Herausforderung bei Bewegung und Sport bei automatisierter Insulinabgabe

Automatisierte Insulinabgabe(AID)-Systeme erleichtern das Glukosemanagement bei Menschen mit Typ-1-Diabetes (T1D). Dieses Faktum wurde u.a. während körperlicher Aktivität und Sport gezeigt. Bewegung stellt für AID-Systeme weiterhin eine Herausforderung dar, da geplante wie spontane Aktivitäten einen hohen Einfluss auf glykämische Metriken haben und das Therapiemanagement erschweren. Neben praxisrelevanten Strategien für den Alltag sollen folgend Perspektiven künftiger Systeme, wie der Einsatz von künstlicher Intelligenz und neuronalen Netzen, diskutiert werden.

Regelmäßige physische Aktivität und Sport sind auch für Menschen mit T1D ein zentraler Bestandteil eines gesunden Lebensstils. Bewegung verbessert die Insulinsensitivität, optimiert die glykämische Kontrolle, reduziert kardiovaskuläre Risiken und die Mortalität und steigert die Fitness sowie das psychische Wohlbefinden.¹ Gleichzeitig erfordern physische Aktivität und Sport bei Menschen mit T1D eine sorgfältige Therapieanpassung, da Hypo- und Hyperglykämien vor, während und nach der Bewegung auftreten können.¹ Ein vertieftes Verständnis der physiologischen Effekte auf den Glukosestoffwechsel ist daher essenziell, um Bewegung sicher in das Diabetesmanagement zu integrieren.

Aktuelle Optionen zu Bewegung und AID-Systeme

AID unterstützen das Management, stoßen jedoch an Grenzen wie bspw. suboptimale Genauigkeit der Werte bei kontinuierlicher Glukosemessung (CGM), verzögerte Insulinabsorption oder manuelle Eingaben von Kohlenhydraten oder Aktivitäten.² Algorithmen dieser Systeme basieren überwiegend regelungstechnisch auf klassischen Modellen und sind nicht selbstlernend.^3,4 Weitere Herausforderungen stellen geplante sowie ungeplante Bewegung und physische Aktivitäten dar.

Weltweit sind sechs AID-Systeme verfügbar. Grundlegende Empfehlungen gelten für alle Systeme, jedoch müssen systemspezifische Unterschiede in den Einstellungen und der Handhabung berücksichtigt werden. In der Leitlinie zur AID-Nutzung bei Bewegung und körperlicher Aktivität sind für jedes System explizite Empfehlungen zu spontaner und angekündigter physischer Aktivität und Sport beschrieben.⁵ Es zeigen sich fünf zentrale Schlüsselstrategien für Bewegung und körperliche Aktivität mit AID-Systemen (Tab.1).

Tab. 1: Praxistipp:fünf Schlüsselstrategien für Bewegung und körperliche Aktivitäten mit AID-Systemen

Zukunftsperspektiven zu Bewegung und AID-Systemen

Schnell wirksame Insuline zeigen im Kontext körperlicher Aktivität häufig eine verzögerte Wirkungseintrittszeit sowie eine verlängerte Wirkdauer auf. Gleichzeitig ist die interstitielle Glukosemessung der Blutglukose zeitlich nachgeordnet, wodurch rasche glykämische Veränderungen nur verzögert erfasst werden. Zudem wird körperliche Aktivität von bestehenden Systemen oftmals verspätet oder nicht zuverlässig erkannt, was die Anpassung der Insulindosierung zusätzlich erschwert.⁶

Schnelles Insulin

Eine neuartige Insulin-aspart-Formulierung mit deutlich schnellerem Wirkungseintritt konnte in einer randomisierten, doppelblinden „Cross-over“-Studie bei Menschen mit T1D untersucht werden und zeigte sich den bereits am Markt verfügbaren Insulinen überlegen mit gleichzeitig zufriedenstellendem Sicherheitsprofil.⁷

