Automatisierte Insulinabgabe: Wo KI-Autonomie bei Diabetes an ihre Grenzen stößt

Automatisierte Insulinabgabe (AID) gehört zu den am besten belegten KI-Anwendungen der Medizin überhaupt. Trotzdem lässt sich die Erfolgsgeschichte aus der Typ-1-Diabetologie nicht eins zu eins auf Typ-2-Diabetes übertragen. Eine aktuelle Perspektivstudie in PLOS Digital Health arbeitet diesen Unterschied klar heraus – und liefert damit einen praktischen Orientierungsrahmen für alle, die in der Praxis über den Einsatz solcher Systeme entscheiden (PLOS Digital Health).

Der Ausgangspunkt: episodische Versorgung reicht nicht

2024 lebten weltweit schätzungsweise 589 Millionen Erwachsene mit Diabetes, bis 2050 werden es voraussichtlich 853 Millionen sein. Leitlinien fordern regelmäßige Reassessments und zeitnahe Therapieanpassungen – in der Praxis verzögert sich die Therapieintensivierung bei Typ-2-Diabetes jedoch häufig über Jahre. Der Maßstab für KI-Systeme sollte deshalb nicht ein idealisierter, jederzeit verfügbarer Diabetologe sein, sondern die reale, episodische Versorgung mit ihren Kapazitäts- und Zugangsproblemen.

Typ-1-Diabetes: Automatisierung wird zum Standard

Bei Typ-1-Diabetes sind wiederholte Insulinentscheidungen im Tagesverlauf notwendig – ein Anwendungsfeld, das sich für geschlossene Regelkreise geradezu anbietet. In der iDCL-Studie stieg die Time in Range durch AID über sechs Monate von 61 % auf 71 %, ohne dass schwere Hypoglykämien zunahmen. In der ADAPT-Studie senkte AID den HbA1c-Wert um 1,4 Prozentpunkte, gegenüber 0,2 Prozentpunkten bei intensivierter Insulintherapie mit kontinuierlichem Glukosemonitoring (CGM). Der Nutzen zeigt sich auch bei jungen Kindern.

Aktuelle Standards positionieren AID daher als bevorzugten Ansatz für alle Typ-1-Patientinnen und -Patienten, die das System sicher bedienen können. Das bedeutet nicht, dass Ärztinnen und Ärzte überflüssig werden – ihre Rolle verschiebt sich: weg von der routinemäßigen manuellen Anpassung von Basalraten, Kohlenhydratfaktoren und Korrekturfaktoren, hin zu Schulung, partizipativer Entscheidungsfindung, Einstellung des Systems und ereignisgetriggerter Versorgung bei Schwangerschaft, Interkurrenzen, rezidivierenden Hypoglykämien, Technikversagen, Entwicklungsübergängen oder psychosozialer Belastung.

Typ-2-Diabetes: Aufgabenspezifische Evidenz statt pauschaler Autonomie

Bei Typ-2-Diabetes ist die Evidenzlage deutlich schmaler und bleibt aufgabenspezifisch. Für die autonome Retina-Diagnostik liegen prospektive Daten vor: IDx-DR erreichte in der Primärversorgung eine Sensitivität von 87,2 % und eine Spezifität von 90,7 % für behandlungsbedürftige diabetische Retinopathie. DeepDR Plus konnte Progressionen vorhersagen und risikobasierte Kontrollintervalle unterstützen.

Auch für die Insulinanpassung gibt es erste belastbare Daten: In einer Studie mit 319 insulinbehandelten Typ-2-Patientinnen und -Patienten senkte AID den HbA1c um 0,9 Prozentpunkte gegenüber 0,3 Prozentpunkten bei Fortführung der bisherigen Insulintherapie mit CGM, bei einer um 14 Prozentpunkte höheren Time in Range. In einer stationären Studie mit 149 Teilnehmenden war ein KI-gestütztes Insulintitrationssystem über fünf Tage nicht unterlegen gegenüber erfahrenen Endokrinologinnen und Endokrinologen.

Diese Ergebnisse rechtfertigen automatisierte oder KI-gestützte Insulinabgabe für definierte, validierte Aufgaben – nicht aber eine autonome Steuerung der gesamten Typ-2-Versorgung. Auswahl nicht-insulinbasierter Medikation, kardiorenale Priorisierung, bariatrische Pfade, Frailty, Kognition, Polypharmazie und sozialer Kontext erfordern weiterhin klinisches Urteilsvermögen.

Governance statt reflexhafter Ablehnung oder unkritischer Übernahme

Algorithmische Versorgung bringt eigene Risiken mit: Bias, Kalibrierungsdrift, Out-of-Distribution-Eingaben, Automation Bias, Cybersicherheits- und Interoperabilitätsprobleme, Haftungslücken sowie Ausschluss durch Kosten oder mangelnde digitale Kompetenz. Die Antwort darauf ist explizite Steuerung: Eignungskriterien und Kontraindikationen definieren, Konfidenzschwellen und Eskalationspfade festlegen, Werkzeuge lokal validieren, Ergebnisse nach Alter, Geschlecht, Ethnizität und sozioökonomischem Status auditieren, Drift überwachen, Vorfälle untersuchen, menschliche Übersteuerung und Patientenwahl erhalten sowie sichere nicht-digitale Rückfallpfade bereithalten.

Praktische Konsequenzen für Ihre Praxis

Für den Alltag lassen sich daraus klare Handlungslinien ableiten:

Bei stabilem Typ-1-Diabetes: AID als Standardoption anbieten, eigene Ressourcen auf Schulung, Onboarding und Ausnahmesituationen konzentrieren.
Bei insulinpflichtigem Typ-2-Diabetes: validierte AID- oder Titrationstools gezielt einsetzen, aber nicht als Ersatz für die Gesamtbetreuung.
Bei Screening-Aufgaben wie Retinopathie: autonome KI-Systeme nutzen, sofern sie regulatorisch zugelassen und lokal validiert sind.
Bei komplexen Fällen – Multimorbidität, Polypharmazie, kognitive Einschränkungen, wertsensible Entscheidungen: klinische Urteilskraft bleibt unersetzlich, KI liefert hier bestenfalls eine erste Einschätzung.
Vor jeder Einführung: Zuständigkeiten für Audit, Drift-Monitoring und Vorfallmanagement in der Praxis klären, bevor ein System in den Routinebetrieb geht.

Das Ziel ist nicht weniger ärztliche Beteiligung, sondern eine gezieltere Nutzung ärztlicher Zeit dort, wo Unsicherheit oder das Risiko eines Fehlers am größten sind.