Die klinische Herausforderung des Diabetes-Managements

Für Millionen von Menschen, die an Diabetes leiden, bleibt die tägliche Aufgabe, den Blutzucker in einem sicheren Bereich zu halten, eine hartnäckige und anspruchsvolle Verantwortung. Die Bauchspeicheldrüse eines gesunden Menschen spürt kontinuierlich den Blutzuckerspiegel und gibt Insulin in präzisen Echtzeit-Mikroanpassungen frei. Bei Typ-1-Diabetes und fortgeschrittenem Typ-2-Diabetes ist diese natürliche Rückkopplungsschleife unterbrochen. Patienten müssen die Insulindosen manuell berechnen, basierend auf Fingerstichmessungen, Kohlenhydratzählung, Aktivitätsniveaus und zahlreichen anderen Variablen. Dieser Ansatz stellt eine außergewöhnliche kognitive und emotionale Belastung für Einzelpersonen dar, die jeden Tag Dutzende von Behandlungsentscheidungen mit unvollständigen Informationen treffen müssen.

Die Folgen einer unvollkommenen Glukosekontrolle sind gut dokumentiert. Chronische Hyperglykämie treibt mikrovaskuläre Komplikationen wie Retinopathie, Nephropathie und Neuropathie an. Akute Hypoglykämie kann zu Verwirrung, Bewusstseinsverlust und Anfällen führen. Selbst bei sorgfältigem Selbstmanagement verbringen viele Patienten erhebliche Teile ihres Tages außerhalb ihres Ziel-Glukosebereichs. Der Bedarf an Systemen, die einen Teil dieser Entscheidungslast entlasten und gleichzeitig die Ergebnisse verbessern können, hat intensive Forschungen zur rechengesteuerten Insulinabgabe angetrieben.

Einschränkungen der konventionellen Insulintherapie

Die herkömmliche Insulintherapie folgt typischerweise festen oder gleitenden Dosierungsprotokollen. Ein Patient kann eine vorbestimmte Menge langwirksamen Insulins ein- oder zweimal täglich injizieren und zu den Mahlzeiten auf der Grundlage eines statischen Insulin-Kohlenhydrat-Verhältnisses mit schnell wirkendem Insulin ergänzen. Dieser strukturierte Ansatz bietet eine Grundlage für die Behandlung, kann sich jedoch nicht an die dynamische und oft unvorhersehbare Natur der täglichen Glukoseschwankungen anpassen.

Glykämische Variabilität und ihre Folgen

Selbst unter kontrollierten Bedingungen variieren die Blutzuckerwerte stark in Abhängigkeit von Faktoren wie der Zusammensetzung der Mahlzeiten, körperlicher Aktivität, Stress, Krankheit, Hormonzyklen und Medikamentenwechselwirkungen. Standarddosierungsschemata können diese Variabilität nicht erklären. Eine Dosis, die an einem Tag eine ausgezeichnete Kontrolle erzeugt, kann an einem anderen Tag zu einer gefährlichen Hypoglykämie führen. Untersuchungen zeigen durchweg, dass die glykämische Variabilität selbst unabhängig von der durchschnittlichen Glukose mit oxidativem Stress und erhöhtem Risiko von Komplikationen verbunden ist. Die Verringerung dieser Variabilität ist ein zentrales Ziel der Insulinabgabesysteme der nächsten Generation.

Der menschliche Faktor bei Dosierungsfehlern

Die manuelle Insulindosierung ist von Natur aus fehleranfällig. Fehleinschätzungen des Kohlenhydratgehalts, Fehlinterpretationen von Glukosewerten, Timingfehler und einfache Vergesslichkeit tragen alle zu suboptimalen Ergebnissen bei. Die psychologische Belastung durch ständige Wachsamkeit kann zu einem Diabetes-Burnout führen, bei dem Patienten sich vom Selbstmanagement lösen. Ein System, das automatisieren oder intelligent bei Dosierungsentscheidungen helfen kann, hat das Potenzial, nicht nur die physiologischen Ergebnisse zu verbessern, sondern auch die tägliche Belastung von Patienten und Pflegekräften zu reduzieren.

