Nachdem ich in einem der vorherigen Beiträge ja eher auf die Grenzen von Daten in der Cloud und KI im Diabetesmanagement eingegangen bin folgt heute mal ein etwas optimistischer Blick in diese Technologie.
Machen wir doch mal eine Analyse des FreeStyle PDF mit einer Künstlichen Intelligenz und schauen was dabei herauskommt. Wenn du auch regelmäßig PDF-Berichte von deinem Sensor bekommst und dich fragst: „Was fange ich damit eigentlich an?“ – dann bist du hier genau richtig!
Worum geht’s überhaupt?
Wenn du ein Freestyle Libre oder Libre 2 verwendest, kennst du wahrscheinlich die PDF-Berichte, die du über die LibreView-Plattform herunterladen kannst. Darin findest du viele Zahlen, Kurven, Balken und Fachbegriffe: Durchschnittswerte, Zeit im Zielbereich, Schwankungen, Tagesprofile und vieles mehr.
Das Problem: Die Daten sind da – aber was sagen sie eigentlich über deinen Alltag aus? Wo gibt es Muster? Was kannst du verbessern?
Genau hier kam ChatGPT ins Spiel. Ich habe das PDF hochgeladen – und dann wurde es spannend.
Hier kommt dann der entsprechende ‚Prompt‘ für ChatGPT um die KI davon zu überzeugen das soeben hochgeladene PDF zu analysieren.
Dies ist natürlich nur ein Beispiel.
ChatGPT lässt hier frei formulierte Fragen zu und versucht auch Details zu analysieren wenn es danach gefragt wird.
Einfach mal ausprobieren!
Analysiere den hochgeladenen AGP Bericht hinsichtlich Trends im Blutzuckermanagement. Beachte Wochen, Tages und Uhrzeiteintrends. Analysiere hinsichtlich morgens, mittags, abends und nachts. Versuche eine Verbindung zwischen den gegebenen Basal und Bolus Insulinmengen herzustellen und mache eine Empfehlung wie der Kurvenverlauf verbessert werden kann. Ziel sollte es sein einen Durchschnitt kleiner 140 mg/dl zu erhalten.
Schritt 2: Was macht ChatGPT dann mit dem PDF?
Nach absetzen des Prompts beginnt die KI mit der Analyse des hochgeladenen Dokumentes. Dabei geht es ganz systematisch vor:
1. Erfassen der wichtigsten Kennzahlen
ChatGPT liest zuerst die Grunddaten aus dem Bericht:
- Durchschnittlicher Glukose wert
- Zeit im Zielbereich (so wie er von Dir angegeben wurde)
- Anzahl und Dauer von Hypo- und Hyperglykämien
- Glukose-Variabilität (also wie stark die Werte schwanken)
- Gesamtanzahl der Scans oder Sensor-Scans
Das allein ist schon hilfreich – aber es geht noch weiter.
2. Erkennen von Trends im Tagesprofil
Besonders spannend: ChatGPT erkennt Muster im Tagesverlauf. Es analysiert, zu welchen Zeiten die Werte häufig zu hoch oder zu niedrig sind. Nur als Beispiel kann dies dabei herauskommen:
„Zwischen 3:00 und 6:00 Uhr nachts kommt es regelmäßig zu Unterzuckerungen. Möglicherweise ist deine nächtliche Basalrate zu hoch oder das Abendessen war nicht optimal abgestimmt.“
3. Sanfte Empfehlungen und Rückfragen
Natürlich wertet ChatGPT nicht (wäre ja noch schöner!), sondern stellt freundlich Rückfragen oder gibt Denkanstöße. Zum Beispiel:
„Es fällt auf, dass die Werte am späten Nachmittag häufig ansteigen. War das vielleicht nach dem Mittagessen oder nach Bewegung? Könnte es sein, dass die Dosis hier nicht ganz passt?“
So erzeugt die KI eine Illusion einer Gesprächssituation über meine Daten. Nicht zu vergleichen mit einem echten Diabetes-Coach…aber auch nicht wirklich schlecht.
Schritt 3: Personalisierte Zusammenfassung
Am Ende habe ich ChatGPT gebeten, mir eine Zusammenfassung für meinen Diabetologen-Termin zu schreiben – kurz, klar und auf den Punkt. Zum Beispiel:
- „Verbesserung der nächtlichen Stabilität wünschenswert (häufige nächtliche Hypos)“
- „Nachmittags-Postprandialspitzen erkennbar – möglicher Anpassungsbedarf bei Bolus/Timing“
- „Gute Zeit im Zielbereich insgesamt (>70 %)“
Damit kann man dann vorbereitet zum nächsten Arztgespräch gehen.
