Stationäre Hypoglykämien frühzeitig erkennen
Stationäre Hypoglykämien mit Blutzuckerwerten unter 70 mg/dl zählen zu den häufigsten unerwünschten Ereignissen während der Diabetesbehandlung im Krankenhaus. Sie können akute Beschwerden wie Sehstörungen auslösen und sind mit zerebrovaskulären sowie kardiovaskulären Komplikationen, längeren Krankenhausaufenthalten und einer erhöhten Mortalität assoziiert. Das Management bleibt häufig reaktiv, da breit etablierte Instrumente zur frühzeitigen Echtzeitvorhersage des individuellen Hypoglykämierisikos fehlen. Therapieanpassungen erfolgen daher häufig erst, nachdem bereits eine Hypoglykämie dokumentiert wurde.
LSTM-Modell schließt Lücken der stationären Risikovorhersage
Bisherige Ansätze zur Vorhersage von Hypoglykämien basieren überwiegend auf Daten der kontinuierlichen Glukosemessung aus der ambulanten Versorgung und erfassen meist nur ein kurzfristiges Risiko von 30 bis 60 Minuten. Nur rund 5 % der Studien zur Hypoglykämievorhersage nutzten Daten aus elektronischen Patientenakten stationärer Patienten, darunter Point-of-Care-Blutzuckerwerte (patientennah gemessene Blutzuckerwerte). Die meisten davon sagen jedoch nur ein einzelnes Ergebnis für den gesamten Krankenhausaufenthalt voraus und berücksichtigen damit den zeitlichen Verlauf der Blutzuckerwerte nur eingeschränkt. Um diese Lücke zu schließen, entwickelten Wissenschaftler des Cedars-Sinai Health Systems ein Deep-Learning-Modell mit Long-Short-Term-Memory (LSTM)-Architektur, das das Hypoglykämierisiko innerhalb der folgenden 24 Stunden anhand von Point-of-Care-Blutzuckerwerten und strukturierten klinischen Routinedaten berechnet.
Stationäre Hypoglykämie: Routinedaten aus drei Kliniken ausgewertet
Für die Entwicklung und Prüfung des LSTM-Modells analysierten die Forschenden 143.124 stationäre Aufnahmen aus drei Krankenhäusern, die zwischen Mai 2014 und März 2025 dokumentiert worden waren. Der Datensatz umfasste 4,8 Millionen Point-of-Care-Blutzuckermessungen sowie Angaben zu Medikation, Laborwerten, Diätverordnungen, Diagnosen und soziodemografischen Merkmalen. Das leistungsstärkste Modell wertete die Routinedaten der vorangegangenen fünf Tage aus und erreichte bei der Vorhersage von Hypoglykämien innerhalb der folgenden 24 Stunden einen mittleren F1-Score von 0,30 als Maß für das Verhältnis von Präzision und Recall. Bei einem Entscheidungsschwellenwert von 0,7 betrugen die mittlere Präzision 0,23 und der mittlere Recall 0,44, was nach Angaben der Autoren das günstigste Verhältnis zwischen Sensitivität und Spezifität bot.
LSTM-Modell übertrifft bisherige Vorhersageverfahren
Im Vergleich zu einer logistischen Regression, Extreme Gradient Boosting (XGBoost) und einem klassischen neuronalen Netzwerk erzielte das LSTM-Modell die beste Vorhersageleistung. Diese blieb bei der prospektiven täglichen Validierung mit Echtzeitdaten aus elektronischen Patientenakten stabil. Nach Berechnungen der Autoren könnte das Modell bei dem gewählten Entscheidungsschwellenwert täglich rund 44 % der erwarteten Hypoglykämien (3,6 von 8 Fehlalarme) verhindern; dafür wären etwa 16 Warnmeldungen pro Tag und durchschnittlich 3,4 Fehlalarme je richtigem Alarm zu erwarten. Durch die fortlaufende Auswertung heterogener Daten aus elektronischen Patientenakten könnte das Modell Patienten identifizieren, deren Hypoglykämierisiko nicht unmittelbar erkennbar ist.
LSTM-Modell zur stationären Hypoglykämie erfordert weitere Validierung
Die Vorhersageleistung des LSTM-Modells blieb trotz besserer Ergebnisse als bei den Vergleichsverfahren insgesamt moderat, was unter anderem mit der unregelmäßigen Erhebung von Point-of-Care-Blutzuckerwerten und den teilweise schwer vorhersehbaren Auslösern stationärer Hypoglykämien zusammenhängen könnte. Die Übertragbarkeit ist zudem begrenzt, da die Entwicklungs- und Validierungskohorten aus nur einem Gesundheitssystem in Los Angeles stammten, überwiegend einem akademischen Zentrum zugeordnet waren und die prospektive Prüfung lediglich 2,5 Wochen dauerte. Weitere Einschränkungen ergeben sich daraus, dass vorübergehende Hypoglykämien zwischen den intermittierenden Point-of-Care-Blutzuckermessungen unerfasst und damit unentdeckt geblieben sein könnten. Zudem wurden fehlende Zeitreihendaten als Null kodiert, wodurch „nicht gemessen“ und „nicht aufgetreten“ nicht eindeutig voneinander zu unterscheiden sind.
Künstliche Intelligenz als Entscheidungshilfe bei stationärer Hypoglykämie
Das LSTM-Modell könnte stationäre Patienten mit erhöhtem Hypoglykämierisiko frühzeitig identifizieren und dadurch gezielte Anpassungen der Insulintherapie oder Ernährung unterstützen. Die Autoren schlagen eine Einbindung in strukturierte klinische Arbeitsabläufe (Diabetes-Stewardship-Programm) vor, beispielsweise in Form einer nach Priorität geordneten Liste. Vor einem breiten klinischen Einsatz sind jedoch eine externe Validierung in mehreren Gesundheitssystemen sowie prospektive, möglichst randomisierte Interventionsstudien erforderlich. Zudem liegt bislang nur eine noch nicht redaktionell bearbeitete Manuskriptfassung vor, deren Inhalte sich bis zur endgültigen Veröffentlichung ändern können.
