Hamburg. Blutzucker messen, Insulin berechnen, Risiken abwägen – für Menschen mit Typ‑1‑Diabetes ist das Alltag und zugleich eine permanente Herausforderung. In Deutschland leben derzeit ungefähr 375.000 Menschen mit Typ‑1‑Diabetes. Schon kleine Schwankungen können schwerwiegende Folgen haben. Sinkt der Blutzucker zu stark, spricht man von einer Hypoglykämie, also einer Unterzuckerung, die im Extremfall zu Bewusstlosigkeit oder Koma führen kann. Steigt er dagegen an, drohen ebenfalls langfristige gesundheitliche Schäden.
Genau an dieser Herausforderung arbeitet die Professur für Data Engineering an der Helmut‑Schmidt‑Universität/Universität der Bundeswehr Hamburg. Prof. Dr. Maria Maleshkova, Beyza Cinar (M.Sc.) sowie Vaibhav Gupta (M.Sc.) haben mit DiaData einen Datensatz entwickelt, der die Grundlage für verlässlichere Vorhersagen bei Typ‑1‑Diabetes schafft.
Typ‑1‑Diabetes und die Herausforderung der Therapie
Typ‑1‑Diabetes ist eine Autoimmunerkrankung, bei der das Immunsystem die insulinproduzierenden Zellen der Bauchspeicheldrüse angreift und zerstört. Dadurch kann der Körper kein Insulin mehr selbst herstellen und den Blutzucker nicht eigenständig regulieren.
„Für Betroffene bedeutet das, den Blutzuckerspiegel kontinuierlich selbst steuern zu müssen. Diese Behandlung erfordert eine präzise Steuerung: Insulin senkt erhöhte Blutzuckerwerte, gleichzeitig ist die richtige Dosierung anspruchsvoll. Eine zu hohe Menge kann zu Unterzuckerungen führen, während zu wenig Insulin erhöhte Werte und damit eine Hyperglykämie, also eine Überzuckerung, zur Folge hat. Für Menschen mit Typ‑1‑Diabetes besteht die Herausforderung darin, diese beiden Extreme möglichst zu vermeiden“, erklärt Beyza Cinar.
Besonders kritisch sind Situationen, in denen Betroffene nicht rechtzeitig reagieren können, etwa im Schlaf. Hinzu kommt, dass körperliche Aktivität, Ernährung oder Tagesabläufe den Blutzuckerverlauf zusätzlich beeinflussen. Eine verlässliche Vorhersage der Blutzuckerentwicklung könnte hier entscheidend helfen. Sie würde es ermöglichen, frühzeitig gegenzusteuern – etwa durch die Aufnahme von Kohlenhydraten, die Anpassung der Insulindosierung oder Veränderungen der körperlichen Aktivität und damit Risiken zu senken sowie die Lebensqualität zu verbessern.
Die Rolle von Daten in der Diabetesversorgung
Viele Menschen mit Typ‑1‑Diabetes nutzen heute kleine Sensorsysteme, die am Körper getragen und den Blutzucker kontinuierlich erfassen. Diese sogenannten Continuous Glucose Monitoring-Systeme (CGM) messen den Glukosewert in der Gewebeflüssigkeit in kurzen Abständen rund um die Uhr und senden die Daten an ein Smartphone, um rechtzeitig vor Über- oder Unterzuckerungen zu warnen. Dabei entstehen große Mengen an Zeitreihendaten, also Daten, die den Verlauf eines Wertes über die Zeit darstellen.
Gerade diese Messreihen sind für die Forschung besonders wertvoll. Sie zeigen, wie sich der Blutzucker im Alltag entwickelt und wie sich etwa Mahlzeiten, Bewegung oder Schlaf auf den Blutzuckerwert auswirken. Damit bilden sie die Grundlage für neue Ansätze, um Risiken nicht erst im Nachhinein zu erkennen, sondern möglichst früh vorherzusagen.
