Zielsetzung
DiaMant zielt darauf ab, hypoglykämische Ereignisse bei Patientinnen und Patienten mit Typ-1-Diabetes zu verhindern, indem das Risiko bis zu 120 Minuten vor dem Auftreten vorhergesagt wird. Über eine App-basierte Schnittstelle stellt das System zeitnahe Warnungen und Interventionsempfehlungen bereit, die an den jeweils vorhergesagten Zeithorizont angepasst sind. Ein zentrales Ziel des Projekts ist es, die Rolle der Personalisierung bei der Verbesserung der Hypoglykämie-Vorhersage zu untersuchen und zu evaluieren, ob populationsbasierte Modelle über verschiedene Personen und Altersgruppen hinweg generalisieren können.
Beschreibung
Typ-1-Diabetes ist eine Autoimmunerkrankung, die eine Insulintherapie zur Regulierung des Blutzuckerspiegels erfordert. Eine Insulinbehandlung kann jedoch dazu führen, dass der Glukosespiegel unter 70 mg/dL fällt, was eine Hypoglykämie verursacht. Wird eine Hypoglykämie nicht rechtzeitig behandelt, kann sie Schwindel, Bewusstlosigkeit, Koma und in schweren Fällen den Tod verursachen. Eine frühzeitige Erkennung kann präventive Maßnahmen unterstützen, etwa das Essen eines Snacks oder körperliche Ruhe. DiaMant adressiert diese Herausforderung durch die Klassifikation des Hypoglykämierisikos. Das Projekt zielt darauf ab, die prädiktive Leistungsfähigkeit zu verbessern und den Mangel an ausreichend großen und hochwertigen Datensätzen zu überwinden, die robuste Analysen über verschiedene Patientenkohorten hinweg ermöglichen.
Aktueller Forschungsstand
Zur Unterstützung der Modellentwicklung haben wir DiaData durch die Integration von 15 öffentlich verfügbaren Datensätzen publiziert. DiaData umfasst Daten von 2510 Patientinnen und Patienten mit Typ-1-Diabetes und kombiniert kontinuierliche Glukosemessdaten, Herzfrequenzwerte, demografische Informationen, Laborwerte sowie persönliche Gesundheitsmerkmale, darunter Alter, Geschlecht, BMI, Größe, Gewicht und ethnische Zugehörigkeit [1]. Der Datensatz wurde zudem mithilfe fortgeschrittener Methoden zur Datenimputation und Qualitätsverbesserung weiter optimiert, die angepasst auf spezifische Zeitbereiche mit Datenlücken angewendet wurden [2].
Das System klassifiziert das Hypoglykämierisiko über klinisch relevante Vorhersagehorizonte hinweg: zum Zeitpunkt des Auftretens sowie 5-15, 20-45 und 50-120 Minuten vor dem Auftreten. Diese Zeitfenster sollen handlungsrelevante Interventionen unterstützen, insbesondere in kritischen Phasen wie 5-15 Minuten vor einer Hypoglykämie, in denen eine Selbstbehandlung noch möglich ist [3].
Zur besseren Stabilität und Flexibilität haben wir mehrere Modellvarianten trainiert, darunter Versionen mit und ohne Herzfrequenzdaten. Die Klassifikationsmodelle wurden in eine App integriert, die Datenerfassung, Modellausführung und Interventionsempfehlungen auf Grundlage der vorhergesagten Zeit bis zur Hypoglykämie unterstützt. Wird beispielsweise innerhalb von 0-25 Minuten ein Risiko erkannt, empfiehlt die App, sich hinzusetzen und einen Snack zu konsumieren [4].
Darüber hinaus haben wir untersucht, ob die Ergänzung von Glukose-Zeitreihendaten durch persönliche Merkmale oder Vitalparameter die Modellleistung verbessert. Außerdem wurden spezialisierte Expertenmodelle für unterschiedliche Altersgruppen trainiert: Kinder im Alter von 2-13 Jahren, Jugendliche im Alter von 14-20 Jahren, Erwachsene im Alter von 21-44 Jahren sowie ältere Erwachsene ab 45 Jahren. Diese Modelle wurden mit einem populationsbasierten Modell verglichen, um die Generalisierbarkeit über Altersgruppen hinweg zu evaluieren. Dabei zeigte sich, dass insbesondere Kinder von spezialisierten Expertenmodellen profitieren [3].
Zukünftige Arbeiten
Auf Grundlage von DiaData werden wir eine breite Auswahl an Machine-Learning- und Deep-Learning-Modellen entwickeln und vergleichen. Zur weiteren Verbesserung der Vorhersageleistung und Interpretierbarkeit werden wir außerdem Ensemble-Learning-Ansätze untersuchen und SHAP-basierte Merkmalsanalysen durchführen.
Referenzen
[1] Cinar B, Maleshkova M. Benchmarking hypoglycemia classification using quality-enhanced DiaData. IEEE J Biomed Health Inform. 2025;29(12):8831-8838. doi:10.1109/JBHI.2025.3620603
[2] Gupta V, Grensing F, Cinar B, Van Den Boom L, Maleshkova M. Fill in the gaps – applying polynomial-based imputation techniques for heart rate data. In: 2026 IEEE Conference on Artificial Intelligence (CAI). IEEE; 2026:1174-1181. doi:10.1109/cai68641.2026.11536361
[3] Cinar B, Maleshkova M. Evaluating generalizability of population-based and age-segmented models for hypoglycemia classification. In: 2026 IEEE Conference on Artificial Intelligence (CAI). IEEE; 2026:1348-1355. doi:10.1109/cai68641.2026.11536643
[4] Grensing F, Cinar B, Maleshkova M. Early warning of hypoglycemia via sensor-agnostic machine learning: a clinical app design for type 1 diabetes. In: International Conferences on Applied Computing 2025 and WWW/Internet 2025: Proceedings. IADIS Press; 2025. Presented at: 22nd International Conference on Applied Computing 2025 and 24th International Conference on WWW/Internet 2025 (AC ICWI 2025); November 1-3, 2025; Porto, Portugal.t robust analysis across broader patient populations rather than isolated study cohorts.
Letzte Änderung: 6. August 2026