Computermodelle der Glukose-Insulin-Physiologie

Im Mittelpunkt der intelligenten Insulinabgabe steht eine grundlegende technische Herausforderung: Wie kann ein Steuerungssystem für einen biologischen Prozess entwickelt werden, der nichtlinear, zeitvariabel und patientenspezifisch ist. Der erste Schritt besteht in der Entwicklung mathematischer Modelle, die die wesentliche Dynamik der Glukoseregulierung erfassen. Diese Modelle dienen als Grundlage für das Design von Algorithmen und Simulationstests vor dem Einsatz bei Menschen.

Kompartimentelle Modellierungsansätze

Die am weitesten verbreitete Klasse von Modellen in der künstlichen Bauchspeicheldrüsenforschung ist das Kompartimentmodell, das den Körper als eine Reihe miteinander verbundener physiologischer Kompartimente darstellt. Das klassische Bergman-Minimummodell, das in den 1970er Jahren entwickelt wurde, beschreibt die Glukose-Insulin-Dynamik mit drei Differentialgleichungen, die die Glukosekonzentration, Insulinkonzentration und Insulinwirkung in einem entfernten Kompartiment darstellen. Während dieses Modell für das Verständnis der grundlegenden Physiologie nützlich ist, fehlt es diesem Modell an den Details, die für eine robuste Kontrolle unter realen Bedingungen erforderlich sind. Neuere Modelle, wie das Hovorka-Modell und das Dalla-Man-Modell, enthalten zusätzliche Kompartimente für Glukoseproduktion, Glukosenutzung und Insulinabsorption. Diese Modelle können Reaktionen auf Mahlzeiten, Bewegung und verschiedene Insulinabgabemuster mit angemessener Genauigkeit simulieren.

Patientenspezifische Parameter Identifizierung

Die Berechnungsmethode ist nicht von der allgemeinen Praxis abhängig, da die Daten der einzelnen Patienten nicht von den einzelnen Patienten erfasst werden können. Die Insulinsensitivität, die Glukosewirksamkeit und die Insulinabsorptionsraten variieren stark zwischen den einzelnen Patienten und sogar innerhalb derselben Person. Moderne Systemidentifikationstechniken verwenden Bayessche Schätzung, maximale Wahrscheinlichkeit oder Kalman-Filterung, um Modellparameter für jeden Patienten mit Daten von kontinuierlichen Glukosemonitoren, Insulinpumpen und Mahlzeitprotokollen zu personalisieren. Diese Personalisierung ist unerlässlich, um eine strenge Glukosekontrolle ohne übermäßiges Hypoglykämierisiko zu erreichen.

Simulationsumgebungen für Algorithmus-Tests

Bevor ein Kontrollalgorithmus am Menschen getestet wird, wird er einer umfassenden Bewertung in silico unterzogen. Die US-amerikanische Food and Drug Administration hat den Diabetes-Simulator Typ 1 der Universität von Virginia/Padova als Ersatz für präklinische Tierversuche akzeptiert. Dieser Simulator enthält eine Population virtueller Patienten mit unterschiedlichen physiologischen Eigenschaften, die es Forschern ermöglichen, die Leistung des Algorithmus unter Hunderten von Szenarien zu testen, einschließlich Mahlzeiten, Bewegung, Insulinpumpenfehlern und Sensorfehlern. Diese Rechenwerkzeuge beschleunigen die Entwicklung und reduzieren Risiko und Kosten.

Maschinelles Lernen für die prädiktive Insulintitration

Machine Learning hat sich als leistungsstarke Ergänzung zur klassischen Steuerungstechnik in Insulinabgabesystemen herausgebildet. Während modellbasierte Steuerungen auf expliziten mathematischen Beschreibungen der Physiologie beruhen, können maschinelle Lernalgorithmen Muster aus Daten entdecken, ohne ein vollständiges mechanistisches Modell zu erfordern. Beide Ansätze haben Stärken, und viele fortschrittliche Systeme kombinieren sie in hybriden Architekturen.

