KI in der Diabetesbehandlung: Von der automatisierten Früherkennung von Netzhautschäden über personalisierte Insulindosierung bis zur Vorhersage von Unterzuckerungen. Das Institut für KI in der Medizin zeigt, wie Algorithmen aus Millionen Messwerten lernen und die Versorgung präziser machen.
Das 2020 gegründete Institut für Künstliche Intelligenz in der Medizin (IKIM) vereint als ein Institut der Krankenversorgung Kliniker und Wissenschaftler aus verschiedenen Disziplinen, um medizinische Forschung voranzutreiben, die Patientenversorgung zu verbessern und die Ausbildung der Ärztinnen und Ärzte innovativ zu gestalten. Das Institut ist Teil der Universitätsmedizin Essen sowie der Universität Duisburg-Essen.
Laborbasierte Forschung
Durch die Integration klinischer Anwendungen, laborbasierter Forschung und Informatik betreibt das IKIM sowohl angewandte als auch grundlagenorientierte Forschung. Thematisch deckt das Institut ein breites Spektrum ab, darunter das Verstehen undAnalysieren medizinischer Daten (z. B. klinische Berichte, medizinische Bildgebung, Genomdaten). Das Institut besteht aus mehreren Forschungsgruppen und Nachwuchsforschungsgruppen. Dabei kommen zahlreiche hochmoderne Methodenzum Einsatz, darunter reproduzierbare bioinformatische Pipelines, Virtual undAugmented Reality, maschinelles Lernen (z. B. föderiertes Lernen, erklärbare KI), medizinische Datenhaltungssysteme, virale und bakterielle Genomsequenzierung, Abwasseranalysen zur Vorhersage zukünftiger Infektionsgeschehen, Computer Vision, Single-Cell-DNA-Sequenzierung, Natural Language Understanding sowie Sensorverarbeitung. Zur Umsetzung dieser ambitionierten Ziele entwickelt das IKIM Lösungen, die von Klinikerinnen und Klinikern, Krankenhauspersonal sowie Forschenden genutzt werden können. Das Institut arbeitet auf eine individuellere, zielgerichtetere und nachhaltigereZukunft der medizinischen Versorgung hin. An der Universität Duisburg-Essen, im Herzen des Ruhrgebiets, verfolgt das IKIM das Ziel, zu motivieren, zu personalisieren und zu vernetzen. Darüber hinaus stellt das IKIM eine Forschungs-IT-Infrastruktur zur Verfügung, die für die Arbeit mit pseudonymisierten medizinischen und umweltbezogenen Datengenutzt werden kann. Künstliche Intelligenz (KI) zählt zu den zentralen Zukunftstechnologien in der modernen Medizin. Sie bietet das Potenzial, große und komplexe Gesundheitsdaten effizient zu verarbeiten, klinische Entscheidungen zu unterstützen und Versorgungsprozesse nachhaltig zu verbessern. Aktuell hat die FDA mehr als 1000 KI-basierte Medizinproduktegenehmigt und mehrere hundert Zulassungsanträge für KI-unterstützt entwickelte Pharmaka erhalten (Warraich et al., 2025). In der Diabetologie, einem Fachgebiet mit hoher Datenintensität und steigenden Anforderungen durch die wachsende Prävalenzvon Diabetes (Sun et al., 2022), zeigt sich der Nutzen KI-basierter Methoden bereits heute in vielfältiger Weise – ein Beispiel ist IDx-DR (Hunfeld et al., 2026), eines der ersten FDAzugelassenen KI-Systeme zur automatisierten Erkennung diabetischer Retinopathie. Dieser Artikel führt zunächst in das Konzept der Künstlichen Intelligenz ein und erläutert grundlegende Prinzipien sowie Einsatzmöglichkeiten in der Medizin.Anschließend wird das besondere Potenzial von KI in der Diabetologie anhand aktueller Entwicklungen und konkreter Anwendungsszenarien herausgearbeitet, sowie Herausforderungen aufgezeigt.