Bewegungsdetektion

Cho et al. entwickelten 2024 ein „machine-learning“-basiertes Sensorsystem, das Bewegungsbeginn, -ende sowie Aktivitätstyp und -intensität in Echtzeit erkennt. Für angekündigte Aktivitäten erreichte das Modell hohe Genauigkeiten (81% für Bewegungsbeginn, 78% für Bewegungsende, ca. 73,5% für Typ und Intensität), während diese bei nicht angekündigtem Training leicht abnahmen. Die höchste Genauigkeit zeigte sich bei Kraft- und aeroben Trainingsformen, was das Potenzial einer Integration in AID-Systeme zur verbesserten Insulindosierung unterstreicht.⁸

CGM-Performance

CGM-Überwachung spielt eine zentrale Rolle für die sichere Steuerung von Insulintherapien, insbesondere bei sportlicher Aktivität. Aktuelle Systeme wie FreeStyle Libre 3 (Abbott) und Dexcom G7 (Dexcom) zeigen eine sehr gute Genauigkeit (Mean Absolute Relative Difference [MARD] 9,5% für FreeStyle Libre 3, 9,9% für Dexcom G7) und Stabilität im Alltag. Medtronic Simplera (Medtronic) liegt leicht hinter den Konkurrenten (MARD 13,9%), erfüllt jedoch ebenfalls die Anforderungen an CGM-Geräte.⁹ Diese Werte konnten in einer Real-World-Studie unter sportspezifischen Belastungen bestätigt werden.¹⁰ Vor diesem Hintergrund sind neue Sensoren wie bspw. der Instinct Sensor von Medtronic besonders interessant, da sie eine schnellere Reaktion auf Glukoseänderungen versprechen und damit die Performance von AID-Systemen während Training und Wettkampf weiter verbessern könnten.¹¹

„Fully closed loop“ – eine (Traum-)Vorstellung

Ein Blick in die nahe und fernere Zukunft zeigt vielversprechende Entwicklungen im Bereich der „Fully-closed-loop“-Systeme (FCL). Systeme wie das dieses Jahr eingeführte CamAPS HX kommen ohne manuelle Mahlzeitenankündigung und Kohlenhydratzählen aus.¹² Auch sollen in FCL-Systemen keine Eingaben für körperliche Aktivität mehr nötig sein. Zudem werden bihormonale Systeme entwickelt, die Insulin und Glukagon abgeben und eine verbesserte „time in range“ (TIR; 70–180mg/dl) sowie weniger Hypoglykämien, auch bei spontaner Bewegung,zeigen (Abb.1).¹² In einer Studie von 2024 stieg die TIR unter FCL-Nutzung von 55,5% auf 80,3%, wenngleich der klinische Routineeinsatz und die Sicherheit der FCL-Systeme bei körperlicher Aktivität bislang noch nicht umfassend untersucht sind.¹³

Aktuelle Forschungsansätze untersuchen die Integration künstlicher Intelligenz und neuronaler Netze in AID-Systemen, um körperliche Aktivität automatisiert über physiologische Signale zu erkennen und präventiv darauf zu reagieren.⁶ Dennoch bleibt physische Aktivität eine zentrale Herausforderung bestehender Algorithmen. Dies zeigt sich insbesondere in Studien, die unangekündigte körperliche Aktivität („unannounced exercise“) explizit analysieren und hervorheben, dass die automatische Anpassung der Insulindosierung ohne zusätzliche Nutzereingaben nach wie vor ein zentrales technisches Defizit aktueller „Closed-loop“-Algorithmen ist. Vor diesem Hintergrund wird die Weiterentwicklung intelligenter Algorithmen, die physiologische Aktivitätssignale integrieren und daraus autonome Steuerungsentscheidungen ableiten, als ein entscheidender nächster Schritt gesehen, um eine wirklich automatisierte, Sport-informierte Insulinversorgung zu erreichen.¹⁴ Die Entwicklung intelligenter, aktivitätsinformierter Algorithmen gilt daher als entscheidender nächster Schritt, wobei KI-basierte und „deep-learning“-gestützte AID-Systeme bislang noch Forschungsgegenstand und keine klinische Realität sind.¹⁵

Abb. 1:Schematische Darstellung eines „Fully-closed-loop“(FCL)-Systems und zentraler Einflussfaktoren sowie deren Auswirkungen auf glykämische Outcomes