Mustererkennung in Glukose-Trajektorien

Kontinuierliche Glukosemonitore erzeugen hochfrequente Datenströme, die reichhaltige Informationen über die Glukosedynamik eines Individuums enthalten. Methoden des maschinellen Lernens, einschließlich zufälliger Wälder, Gradientenverstärkung und rezidivierender neuronaler Netze, können lernen, zukünftige Glukosewerte basierend auf der jüngsten Geschichte und kontextuellen Merkmalen wie Tageszeit, Wochentag und neuere Insulindosen vorherzusagen. Diese Vorhersagen ermöglichen es dem System, hypoglykämische oder hyperglykämische Ereignisse zu antizipieren, bevor sie auftreten, und die Insulinabgabe proaktiv anzupassen. Studien haben gezeigt, dass maschinelle Lernmodelle Hypoglykämie 30 bis 60 Minuten im Voraus mit klinisch nützlicher Genauigkeit vorhersagen können, was ein Fenster für präventive Maßnahmen bietet.

Reinforcement Learning für die Dosierungsoptimierung

Bei Insulinabgabe ist der Zustand der aktuellen und aktuellen Glukosewerte und der Insulinverlauf, die Wirkung die Insulindosis und die Belohnung eine Funktion der Glukoseergebnisse. In vielen Episoden lernt der Agent eine Politik, die Hyperglykämie und Hypoglykämie minimiert. Verstärkungslernansätze haben sich in Simulationsstudien und frühen klinischen Studien als vielversprechend erwiesen, obwohl die Sicherheit während der Lernphase noch immer nicht gewährleistet ist.

Deep Learning für die Erkennung und Schätzung von Mahlzeiten

Unangekündigte Mahlzeiten stellen eine der schwierigsten Herausforderungen für die automatisierte Insulinabgabe dar. Eine große Kohlenhydratladung kann dazu führen, dass Glukose innerhalb von Minuten steil ansteigt, was eine schnelle Insulinreaktion erfordert. Deep-Learning-Modelle, die auf kontinuierlichen Glukosemonitorsignalen trainiert sind, können den Beginn einer Mahlzeit innerhalb von 10 bis 15 Minuten erkennen, auch ohne dass der Patient eine explizite Benachrichtigung vorlegt. Diese Modelle können auch den Kohlenhydratgehalt der Mahlzeit schätzen, so dass das System einen geeigneten Bolus abgeben kann. In Kombination mit Computer-Vision-Systemen, die Mahlzeiten fotografieren und analysieren können, bringen diese Computer-Tools den völlig autonomen Betrieb der Realität näher.

Kontrollalgorithmen, die den Loop schließen

Der Steuerungsalgorithmus ist die Entscheidungsmaschine eines automatisierten Insulinabgabesystems. Er nimmt Eingaben von Sensoren und Modellen entgegen und gibt Insulininfusionsbefehle aus. Es wurden mehrere Klassen von Algorithmen entwickelt, die jeweils unterschiedliche Kompromisse zwischen Leistung, Robustheit und Rechenkomplexität aufweisen.

Proportional-Integral-Derivate-Kontrolle

Die PID-Controller sind eine tragende Säule der industriellen Prozesskontrolle und gehörten zu den ersten Algorithmen, die auf die Insulinabgabe angewendet wurden. Ein PID-Controller berechnet die Insulininfusion basierend auf dem aktuellen Glukosefehler (proportionaler Begriff), dem akkumulierten Fehler im Laufe der Zeit (integraler Begriff) und der Änderungsrate der Glukose (derivativer Begriff). PID-Controller sind intuitiv, rechnerisch leicht und haben die Fähigkeit gezeigt, nahezu normale Glukosespiegel in kontrollierten Einstellungen aufrechtzuerhalten. Sie können jedoch langsam auf Störungen reagieren und erfordern möglicherweise eine konservative Abstimmung, um Hypoglykämie zu vermeiden. Modifikationen wie Insulin-Feedback und adaptive Gain-Scheduling haben die Leistung im realen Einsatz verbessert.

Modellprädiktive Steuerung

Die MPC-Kontrolle (Modell Predictive Control, MPC) ist der dominierende Ansatz in der modernen künstlichen Bauchspeicheldrüsenforschung geworden. Ein MPC-Controller verwendet ein Modell der Glukose-Insulin-Dynamik, um zukünftige Glukose-Trajektorien über einen rollenden Horizont vorherzusagen. Bei jedem Zeitschritt löst er ein Optimierungsproblem, um die Insulin-Infusionssequenz zu finden, die eine Kostenfunktion minimiert, die sowohl Hyperglykämie als auch Hypoglykämie bestraft. Das erste Element dieser Sequenz wird angewendet und die Optimierung wird beim nächsten Zeitschritt wiederholt. Dieser zurückgehende Horizont-Ansatz ermöglicht es MPC, zukünftige Ereignisse zu antizipieren und koordinierte Entscheidungen zu treffen. Klinische Studien haben gezeigt, dass MPC-basierte Systeme eine signifikant höhere Zeit im Bereich erreichen als PID-Controller, insbesondere beim Umgang mit Mahlzeiten und Bewegung.