Funktionsweise und Voraussetzungen
KI bezeichnet die Fähigkeit von Computersystemen, Aufgaben zu lösen, die üblicherweise menschliche kognitive Leistungen wie Lernen, Schlussfolgern, Problemlösen und Mustererkennung erfordern. Moderne KI-Systeme basieren überwiegend auf datengetriebenen Verfahren wie maschinellem Lernen (Kleesiek et al.,2020) und Deep Learning. Dabei werden zunächst Eingangsdaten in ein Modelleingespeist, das anhand dieser Beispiele ein inneres Repräsentations- und Entscheidungsgefüge entwickelt. Anschließend erzeugt das trainierte Modell einen Output, etwa eine Klassifikation, Vorhersage oder Empfehlung. Im Zuge desTrainingsprozesses erfolgt eine schrittweise Optimierung der Modellparameter, wodurch das System aus den vorliegenden Daten lernt und seine Vorhersagegenauigkeit fortlaufend verbessert. Da insbesondere tiefe neuronale Netzwerke sehr komplexe interne Darstellungen aufbauen, sind ihre Entscheidungswege häufig nur begrenzt nachvollziehbar, sodass solche Modelle oft als "Black Box" wahrgenommen werden. Gerade im medizinischenKontext, in dem algorithmische Entscheidungen unmittelbare Konsequenzen fürDiagnostik, Therapie und Patientensicherheit haben, gewinnt daher die Erklärbarkeit von KI zunehmend an Bedeutung (Keyl et al., 2025; Nicolson et al., 2025). Methoden der erklärbaren KI (Explainable AI, XAI) zielen darauf ab, die internen Funktionsmechanismen transparenter zu machen, Vertrauen in KI-basierte Systeme zu stärken und regulatorische Anforderungen zu unterstützen.Grundvoraussetzung für jede Form datengetriebener KI ist der Zugang zu digitalen, qualitativ hochwertigen und interoperablen Daten. Ohne strukturierte, standardisierte und maschinenlesbare Gesundheitsdaten können KI-Modelle weder zuverlässig trainiert noch in klinischen Routinen angewendet werden. Damit bildet Dateninteroperabilität eine zentrale Voraussetzung für die Entwicklung, Validierung und sichere Nutzungmedizinischer KI-Systeme (Maassen et al., 2021; Von Conta et al., 2025).
KI findet in der Medizin in vielfältigen Bereichen Anwendung und unterstützt sowohlklinische Entscheidungen als auch organisatorische Prozesse. Zentrale Einsatzbereiche lassen sich in diagnostische, therapeutische, präventive und administrative Anwendungen einteilen (Von Conta et al., 2025). Dabei zeichnet sich ein zunehmenderTrend zu multimodalen Ansätzen ab, bei denen mehrere Datenquellen – etwa Bildgebung, Laborwerte und Sensordaten – kombiniert werden, um präzisere Vorhersagen und Entscheidungen zu ermöglichen. Diagnostische KI analysiert klinische Daten wie Bildgebung oder Laborwerte, um Erkrankungen frühzeitiger und präziser zu erkennen, etwa durch KI-gestützte Bildanalysen. Therapeutische KI unterstützt dieAuswahl und Optimierung von Behandlungsstrategien, beispielsweise durch Entscheidungsunterstützungssysteme für personalisierte Therapien. Präventive KI ermöglicht die frühzeitige Identifikation individueller Risikoprofile, zum Beispiel auf Basis von kontinuierlicher Glukosemessung und fördert damit proaktive Interventionen (Wieseet al., 2024). Administrative KI automatisiert Prozesse wie Dokumentation oder Terminplanung, und trägt so zur Entlastung medizinischen Personals, sowie zur Effizienzsteigerung im Gesundheitswesen bei (Alves et al., 2024). Insgesamt leisten dieseAnwendungen einen wesentlichen Beitrag zu einer präziseren, effizienteren und zunehmend personalisierten medizinischen Versorgung.
Potenzial in der Diabetologie
Durch kontinuierliche Glukosemessung, digitale Dokumentation von Therapiedaten undzunehmend leistungsfähigeren Wearables stehen in der Diabetologie große Mengen hochfrequenter Echtzeitdaten zur Verfügung, deren manuelle Auswertung klinisch kaumleistbar ist. KI bietet hier die Möglichkeit, komplexe Muster zu identifizieren, Therapieentscheidungen datenbasiert zu unterstützen und Risiken frühzeitig zuerkennen. KI besitzt das Potenzial, die diabetologische Versorgung zu transformieren und die Weiterentwicklung hin zu einer präzisen, personalisierten und proaktiven Medizin voranzutreiben (Tan et al., 2025, Sheng et al., 2024; Guan et al., 2023). Mithilfe multimodaler Datenquellen – kontinuierlichen Glukosemessungen, genetischen Informationen und bildgebenden Verfahren – kann KI bereits heute zur individuellenRisikostratifizierung beitragen und damit präventive Maßnahmen unterstützen (Huang etal., 2024). Durch die Integration von Fundusbildgebung und klinischen Parametern ermöglicht sie eine frühzeitige Erkennung diabetesassoziierter Komplikationen wie Retinopathie (Tao et al., 2025; Dai et al., 2024)., Nephropathie (Meng et al., 2025) oder Neuropathie (Lian et al., 2023). In der Therapie unterstützt KI zunehmend datengetriebene Entscheidungen, etwa durchpersonalisierte Ernährungsanalysen, automatisierte Kohlenhydratschätzungen (Baumgartner et al., 2025) oder Vorschläge zur Medikationsanpassung und Insulindosierung. Insbesondere im Zusammenspiel mit Systemen zur kontinuierlichen Glukosemessung (CGM) und automatisierten Insulindosierung (AID) zeigt sich eindeutlicher klinischer Nutzen in Form verbesserter glykämischer Kontrolle und erhöhter Therapieadhärenz (Lee et al., 2023) – wobei die Datenqualität und Repräsentativität entscheidend sind: So bestehen etwa geschlechtsspezifische Unterschiede in derAlgorithmusleistung, die eine diversitätssensible Datenbasis erfordern (Hossmann et al.,2025).
