TecTorial: Trendpfeile sind von gestern – Prädiktion des Glukoseverlaufes mit der Accu-Chek SmartGuide CGM-Lösung

Anzeige

Die Nutzung von CGM-Systemen ist heute Standard im Diabetesmanagement bei Menschen mit Typ-1-Diabetes sowie bei Typ-2-Diabetes mit intensivierter Insulintherapie. Dennoch bleibt das tägliche Diabetes-Management eine erhebliche Belastung für Betroffene und ihre Angehörigen. Vor allem Hypoglykämien – die zwar seltener, aber weiterhin präsent sind – stellen ein zentrales Hindernis für eine optimale Glykämie dar und führen trotz vorhandener Warnsignale und Vorhersagealarme zu Angst, Sorge und Stress im Alltag. Neue Entwicklungen im Bereich der KI ermöglichen nun deutlich längerfristige Vorhersagen, die auf früheren Glukoseverläufen basieren. Dadurch können akute Therapieentscheidungen besser unterstützt¹ und Hypoglykämien noch effektiver vermieden werden.²

CGM und KI

Für ein proaktives Diabetesmanagement und zur Reduktion der Alltagsbelastung benötigen Anwender leistungsfähigere Entscheidungsunterstützungstools als die derzeit üblichen Trendpfeile. Innovative Glukosevorhersagetechnologien ermöglichen neuartige, prädiktive CGM-Funktionen und damit ein sichereres sowie effektiveres Management der Insulintherapie. Dabei werden Kontextdaten einbezogen, die über die reinen Glukosewerte hinausgehen – etwa Informationen aus Wearables, verbundenen Insulinpens oder fortschrittlichen Bolusrechnern (Abb.1).

Diese KI-gestützten, proaktiven Funktionen unterstützen datengestützte Therapieentscheidungen, reduzieren die Häufigkeit unerwünschter Hypoglykämien und tragen zur Verringerung der Alarmbelastung bei. Durch die Visualisierung prädizierter Glukoseverläufe – vergleichbar mit einem „Regenradar“ – wird der Übergang von einem reaktiven „Firefighting“ zu einem vorausschauenden, datengestützten System ermöglicht. Insbesondere die Vorhersage nächtlicher Hypoglykämien (Night Low Predict, NLP) hat das Potenzial, psychologische Belastungen wie Diabetes Distress und die Angst vor Hypoglykämien deutlich zu reduzieren.

Glukoseprädiktion: Erste praktische Erfahrungen

Moderne CGM-Systeme ermöglichen einen Paradigmenwechsel von der reaktiven Interpretation des Trendpfeils hin zu einer proaktiven, KI-gestützten Steuerung des Diabetesmanagements.

Auf den diesjährigen nationalen und internationalen Kongressen wurden die ersten Daten zur neuen Accu-Chek SmartGuide CGM-Lösung präsentiert. In-silico-Daten (Roche Diagnostics, Data on file), die im Rahmen des DDG-Symposiums vorgestellt wurden, deuten auf eine potenzielle 4-fache Reduktion der Zeit unterhalb des Zielbereichs (<70 mg/dL) bei Anwendung aller prädiktiven Funktionen hin. Daten aus den ersten Real-World-Analysen (Roche Diagnostics, Data on file), präsentiert auf dem EASD, zeigten eine Korrelation der NLP-Nutzung mit einer signifikanten Reduktion der Wahrscheinlichkeit nächtlicher Level-2-Hypoglykämien um 31 %.

Zwei konkrete Fallbeispiele vermitteln den praktischen Nutzen der prädiktiven Funktionen der Accu-Chek SmartGuide Predict App mit dem Ziel, das Empowerment der Menschen mit Diabetes im Alltag zu erhöhen.

Fallbeispiel Nr. 1 stellt einen Patienten mit Neumanifestation von Typ 1 Diabetes vor, der aus Sorge vor Hypoglykämien zu Überkorrektur neigt und mit Hilfe der 2-Stunden-Prädiktion lernt zu verstehen, ob eine Intervention überhaupt erforderlich ist.

Fallbeispiel Nr. 2 zeigt einen Patienten mit Typ-2-Diabetes, der aus Sorge vor Hypoglykämien, die auf ein einschneidendes Erlebnis aus der Vergangenheit basiert, lieber permanent im hyperglykämischen Bereich bleiben will. Mit Fokus auf die Night Low Prediction (NLP) kann er Vertrauen aufbauen, sicher und ohne hyperglykämische Werte durch die Nacht zu kommen.