Adaptive und lernbasierte Controller

Die statische Natur herkömmlicher Steuerungen begrenzt ihre Fähigkeit, die täglichen und wöchentlichen Veränderungen der Patientenphysiologie zu bewältigen. Adaptive Steuerungen aktualisieren ihre Modellparameter oder Kontrollgewinne in Echtzeit basierend auf beobachteten Glukosereaktionen. Rekursive Systemidentifikation, sich bewegende Horizontschätzung und Bayessche Aktualisierung ermöglichen es der Steuerung, Veränderungen der Insulinsensitivität zu verfolgen, die durch Bewegung, Krankheit oder Hormonzyklen verursacht werden. Lernbasierte Steuerungen nehmen dies weiter, indem sie Erfahrungen über viele Patienten oder viele Tage für einen einzelnen Patienten sammeln und die Leistung durch fortlaufende Optimierung allmählich verbessern.

Sensorintegration und Datenfusion

Ein Insulinabgabesystem ist nur so gut wie die Informationen, die es erhält. Kontinuierliche Glukosemonitore haben das Diabetesmanagement durch die Bereitstellung von Glukosewerten alle fünf Minuten verändert, aber diese Sensoren haben Einschränkungen wie Signalrauschen, Kalibrierdrift und eine physiologische Verzögerung zwischen Blutzucker und interstitieller Glukose. Berechnungsmethoden für die Sensorverarbeitung und Datenfusion sind unerlässlich, um zuverlässige Informationen aus verrauschten und unvollständigen Datenströmen zu extrahieren.

Signalentrauschung und Fehlererkennung

Das Sensorrauschen kann dazu führen, dass Regelalgorithmen unangemessene Dosierungsentscheidungen treffen. Kalman-Filter, gleitende Durchschnittsfilter und ausgeklügeltere Bayessche Glättungsverfahren reduzieren das Rauschen, während wichtige Eigenschaften des Glukosesignals erhalten bleiben. Fehlererkennungsalgorithmen überwachen den Sensorabbau, Signalabfall und Kalibrierungsfehler. Wenn ein Fehler erkannt wird, kann das System in einen sicheren Modus wechseln, der die Insulinabgabe begrenzt, bis das Sensorproblem behoben ist.

Multimodale Datenintegration

Die Integration zusätzlicher Datenströme kann die Fähigkeit des Systems, Ereignisse zu antizipieren und darauf zu reagieren, erheblich verbessern. Herzfrequenzmonitore, Beschleunigungsmesser und galvanische Hautreaktionssensoren liefern Informationen über körperliche Aktivität und Stress. Kontinuierliche Ketonüberwachung kann beginnende diabetische Ketoazidose erkennen. Smartwatch-basierte Mahlzeiterkennung und Aktivitätserkennung erhöhen das Kontextbewusstsein. Die Fusion dieser multimodalen Signale erfordert ausgeklügelte Datenverarbeitungspipelines, die unterschiedliche Abtastraten, fehlende Daten und unterschiedliche Signalqualität verarbeiten. Die rechnerische Herausforderung der Echtzeit-Fusion von heterogenen Daten mit niedriger Latenz bleibt ein aktives Forschungsgebiet.

Klinische Ergebnisse und Real-World Evidence

Der Übergang von Forschungsprototypen zu kommerziell verfügbaren Hybrid-Closed-Loop-Systemen erfolgte schnell. Systeme wie das Medtronic MiniMed 670G, das Tandem Control-IQ und das Omnipod 5 wurden von der Regulierungsbehörde genehmigt und werden jetzt von Zehntausenden von Patienten verwendet. Die realen Erkenntnisse dieser Systeme bestätigen die von klinischen Studien vorhergesagten Vorteile.