Mehr Prävention: Wearables
Darüber hinaus ermöglichen Wearables eine vorausschauende Erkennung von Hypoglykämien und leisten damit einen Beitrag zur Prävention akuter Notfallsituationen (Lehmann et al., 2023). Ein wegweisendes Beispiel für das Potenzial von Foundation Models in diesem Bereich ist GluFormer, ein auf über 10 Millionen CGM-Messungentrainiertes generatives Modell, das glykämische Muster generalisierbar kodiert undherkömmliche Werte wie HbA1c bei der Vorhersage von Diabetesrisiko undkardiovaskulärer Mortalität übertrifft (Lutsker et al., 2026).
Der Einsatz Künstlicher Intelligenz in der Medizin ist mit ethischen, regulatorischen undtechnischen Herausforderungen verbunden. Die eingeschränkte Nachvollziehbarkeit KI-basierter Entscheidungsprozesse ("Black-Box-Problematik") erschwert zwar die rechtliche Verantwortungszuschreibung, wird jedoch klinisch oft nicht als prinzipiellesHindernis für die Anwendung gewertet, sofern – analog zu vielen Medikamenten mit unbekanntem Wirkmechanismus – eine empirische Evidenz für die Wirksamkeit und Sicherheit vorliegt (McCoy et al., 2021). Dennoch begünstigt die Intransparenz Risiken wie Automation Bias sowie potenzielle langfristige Kompetenzverluste durch die schrittweise Verdrängung ärztlicher Erfahrungsurteile. Explainable-AI-Ansätze werden zwar als Gegenmaßnahme diskutiert, bleiben jedoch technisch und konzeptionell limitiert. Parallel dazu entstehen regulatorische Herausforderungen durch die gleichzeitige Anwendung von EU-AI-Act, DSGVO und MDR, wobei unklare Prioritäten, doppelte Zertifizierungsanforderungen und begrenzte Kapazitäten der Zulassungsstellen die Einführung KI-basierter Medizinprodukte erschweren. Auf technischer Ebene stellen Datenbias, eingeschränkte Generalisierbarkeit, die Möglichkeit von Halluzinationen, sowie hohe Implementierungs- und Betriebskosten zentrale Limitationen dar. Zusätzlich ist die Datenlandschaft im Gesundheitswesen stark fragmentiert und durch Datensilos sowie fehlende Standardisierung geprägt, was die Verfügbarkeit hochwertiger Trainingsdaten und die praktische Nutzbarkeit von KI-Systemen erheblich einschränkt; einheitliche Datenstandards wie FHIR, SNOMED CT oder LOINC könnten hier langfristig Abhilfe schaffen.
Fazit
KI besitzt ein erhebliches Potenzial, die Versorgungsqualität und Effizienz im Gesundheitswesen maßgeblich zu verbessern und bildet damit eine zentrale Grundlagefür die Weiterentwicklung der Präzisionsdiabetologie. In der Diabetologie eröffnen datengetriebene Ansätze insbesondere Möglichkeiten zur präziseren Diagnostik, personalisierten Therapieanpassung, prädiktiven Risikobewertung und kontinuierlichen Überwachung von Patientinnen und Patienten, beispielsweise durch die Analyse vonCGM-Daten. Um diese Chancen zu realisieren, müssen jedoch zentrale Herausforderungen adressiert werden, darunter die Fragmentierung von Gesundheitsdaten, mangelnde Interoperabilität, algorithmische Verzerrungen sowie ethische und regulatorische Fragestellungen. Die Etablierung standardisierter, sicherer Dateninfrastrukturen sowie eine enge Kooperation zwischen klinischer Praxis, Forschung, Industrie und Politik – so wie am Institut in der KI in der Medizin (IKIM) etabliert – bilden daher die Grundlage für die erfolgreiche Implementierung von KI in der Diabetologie.Zukünftige Entwicklungen wie multimodale Datenintegration und der Einsatz von Foundation Models oder agentischen Systemen könnten darüber hinaus die Basis füreine stärker individualisierte, prädiktive und evidenzbasierte Präzisionsdiabetologie schaffen.
Literatur über die Redaktion
|
|
Erschienen in: Diabetes-Forum, 2026; 38 (2) Seite 46-48