Mehr Sicherheit für Menschen mit Typ-1-Diabetes: Frühzeitige Erkennung von Unterzuckerungen per Smartwatch

Einleitung
Hypoglykämien als Folge der Insulinbehandlung bei Diabetes mellitus Typ 1 sind mit zahlreichen negativen Folgen assoziiert (1, 2). Schwere Hypoglykämien, definiert als Unterzuckerungen, bei denen Fremdhilfe notwendig ist bzw. ein Bewusstseinsverlust auftritt, sind mit 36,6–40,8 Episoden pro 100 Patientenjahre nicht so selten (3) und können eine relevante Gefährdung der Betroffenen darstellen. Das Risiko für schwere Hypoglykämien ist vor allem bei langer Krankheitsdauer, einer Hypoglykämie-Wahrnehmungsstörung und Komorbiditäten (z. B. einer fortgeschrittenen Niereninsuffizienz) deutlich erhöht (4). Die Entwicklung neuer Diabetes-Technologien, wie zum Beispiel Glukosesensoren oder automatisierter Insulinabgabesysteme (sog. Hybrid-Closed-Loop-Systeme), hat dazu beigetragen, dass die Unterzuckerungsrate bei Diabetesbetroffenen deutlich reduziert werden konnte (5, 6). Diese Systeme stützen sich primär auf die Messung der Gewebeglukose. Da der Blutzucker auch von verschiedenen Faktoren, beispielsweise der körperlichen Aktivität, abhängig ist, kann die Integration anderer Messgrössen, die mit Smartwatches erhoben werden (z. B. Herzfrequenz bzw. Herzfrequenz-Variabilität), die Vorhersage von Unterzuckerungen verbessern. Mithilfe von maschinellem Lernen (machine learning) ist es möglich, die durch Glukosesensoren und Smartwatches erhobenen Daten zur Vorhersage von Unterzuckerungen zu verwenden, wie dies bereits Lehmann et al. 2023 zeigen konnten (7). Ziel dieser am LUKS durchgeführten Studie (8) war die Entwicklung und Validierung eines individuellen Modelles für jede/n ProbandIn mittels maschinellem Lernen unter Verwendung einer Kombination aus physiologischen Daten und Bewegungsdaten. Da sich Einflussgrössen wie beispielsweise Bewegung substanziell während Wach- und Schlafenszeiten unterscheiden, wurden separate Modelle für den Tag und die Nacht entwickelt. Die Projektidee kam von Yasmine Mohamed, einer Studentin im Master of Science in Applied Information and Data Science an der Hochschule Luzern. Geleitet wurde das Projekt von PD Dr. med. Dr. sc. nat. Michael Havranek, dem Forschungsdirektor des Kompetenzzentrums für Health Data Science der Universität Luzern. Als Praxis- und Forschungspartner spielten das LUKS und die Abteilung für Endokrinologie / Diabetologie eine entscheidende Rolle in der Umsetzung, Rekrutierung von Patientinnen und Patienten und klinischen Ausführung der Studie.

Methodik
Eingeschlossen wurden 18 erwachsene Personen mit Typ-1-Diabetes (12 Männer, 6 Frauen, mittleres Alter 36,7 ±13,2 Jahre), die Insulin nach dem Basis-Bolusprinzip applizieren bzw. eine Insulinpumpe benutzen. Personen mit automatisierten Insulinabgabesystemen waren von der Studie ausgeschlossen, wie auch Personen mit schweren Komorbiditäten, Personen mit einer Hypoglykämie-Wahrnehmungsstörung oder solche, die Medikamente einnehmen, die die Herzfrequenz beeinflussen (z. B. Betablocker). Die Probandinnen und Probanden mussten mind. vier kapilläre Blutzuckerselbstmessungen pro Tag durchführen, bei Hypoglykämiesymptomen den Blutzucker messen und ein Tagebuch (Dokumentation von Unterzuckerungen, Nahrungseinnahme, Insulinapplikation, Schlafenszeit) führen. Sie trugen während zehn Tagen eine Smartwatch (Applewatch Serie 8) und einen Glukosesensor (Dexcom G6-Sensor), der jedoch keine Werte anzeigte (verblindeter Modus). Die erhobenen Parameter sind in Tabelle 1 ersichtlich, sie wurden separat für die Tages- und die Nachtzeit modelliert. Mittels AUCROC (area under the curve/receiver operating curve) wurde die Leistungsfähigkeit der Modelle in Bezug zur Hypoglykämiedetektion sowie Sensitivität und Spezifität berechnet.

