Tragbare Geräte wie Smartwatches könnten bald ein Frühwarnsystem für Typ-2-Diabetes bereitstellen und dabei die bereits erfassten Daten zu Herzfrequenz, Schlaf und Aktivität nutzen. Eine neue Studie, die am 16. März in Nature veröffentlicht wurde, zeigt, dass künstliche Intelligenz subtile Anzeichen einer Insulinresistenz – einer wichtigen Vorstufe von Diabetes – erkennen kann, indem sie diese Muster zusammen mit routinemäßigen Gesundheitsdaten analysiert.
Das verborgene Problem der Insulinresistenz
Schätzungen zufolge leiden etwa 20–40 % der Erwachsenen in den USA an einer Insulinresistenz, einem Zustand, bei dem Zellen weniger auf Insulin reagieren, was zu einer Beeinträchtigung des Zuckerstoffwechsels führt. Das Problem besteht darin, dass die meisten Menschen sich dessen nicht bewusst sind, da für die Diagnose in der Regel spezielle Tests erforderlich sind, die nicht in den üblichen medizinischen Untersuchungen enthalten sind. Dies bedeutet, dass die Erkrankung oft unentdeckt bleibt, bis der Blutzuckerspiegel ansteigt, was möglicherweise zu irreversiblen Stoffwechselschäden führt.
Das Potenzial der Früherkennung
Die frühzeitige Erkennung einer Insulinresistenz könnte eine rechtzeitige Änderung des Lebensstils – Ernährungsumstellungen, mehr Bewegung oder sogar die Einnahme von GLP-1-Medikamenten – ermöglichen, um das Fortschreiten von Diabetes zu verlangsamen oder umzukehren. „Wenn wir Menschen identifizieren können, wenn sie insulinresistent sind, können wir den gesamten Verlauf von Diabetes verändern“, sagt Ahmed Metwally, Bioingenieur bei Google Research.
Skalierbarkeit vs. spezialisierte Sensoren
Frühere Versuche zur Früherkennung stützten sich auf teure Spezialsensoren, die vor allem von Personen getragen wurden, bei denen bereits Diabetes diagnostiziert wurde. Der Vorteil von Smartwatches ist ihre weite Verbreitung: Millionen tragen sie bereits, sodass groß angelegte Screenings möglich sind. Laut David Klonoff, einem Endokrinologen am Mills-Peninsula Medical Center, etabliert diese Studie eine „skalierbare Methode … zur Früherkennung von Stoffwechselrisiken“.
Wie das System funktioniert
Das Google Research-Team hat ein System entwickelt, das Daten von über 1165 Personen nutzt, die Fitbits- oder Pixel-Uhren tragen, was insgesamt Dutzende Millionen Stunden an Daten umfasst. Algorithmen für maschinelles Lernen kombinierten diese Smartwatch-Daten mit routinemäßigen Labortests (Cholesterin, Glukose) und demografischen Faktoren (Alter, BMI), um Muster im Zusammenhang mit der Insulinresistenz zu erkennen.
Die genauesten Vorhersagen ergaben sich aus der Kombination von Smartwatch-Daten mit vorhandenen Laborergebnissen. Das Modell erreichte allein bei Labortests eine Genauigkeit von 76 %, stieg jedoch auf 88 %, wenn Smartwatch-Daten einbezogen wurden. Als besonders aussagekräftig erwies sich der Ruhepuls sowie die täglichen Schritte und die Schlafdauer.
Unvollkommene, aber wertvolle Daten
Auch wenn Smartwatch-Daten nicht perfekt sind (Schlaf-Tracking ist bekanntermaßen ungenau), bieten selbst diese unvollständigen Signale einen prädiktiven Wert. Das Potenzial liegt in der kontinuierlichen Längsschnittüberwachung der Stoffwechselgesundheit durch Wearables in Kombination mit KI, die einen Weg zur personalisierten digitalen Medizin bieten.
„Dieses Papier liefert überzeugende Argumente dafür, dass tragbare Verbraucherdaten wesentliche Stoffwechselinformationen enthalten, die für die Vorhersage einer Insulinresistenz relevant sind“, sagt Giorgio Quer, Direktor für künstliche Intelligenz am Scripps Research Translational Institute.
Die Technologie bietet eine vielversprechende Möglichkeit, Stoffwechselrisiken frühzeitig zu erkennen und möglicherweise Millionen Menschen vor der Entwicklung von Typ-2-Diabetes zu schützen.