Herkömmliche Studien nutzen kleine und fragmentierte Datensätze
Trotz dieser Datenfülle bleibt ihre wissenschaftliche Nutzung bislang begrenzt. Viele Studien beruhen nur auf kleinen Datensätzen mit wenigen Teilnehmenden und beziehen sich oft auf einzelne Altersgruppen. Dadurch ist häufig unklar, ob die Ergebnisse tatsächlich verallgemeinerbar sind oder nur für eine begrenzte Gruppe gelten.
„Hinzu kommt, dass vorhandene Datensätze oft nicht miteinander kompatibel sind. Sie unterscheiden sich in ihrer Struktur, in den verwendeten Formaten und in den Messintervallen. Eine gemeinsame Auswertung ist dadurch aufwendig und wurde bislang nur selten systematisch umgesetzt. Genau diese Kombination aus geringer Größe und fehlender Vergleichbarkeit erschwert die Entwicklung robuster Modelle erheblich“, erläutert Prof. Dr. Maleshkova.
DiaData: eine integrierte Datenbasis für die Forschung
Hier setzt DiaData an: Der integrierte Datensatz führt vorhandene CGM‑Daten aus unterschiedlichen Quellen zusammen, vereinheitlicht sie und macht sie in einem größeren Umfang vergleichbar. Auf diese Weise entsteht eine Grundlage, mit der sich Blutzuckerverläufe systematischer untersuchen und Modelle verlässlicher entwickeln lassen.
Insgesamt umfasst DiaData Daten von über 2.500 Menschen mit Typ‑1‑Diabetes aus verschiedenen Altersgruppen und Lebenssituationen. Die Informationen stammen aus unterschiedlichen Studien und wurden strukturell vereinheitlicht, bereinigt und hinsichtlich ihrer Qualität aufbereitet. Fehlende Werte, etwa durch Messlücken, wurden mithilfe datenbasierter Verfahren ergänzt. Darüber hinaus enthält der Datensatz zusätzliche physiologische Informationen wie Herzfrequenz, die gemeinsam mit den Glukosedaten ausgewertet werden können.
„Im Vergleich zu vielen bislang genutzten Datensätzen ist das ein entscheidender Schritt. Während in der Forschung häufig nur Daten von sehr wenigen Personen zur Verfügung stehen, erlaubt DiaData erstmals Analysen auf einer deutlich breiteren und vielfältigeren Grundlage. Entscheidend sind dabei nicht nur die Größe des Datensatzes, sondern auch seine Heterogenität und Qualität“, sagt Beyza Cinar.
Warum die Datenbasis so wichtig ist
Für die Entwicklung von Vorhersagemodellen ist nicht nur die Wahl des Verfahrens entscheidend, sondern vor allem die Qualität der zugrunde liegenden Daten. Künstliche Intelligenz lernt Muster aus vorhandenen Datensätzen. Sind diese zu klein oder zu einseitig, besteht die Gefahr, dass Modelle nur auf genau diese Daten gut passen, bei neuen Fällen aber unzuverlässig werden. In der Forschung wird dieses Problem als Overfitting bezeichnet.
Ein großer und heterogener Datensatz wie DiaData kann dieses Risiko verringern. Er ermöglicht es, stabilere Muster zu erkennen und Modelle zu entwickeln, die besser auf unterschiedliche Personengruppen übertragbar sind. Besonders wichtig ist das bei Hypoglykämien, die in kleineren Datensätzen oft unterrepräsentiert sind und deshalb schwerer zuverlässig vorhergesagt werden können.
Zwischen allgemeinen und individuellen Modellen
Eine zentrale Erkenntnis des Datensatzes zeigt, dass es keine einheitlichen Blutzuckerverläufe gibt, der für alle Menschen mit Typ‑1‑Diabetes gleichermaßen gilt. Während bei der Erkennung von Hypoglykämien keine deutlichen Unterschiede zwischen Frauen und Männern festgestellt wurden, zeigen sich sehr wohl Unterschiede zwischen den Altersgruppen.
