestem Wissen des Autors, sind die hier entwickelten Modelle für die Vorhersage der kleinskaligen und kurzfristigen Variabilität der GHI die ersten, welche ausschließlich modernste operationelle Wettervorhersagen als Eingangsdaten nutzen und stellen daher einen wichtigen Fortschritt im Vergleich zur Literatur dar.Secure and stable power supply is one of the major concerns of societies and governments in a digitalized world. To reconcile this concern with the need of a transformation towards renewable energy sources in the light of climate change, photovoltaic (PV) systems are a key technology. However, photovoltaic energy production is highly dependent on weather conditions and exhibits large and rapid fluctuations in the presence of clouds which shield the PV systems from direct sunlight. State-of-the-art numerical weather prediction (NWP) models are able to predict these fluctuations only to a certain extent as they are operated on coarse resolution of about 2 km in space and typically 1 hour in time. On smaller temporal and spatial scales, which are not resolved by NWP models, the incoming solar radiation and the according PV power show very large fluctuations which are particularly relevant for a save operation of the power grid. To be able to predict these small scale fluctuations despite the low resolution of NWP models, two downscaling methods were developed based on operational forecasts of the German Weather Service COSMO-D2 model. Therefore, measurements of the global horizontal irradiance (GHI) with a temporal resolution of one second gathered in the area of Kempten (Allgäu) in the scope of the MetPVNet project were used as a ground truth for model development and validation. The first modelling approach is based high spatial resolution GHI fields calculated using the 3D radiative transfer model MYSTIC in combination with high resolved cloud fields from large eddy simulations (LES). From the GHI fields the variability index V was derived as a function of solar zenith angle (SZA), cloud advection speed and cloud fraction and stored within a lookup table (LUT). Cloud speed and cloud fraction were then extracted from the COSMO-D2 forecasts to predict the variability index. In a final step the LUT model was tuned on a training dataset which reduced the RMSE (Root Mean Square Error) by 36% and the bias by 83% . The second approach makes use of the random forest (RF) machine learning technique. A major advantage of the RF is that arbitrarily many input parameters can be used from which the most predictive ones can be determined by means of the RF. Therefore, a small set of 13 features was extracted from initially 121 COSMO-D2 forecast parameters by applying a recursive feature elimination in combination with the permutation feature importance metric. Additionally, the hyperparameters of the RF model were tuned on a training dataset by using a grid-search algorithm. To assess the impact of the COSMO-D2 forecast error on variability prediction, both models were built on the original dataset as well as on a quality filtered subset of the NWP forecasts and evaluated on a separated validation dataset. With an RMSE of 0.039 (filtered) and 0.0423 (unfiltered) the RF model outperforms the LUT approach with an RMSE of 0.078 for the filtered and 0.096 for the unfiltered dataset. An additional cross-over prediction – applying the unfiltered RF to the filtered validation dataset and vice versa – revealed that the RF model is able to compensate for errors in the NWP forecast. Consequently, from an operational perspective, it is beneficial to train the RF with all available data to obtain the best performance.
To the knowledge of the author, the developed models for the prediction of small-scale and short-term GHI variability are the first to use exclusively operational state-of-the-art NWP forecasts as input and hence are a major advance compared to existing literature