Resultate
Von den 18 eingeschlossenen Personen wurden 4 aufgrund technischer Probleme oder fehlender Daten und 3 aufgrund fehlender Hypoglykämie-Ereignisse ausgeschlossen, sodass Daten von 11 Probandinnen und Probanden für die finale Analyse verwendet werden konnten. Die Baseline-Charakteristika sind in Tabelle 2 aufgeführt. Es konnten insgesamt 17 individuelle prädiktive Modelle errechnet werden. Es handelt sich dabei um 11 Tagesmodelle und 6 Nachtmodelle. Bei 5 Personen konnten während des Untersuchungszeitraumes keine nächtlichen Hypoglykämien festgestellt werden. Die Modell-Performance (Unterscheidung Normoglykämie vs. Hypoglykämie ≤4 mmol/L) zeigte einen mittleren AUCROC-Score von 0,74 ±0,08, eine Spezifität von 0,76 ±0,18 und eine Sensitivität von 0,71 ±0,15. Die individuellen RO-Kurven sind in Abbildung 1a/1b dargestellt. Abbildung 1c zeigt zusätzlich, welche Faktoren im Tages- bzw. Nachtmodell den wichtigsten Einfluss auf die Hypoglykämieprädiktion des Modells hatten. Bei den Tagesmodellen waren dies die Uhrzeit (29,9 %), gefolgt von Aktivitätsdaten (28,5 %) und kardialen Parametern (24 %). Bei den Nachtmodellen hatten die kardialen Parameter (42,2 %) den grössten Einfluss, gefolgt von Tageszeit (37,5 %) und respiratorischen Parametern (15,2 %).

Diskussion
Die Ergebnisse dieser Pilotstudie zeigen, dass sich mithilfe einer handelsüblichen Smartwatch und der Erfassung weniger Parameter recht zuverlässige Vorhersagen für Hypoglykämien bei Menschen mit Typ-1-Diabetes treffen lassen. Damit weisen solche Systeme ein grundsätzliches Potenzial für die nicht invasive Vorhersage von Unterzuckerungen auf. Die Ergebnisse stehen im Einklang mit früheren Studien und unterstreichen die Relevanz der Tageszeit sowie kardialer Parameter als Determinanten (7, 9, 10). Nachts zeigt sich ein ausgeprägter Effekt kardialer Messgrössen; darüber hinaus gewinnen respiratorische Variablen in diesem Zeitraum an Bedeutung. Deren nächtliche Relevanz konnte in der vorliegenden Arbeit erstmals nachgewiesen werden. Dies ist konsistent mit der Annahme, dass Hypoglykämien mit Veränderungen des Atemmusters einhergehen, beispielsweise in Form einer Hyperventilation (11). Limitationen dieser Studie sind die relativ geringe Fallzahl, die in die finale Analyse eingeschlossen wurde, sowie die kurze Beobachtungsdauer von zehn Tagen. Dadurch sind die Generalisierbarkeit der Ergebnisse und deren Reproduzierbarkeit eingeschränkt. Nichtsdestotrotz liefern die vorliegenden Ergebnisse wichtige Hinweise auf das Potenzial tragbarer Messsysteme zur frühzeitigen Erkennung hypoglykämischer Ereignisse. Zukünftige Studien mit grösseren Kohorten und längeren Beobachtungszeiträumen sind erforderlich, um die Ergebnisse zu validieren und die klinische Anwendbarkeit weiter zu evaluieren.

Das Wichtigste für die Praxis

• Mithilfe einer handelsüblichen Smartwatch und weniger physiologischer Parameter lassen sich Hypoglykämien bei Typ-1-Diabetes zuverlässig vorhersagen.
• Tageszeit und kardiale Parameter sind die wichtigsten Prädiktoren; nachts gewinnen zusätzlich respiratorische Parameter an Bedeutung.
• Individuelle maschinelle Lernmodelle erreichten eine mittlere AUCROC von 0,74 mit akzeptabler Sensitivität (0,71) und Spezifität (0,76).
• Die Studie bestätigt, dass Hypoglykämien mit kardiorespiratorischen Veränderungen einhergehen, insbesondere nachts.

Disclosure Statement
Keine Disclosures.
 

Verdankung
Die Autoren danken Frau Y. Mohamed, Erstautorin der wissenschaftlichen Publikation, und Frau G. Gallo,
Study Research Coordinator Endokrinologie LUKS, für die sehr gute Zusammenarbeit und Unterstützung
bei der Ausführung und allen Probandinnen und Probanden für die Teilnahme an der Studie.