Fazit: ChatGPT + CGM-Daten = Es kann funktionieren
Ich war ehrlich erstaunt, dass ein KI-Tool wie ChatGPT mir so hilfreich zur Seite stehen kann. Es ist ganz sicher kein Ersatz für medizinisches Fachpersonal – aber ein richtig guter „Daten-Übersetzer“ und Denkpartner. Besonders, wenn du wie ich manchmal vor diesen PDFs sitzt und denkst: „Hilfe, ich versteh nur Bahnhof.“
Wenn du auch Lust hast, deine Daten besser zu verstehen, probier’s doch mal aus! Frag einfach freundlich – und du wirst überrascht sein, wie gut dir ChatGPT zuhören (und helfen) kann.
Was noch fehlt
Vermisst habe ich die Möglichkeit den kompletten Datenstream welcher ja auch von der CGM Software als Download bereitgestellt wird ChatGPT einfach mal so ‚vor die Füße werfen zu können‘. Leider war das bisher (zumindest in der kostenlosen Version) nicht von Erfolg gezeitigt. Ich verspreche mir dadurch dass auch längerfristige Trends erkannt werden könnten die sich über mehr als die standardmäßig im PDF Report dargestellten 2 Wochen zeigen würden.
Aber, geben wir die Hoffnung mal nicht auf. Ich bin mir sicher dass es früher oder später auch mal spezielle Large Language Modelle für die Datenanalyse von CGM geben wird. Es ist, hoffe ich zumindest, nur noch ein Frage der Zeit.
Noch ein Hinweis:
Natürlich ersetzt einer derartige KI Analyse keine medizinische Beratung. Aber sie kann dir helfen, besser vorbereitet ins Gespräch mit deinem Arzt/Ärztin zu gehen.
Der Anschaulichkeit halber füge ich hier noch eine Original Antwort von ChatGPT ein.
Analyse eine AGP Berichtes (Beispiel)
Gesamtauswertung
-
Durchschnittlicher Glukosewert: 147 mg/dL
-
Zeit im Zielbereich (70–180 mg/dL): 93 % – Sehr gut
-
Zeit über 180 mg/dL: 7 % – leicht über dem Idealwert
-
Zeit unter 70 mg/dL: 0 % – kein Hypoglykämierisiko
-
GMI: 6,8 % – gut, Ziel: < 6,5 %
-
Glukosevariabilität: 13,5 % – exzellent
🕒 Zeitbasierte Analyse
Morgens (6–10 Uhr):
-
Blutzucker stabil im Zielbereich (120–150 mg/dL)
-
Gelegentliche Erhöhungen erkennbar
-
Insulinmengen meist konstant, bei höheren KH-Mengen teils unterdosiert
Mittags (10–14 Uhr):
-
Tendenz zu postprandialen Anstiegen bis über 230 mg/dL
-
Bolusgaben oft pauschal (z. B. 1 IE), unabhängig vom KH-Gehalt
-
Empfehlung: KH-abhängige Dosierung überprüfen und anpassen
Nachmittags/Abends (14–20 Uhr):
-
Überwiegend im Zielbereich, einzelne Spitzen
-
Bolusinsulin erneut eher gering dosiert
Nachts (20–6 Uhr):
-
Glukoseverlauf sehr stabil
-
Langzeitinsulin ausreichend und gut dosiert
💉 Insulinverteilung & Wirkung
-
Basalinsulin: konstant und effektiv
-
Bolusinsulin: meist 1–2 IE, unabhängig von KH-Menge
-
Korrekturen: selten, trotz gelegentlicher Hyperglykämien
📌 Empfehlungen zur Verbesserung
🎯 Ziel: Durchschnitt < 140 mg/dL
-
Bolusinsulin optimieren:
-
Verhältnis KH/Insulin überprüfen (z. B. 1 IE pro 8–10g KH)
-
Dosis an individuelle Mahlzeiten anpassen
-
-
Spitzen reduzieren:
-
Bolus 15–20 Min. vor Essen verabreichen
-
Schnelle KH vermeiden oder gezielt abdecken
-
-
Nachmittags Bewegung fördern:
-
Spaziergang nach Mahlzeiten unterstützt Glukoseabbau
-
-
Gezielte Korrekturen etablieren:
-
z. B. 1 IE pro 30–50 mg/dL oberhalb des Zielwerts
-
-
Wöchentliche Datenauswertung:
-
Muster analysieren, Therapie anpassen
-
Natürlich sind einige der Hinweise Alltag für Diabetiker, aber möglicherweise findet die KI ja auch Trends di e man selbst gerne mal übersieht. In jedem Fall hat es mir geholfen am Anfang einige Dinge besser zu verstehen. Ein Versuch, denke ich, kann nicht schaden.