Fallbeispiel 1: Patient mit Neudiagnose T1D (Überkorrektur & Hypoglykämien)

Fallbeispiel 2: Patient mit Typ-2-Diabetes und Sorge vor Hypoglykämien & konstanter Hyperglykämie

Aktueller Stand

Die Kombination aus CGM-Systemen, Algorithmen und Insulinpumpen zu sogenannten Hybrid-AID-Systemen verbessert die Stoffwechselkontrolle deutlich und erhöht die Therapiesicherheit. Dennoch bleibt die dauerhafte Nutzung einer Insulinpumpe – insbesondere für Menschen mit Typ-2-Diabetes (T2D) – eine erhebliche Barriere für eine breite Anwendung. Die Mehrfach-Tages-Injektion (MDI) in Verbindung mit CGM wird daher absehbar auch in den kommenden Jahren die wichtigste Behandlungsform bleiben. Für diese große Anwendergruppe ist der Zugang zu moderner, intuitiv nutzbarer und zuverlässiger CGM-Technologie von zentraler Bedeutung.

Trotz intensiver Insulintherapie besteht insbesondere bei Menschen mit Diabetes eine ausgeprägte Sorge vor schweren Hypoglykämien. Das tägliche Diabetes-Selbstmanagement wird von vielen als starke Belastung empfunden, und die glykämische Kontrolle ist häufig unzureichend. So erreicht die große Mehrheit der Menschen mit Typ-1-Diabetes – rund 80 % – weiterhin keinen HbA1c-Zielwert von <7 %. Eine wesentliche Ursache ist die vermeidungsorientierte Therapie: Insulindosen werden vorsorglich reduziert, zusätzliche Kohlenhydrate werden vor allem abends aufgenommen und körperliche Aktivität wird oft eingeschränkt. Eine eingeschränkte Hypoglykämie-Wahrnehmung verschärft dieses Problem zusätzlich und erhöht das Risiko für langanhaltende sowie schwere Hypoglykämien.

Limitationen der bisherigen CGM-Ansätze

Das Echtzeit-CGM ermöglicht eine präzise quantitative wie qualitative Charakterisierung des Glukoseverlaufs und ist damit entscheidend für die Identifikation von Mustern sowie hypo- und hyperglykämischen Problemphasen. Trotz dieser deutlichen Vorteile in der Therapieentscheidung bringt die Technologie jedoch auch eine zusätzliche persönliche Belastung mit sich: Die permanente Geräteverbindung und die Notwendigkeit, die Daten aufgrund der begrenzten Vorhersagbarkeit des Glukoseverlaufs und gelegentlicher Messungenauigkeit engmaschig zu überwachen, erhöhen den Wachsamkeitsdruck. Dies begünstigt eine wachsende „Alarmmüdigkeit“.

Herkömmliche Trendpfeile bilden lediglich vergangene Entwicklungen ab und erfordern häufig „mentale Rechenleistung“ oder individuelle Vorhersageversuche durch Extrapolation. Ihre Bedeutung ist nicht immer eindeutig und kann zu Fehlreaktionen führen [1]. Sie tragen somit – oft unbeabsichtigt – zur mit CGM verbundenen Belastung bei, da Nutzer aktiv interpretieren und entsprechend handeln müssen, um optimale Dosierungen oder Verhaltensmaßnahmen abzuleiten.

Auch Schwellenwertwarnungen fördern ein reaktives Diabetesmanagement: Nutzer befinden sich in einem ständigen „Feuerwehrmodus“, mit dem Gefühl, sofort auf Werte und Trends außerhalb des Zielbereichs reagieren zu müssen. In sozialen Situationen können Alarme zudem als störend empfunden werden – sowohl für Betroffene als auch ihr Umfeld. Die systembedingte Verzögerung der CGM-Messung gegenüber kapillären oder venösen Glukosewerten verstärkt die Unsicherheit, wenn diese Verzögerung nicht in die Entscheidungsfindung einbezogen wird.

Schließlich limitiert die bislang unzureichende Integration von Boluskalkulatoren, smarten Pens und weiteren Wearables in ein nahtloses Ökosystem den potenziellen Nutzen des CGM in Bezug auf Entlastung und adaptive Therapieführung. Erst durch bessere Interoperabilität kann das volle Potenzial der Technologie für die Anwender wirksam werden.

KI-gestützte Glukoseprädiktion mit einem CGM-System

Ein erstes CGM-System mit KI-gestützter, fortschrittlicher Glukosevorhersagetechnologie ist kürzlich auf den Markt gekommen. Es bietet drei prädiktive Funktionen, die auf Algorithmen basieren, die anhand fester individueller Parameter persönliche Vorhersagen ermitteln – unter anderem werden aktuelle und vergangene Glukoseverläufe sowie Tageszeit und individuelles Hyporisiko einbezogen. Bolusinsulin und Kohlenhydrate können dokumentiert werden oder werden nach einer kurzen Lag-Time über die Glukoseentwicklung einbezogen:

1. Vorhersage für niedrigen Glukosewert (30 min) (Low-Glucose Predict – LGP)

Eine individuell einstellbare Vorhersagefunktion warnt Anwender, wenn in den nächsten 30 Minuten ein erhöhtes Risiko für einen Glukoseabfall besteht. Der Schwellenwert kann im Bereich von 60–100 mg/dl (3,3–5,6 mmol/l) flexibel angepasst werden.

