Shilo S, Godneva A, Rachmiel M, Korem T, Kolobkov D, Karady T, Bar N, Wolf BC, Glantz-Gashai Y, Cohen M, Levin NZ, Shehadeh N, Gruber N, Levran N, Koren S, Weinberger A, Pinhas-Hamiel O, Segal E. Rehovot, Israel; Diabetes Care 2022: 45: 502 –511.

Fragestellung: Trotz technologischer Fortschritte haben die Ergebnisse verschiedener klinischer Studien wiederholt gezeigt, dass viele Menschen mit Typ-1-Diabetes (T1D) ihre glykämischen Ziele nicht erreichen. Eine der größten Herausforderungen bei der Behandlung der Krankheit ist die Verabreichung einer genauen Insulinmenge für jede Mahlzeit, die der erwarteten postprandialen glykämischen Reaktion (PPGR) entspricht. Das Ziel dieser Studie war die Entwicklung eines Prognosemodells für die PPGR bei Personen mit T1D.

Forschungsdesing und Methoden: Es wurden Personen mit T1D rekrutiert, die gleichzeitig ein Gerät zur kontinuierlichen Glukosemessung und zur kontinuierlichen subkutanen Insulininfusion verwendeten, für eine prospektive Kohorte und erstellten ein Profil über zwei Wochen. Die Teilnehmer wurden gebeten, ihre Nahrungsaufnahme in Echtzeit über eine spezielle mobile App zu melden. Wir haben ihre PPGR gemessen und maschinelle Lernalgorithmen für die PPGR-Vorhersage entwickelt, die Glukosemessungen, Insulindosierungen, Ernährungsgewohnheiten, Blutparameter, anthropometrische Daten, Bewegung und die Darmmikrobiota integrieren. Die Daten der PPGR von 900 gesunden Personen zu 41 371 Mahlzeiten wurden ebenfalls in das Modell integriert. Die Leistung der Modelle wurde mit einer 10-fachen Kreuzvalidierung bewertet.

Ergebnisse: Insgesamt wurden 121 Personen mit T1D, 75 Erwachsene und 46 Kinder, in die Studie aufgenommen. Die PPGR wurde bei 6 377 Mahlzeiten gemessen. Unser PPGR-Vorhersagemodell übertrifft ein Basismodell mit Nachahmung der Standardversorgung erheblich (Korrelation von R = 0,59 im Vergleich zu R = 0,40 für vorhergesagte bzw. beobachtete PPGR; p < 10-10). Das Modell war über verschiedene Subpopulationen hinweg robust. Die Analyse der Merkmalszuordnung ergab, dass die Glukosespiegel zu Beginn der Mahlzeit, der Glukosetrend 30 Minuten vor der Mahlzeit, der Kohlenhydratgehalt der Mahlzeit und das Kohlenhydrat-Fett-Verhältnis der Mahlzeit die einflussreichsten Merkmale für das Modell waren.

Schlussfolgerung: Unser Modell ermöglicht eine genauere Vorhersage der PPGR und kann daher eine bessere Anpassung der erforderlichen Insulindosis für Mahlzeiten ermöglichen. Es kann des Weiteren in Closed-Loop Systemen eingesetzt werden und auch zu rationalen Ernährungsinterventionen führen, die auf der Grundlage von Mahlzeiten mit erwarteter niedriger glykämischer Reaktion individuell auf die jeweilige Person mit T1D zugeschnitten ist.

Kommentar: Erfahrungen mit bereits „loopenden“ Patienten zeigen, dass insbesondere der Einfluss der Ernährung (und der Bewegung/Sport) diese Closed-Loop-Systeme teilweise noch überfordert. Algorithmen zur Voraussage des postprandialen Glukoseanstieges, wie in dieser Untersuchung entwickelt, sind in Closed-Loop-Systemen notwendig um die postprandialen Glukosewerte zu optimieren. Aber auch der niederschwellige, temporäre Einsatz für Schulungen zu prandialer Dosisanpassung und individuell angepasster Ernährung erscheint eine sinnvolle Nutzungsoption für diese Algorithmen zu sein.



Autor:
Prof. Dr. med. Michael Hummel

Erschienen in: Diabetes-Congress-Report, 2022; 22 (2) Seite 43-44