„Gerade bei Kindern sehen wir, dass sich Glukoseverläufe teilweise anders entwickeln als bei Erwachsenen. Das ist wichtig, wenn Modelle später wirklich im Alltag helfen sollen“, erklärt Beyza Cinar.
Genau hier wird die Unterscheidung zwischen generalisierbaren und personalisierten Modellen wichtig. Generalisierbare Modelle werden auf einem breiten Datensatz trainiert und sollen bei möglichst vielen Menschen zuverlässig funktionieren. Personalisierte Modelle dagegen werden gezielt auf einzelne Personen oder bestimmte Gruppen angepasst, um individuelle Muster besser abzubilden.
DiaData ermöglicht beide Ansätze. Einerseits ist der Datensatz groß und vielfältig genug, um robuste, übertragbare Muster zu erkennen. Andererseits liegen für einzelne Personen längere Zeiträume an Daten vor, die eine stärkere Personalisierung erlauben. Die Ergebnisse deuten außerdem darauf hin, dass bei sehr großen Datensätzen nicht allein die Wahl des Modells entscheidend ist. Sowohl klassische Machine‑Learning‑Verfahren als auch Deep‑Learning‑Ansätze können ähnlich gute Ergebnisse liefern, wenn die Datenbasis ausreichend groß und qualitativ hochwertig ist.
Von der Datenbasis zur Anwendung
„Für die kurzfristige Erkennung von Hypoglykämien sind die Ergebnisse bereits vielversprechend. Unterzuckerungen lassen sich fünf bis fünfzehn Minuten im Voraus mit hoher Genauigkeit erkennen. Auch auf Datensätzen, die nicht Teil von DiaData waren, bleiben die Resultate relevant“, sagt Prof. Dr. Maleshkova.
Darauf aufbauend wurde bereits eine App entwickelt, in der ein solches Modell im Hintergrund laufen kann. Die technische Umsetzung sowie die zugrunde liegende Infrastruktur wurden maßgeblich von Florian Grensing (M.Sc.) entwickelt. Je nach vorhergesagtem Zeitfenster gibt sie konkrete Empfehlungen, um eine Unterzuckerung möglichst zu vermeiden. Die technische Grundlage ist damit geschaffen. Bis zu einer breiten Anwendung in der Versorgung sind jedoch noch weitere Schritte notwendig. Der Fokus liegt derzeit darauf, die Datenqualität weiter zu verbessern, zusätzliche Kontextdaten einzubeziehen und die Vorhersageleistung insbesondere für längere Zeitfenster weiter zu steigern. Hinzu kommt die klinische Evaluation, bevor solche Systeme im Versorgungsalltag eingesetzt werden können.
Ein Schritt in Richtung datenbasierte Versorgung
Bis zur breiten Anwendung in der medizinischen Versorgung sind jedoch noch weitere Schritte notwendig. Dazu gehören insbesondere die technische Weiterentwicklung und die klinische Überprüfung der Systeme im Alltag.
Zugleich wird deutlich, dass Fortschritte nicht allein von Algorithmen abhängen, sondern maßgeblich von der Qualität der zugrunde liegenden Daten.
Mit DiaData entsteht damit eine wichtige Grundlage, um Forschung vergleichbarer zu machen und verlässlichere Modelle zu entwickeln. Langfristig kann dies dazu beitragen, die Behandlung von Typ‑1‑Diabetes sicherer und individueller zu gestalten.
Zur Publikation und zum Datensatz
Publikation: https://www.bio-conferences.org/articles/bioconf/abs/2025/46/bioconf_icbeb2025_03001/bioconf_icbeb2025_03001.html
Datensatz (DiaData): https://zenodo.org/records/1728563