Forscher der Jeonbuk National University in Südkorea haben ein hybrides KI-Modell namens BiT-MAML entwickelt, das die Blutzuckervorhersage (BG) bei Patienten mit Typ-1-Diabetes (T1D) personalisierter und genauer machen soll. Das Modell adressiert insbesondere die interindividuelle Variabilität physiologischer Muster und kombiniert bidirektionale Long-Short-Term-Memory-Netzwerke (Bi-LSTM) mit Transformer-Architektur sowie Meta-Learning (Model-Agnostic Meta-Learning, MAML). Die Ergebnisse erschienen am 20. August 2025 in Scientific Reports.
Typ-1-Diabetes erfordert eine kontinuierliche Überwachung des Blutzuckerspiegels und präzise Insulinanpassungen. Kontinuierliche Glukosemesssysteme (CGM) liefern zwar Echtzeitdaten, doch herkömmliche Vorhersagemodelle stoßen an Grenzen: Sie berücksichtigen oft entweder nur kurzfristige oder nur langfristige Muster und passen sich neuen Patienten nur langsam an. BiT-MAML integriert daher drei Komponenten:
- Bi-LSTM erfasst bidirektional kurzfristige Zeitreihenmuster im Blutzuckerverlauf.
- Transformer mit Multi-Head-Attention modelliert langfristige, zyklische Variationen, die durch Lebensstil, Tagesrhythmus oder Mahlzeiten entstehen.
- MAML ermöglicht schnelles Anpassen an neue Patienten mit nur wenigen Trainingsdaten, indem das Modell aus einer breiten Palette von Patientenbeispielen lernt.
Zur Evaluierung nutzten die Forscher ein Leave-One-Patient-Out Cross-Validation-Schema (LOPO-CV): Das Modell wurde jeweils auf Daten von fünf Patienten trainiert und auf einem sechsten, unbekannten Patienten getestet. Dies simuliert reale Szenarien, in denen das System auf neue Nutzer trifft.
Die Vorhersagefehler lagen je nach Patient zwischen 19,64 mg/dL (sehr gute Leistung) und 30,57 mg/dL (herausfordernder Fall). Im Vergleich zu reinen LSTM-Modellen zeigten sich deutliche Verbesserungen. Die Ergebnisse unterstreichen jedoch weiterhin die Schwierigkeit, interpatientielle Unterschiede vollständig zu beherrschen – ein zentrales Hindernis für den breiten klinischen Einsatz.
„Blutzuckerdynamiken sind individuell sehr unterschiedlich – etwa zwischen älteren und jungen Patienten“, erläutert Prof. Jaehyuk Cho vom Department of Software Engineering. „Unser Modell zeigt, wie diese Variabilität durch personalisierte Ansätze und robuste Evaluierungsmethoden berücksichtigt werden kann. Transparente Leistungsberichte sind entscheidend, um Vertrauen in KI-basierte CGM-Systeme zu schaffen.“
Die Studie betont, dass zukünftige Modelle sowohl fortschrittliche Architekturen als auch transparente, patientenbezogene Bewertungsverfahren benötigen, um für Kinder bis Senioren gleichermaßen zuverlässig zu sein. Langfristig könnte BiT-MAML die Präzision kontinuierlicher Glukoseüberwachung steigern und das Risiko lebensbedrohlicher Komplikationen reduzieren.
Die Originalpublikation trägt den Titel „Personalized blood glucose prediction in type 1 diabetes using meta-learning with bidirectional long short term memory-transformer hybrid model“ (DOI: 10.1038/s41598-025-13491-5).