1. Kontinuierliche Glukosevorhersage für 2 Stunden (Glucose Predict – GP)
   Diese Funktion zeigt grafisch den erwarteten Glukoseverlauf der kommenden zwei Stunden an und erleichtert damit proaktives Handeln.
2.  Vorhersage nächtliches Hypoglykämierisiko (Night Low Predict – NLP)

Die Funktion informiert vor dem Schlafengehen (verfügbar zwischen 21:00 und 02:00 Uhr), wenn ein erhöhtes Risiko für eine nächtliche Hypoglykämie (<70 mg/dl; <3,9 mmol/l) über die nächsten 7 Stunden besteht. Eine intuitive Ampelvisualisierung unterstützt dabei, das mögliche Risiko schnell zu erfassen und geeignete Vorsorgemaßnahmen zu treffen.

Diese CGM-Lösung bietet damit Vorhersagehorizonte, die deutlich über den Umfang bestehender Systeme hinausgehen. In Zukunft kann eine KI-gestützte Prognostik das Vertrauen der Anwender in proaktive Therapieanpassungen stärken und zu einer verbesserten glykämischen Kontrolle beitragen. (siehe Abb.1)

Potenzielle Auswirkungen von KI-gestütztem CGM

KI-gestützte Glukosevorhersagen ermöglichen ein frühzeitiges Handeln zur Vermeidung von Hypoglykämien. Erste Daten zeigen eine klinisch relevante Reduktion der Zeit unterhalb 70 mg/dl (3,9 mmol/l). Besonders nächtliche Vorhersagen können die Schlafqualität verbessern, nächtliche Unterzuckerungen reduzieren und damit auch die kognitive Belastung am Tag senken. Die größere Vorhersagesicherheit mindert die permanente Wachsamkeit und kann Unterbrechungen im Alltag verringern – ein spürbarer Gewinn an Freiheit und Lebensqualität. Menschen ohne AID-Systeme profitieren hierbei besonders, da sie stärker auf eigene Entscheidungen angewiesen sind.

Auch Diabetes-Teams könnten durch nachgewiesene Zuverlässigkeit mehr Vertrauen in diese Technologien entwickeln und so selbstständige Insulin-Titrationen im Austausch mit den Nutzern fördern. Für Menschen mit insulinbehandeltem Typ-2-Diabetes eröffnet KI-gestützte Prognostik eine wichtige Unterstützung, insbesondere dort, wo AID-Systeme nicht verfügbar oder nicht erstattungsfähig sind.

Die Qualität der Vorhersagen hängt maßgeblich von der Güte der Eingabedaten ab. Standardisierte Leistungsanforderungen und Studiendesigns, inklusive internationaler Normen, sind notwendig. Aktuelle Studien evaluieren Nutzen, Verhaltenseffekte und Lebensqualität. Künftig braucht es mehr passive und automatisierte Datenerfassung – z. B. durch Smart-Pens – und ein nutzerzentriertes Co-Design.

Fazit: KI-gestützte CGM-Systeme können den Schritt vom reaktiven „Feuerwehrmodus“ hin zu einem proaktiven Diabetesmanagement ermöglichen. Verlässliche Vorhersagen haben das Potenzial, die Sicherheit der Nutzer zu stärken, Hypoglykämien zu reduzieren und Alltags- und Schlafqualität zu verbessern. Weitere klinische Daten und technologische Integration sind entscheidend, um voll von diesen Systemen zu profitieren.

Abb. 1. Potenzial für KI-gestützte Glukosevorhersagen mit kontinuierlicher Glukoseüberwachung

Mit freundlicher Unterstützung durch Roche Diagnostics Deutschland GmbH

Referenzen

1. Hussain S, Polonsky W, Scibilia R, Glatzer T. Beyond the Trend Arrow: Potential Value of Artificial Intelligence–Supported Glucose Predictions for People with Type 1 Diabetes Using Continuous Glucose Monitoring Systems. Diabetes Technology & Therapeutics. doi: 10.1089/dia.2025.0293. PubMed PMID: 40441551.
2. Glatzer, T. et al. Clinical Usage and Potential Benefits of a Continuous Glucose Monitoring Predict App. J. Diabetes Sci. Technol. 18, 1009–1013 (2024).