Verbesserungen bei Time-in-Range

Die primäre Metrik für die Bewertung von Closed-Loop-Systemen ist die Zeit im Bereich, allgemein definiert als der Prozentsatz der Zeit, in der Glukose zwischen 70 und 180 Milligramm pro Deziliter verbleibt. Meta-Analysen klinischer Studien zeigen, dass hybride Closed-Loop-Systeme die Zeit im Bereich um 10 bis 15 Prozentpunkte im Vergleich zur sensorgestützten Pumptherapie erhöhen, was etwa 2,5 bis 3,5 zusätzliche Stunden pro Tag im Zielbereich entspricht. Diese Verbesserungen werden erreicht, ohne das Risiko einer schweren Hypoglykämie zu erhöhen, was bei einer intensivierten Insulintherapie ein häufiges Problem darstellt.

Reduzierte Belastung für Patienten und Pflegekräfte

Über die metabolischen Verbesserungen hinaus berichten die Anwender immer wieder von einer verminderten Diabetesbelastung und einer verbesserten Lebensqualität. Das System übernimmt viele Routineanpassungen automatisch, so dass sich die Patienten auf andere Aspekte des Lebens konzentrieren können. Für Eltern von Kindern mit Typ-1-Diabetes bietet die Möglichkeit, den Glukosespiegel fernzuüberwachen und Warnungen zu erhalten, Sicherheit. Die Verringerung der nächtlichen Hypoglykämie, eine Quelle besonderer Angst, ist einer der wertvollsten Vorteile. Die diesen Systemen zugrunde liegenden Rechenalgorithmen ermöglichen ein Maß an Sicherheit und Komfort, das mit manuellem Management nicht erreichbar wäre.

Herausforderungen bei der rechnerischen Insulinabgabe

Trotz beeindruckender Fortschritte bestehen noch einige grundlegende Herausforderungen, bevor eine vollständig autonome Insulinabgabe Realität wird.

Das Lag Problem

Die physiologische Verzögerung zwischen Blutglukose und interstitieller Glukose beträgt etwa 5 bis 15 Minuten, und die Sensorverarbeitung führt zu einer zusätzlichen Verzögerung, was bedeutet, dass sich der zugrunde liegende physiologische Zustand bereits verschoben hat, wenn das System eine Glukoseänderung erkennt. Prädiktive Algorithmen können durch Vorhersage zukünftiger Glukosewerte teilweise kompensiert werden, die Vorhersagegenauigkeit verschlechtert sich jedoch mit längeren Zeithorizonten. Schneller reagierende Sensoren und verbesserte Verzögerungskompensationsalgorithmen sind aktive Forschungsprioritäten.

Insulin Pharmakokinetik

Die Wirkungsdauer der derzeit schnell wirkenden Insuline beträgt 10 bis 20 Minuten und 3 bis 5 Stunden. Die relativ langsame Pharmakokinetik begrenzt die Reaktionsfähigkeit des Systems auf steigende Glukose und birgt das Risiko eines Insulinstapels, bei dem sich mehrere Dosen ansammeln. Ultraschnelle Insuline mit schnelleren Absorptionsprofilen sind in der Entwicklung, stellen aber ihre eigenen Herausforderungen für das Design von Algorithmen dar. Computermodelle, die die Absorption und Wirkung neuerer Insuline genau erfassen, sind erforderlich, um eine strenge Kontrolle zu gewährleisten.

Sicherheit und ausfallsichere Mechanismen

Jedes autonome System, das ein Medikament mit dem Potenzial zu schädigen liefert, muss mehrere Sicherheitsschichten enthalten. Redundante Sensoren, die gegenseitige Überprüfung zwischen verschiedenen Algorithmen und konservative Grenzen der Insulinabgabe sind allesamt notwendig. Die Herausforderung besteht darin, diese Sicherheitsmechanismen so zu gestalten, dass sie die Leistung nicht übermäßig einschränken. Ein System, das zu konservativ ist, bietet möglicherweise keinen sinnvollen Nutzen gegenüber der Standardtherapie. Bayessche Risikobewertung und stochastische modellprädiktive Steuerung bieten Rahmenbedingungen für einen expliziten Ausgleich von Wirksamkeit und Sicherheit unter Unsicherheit.

Zukünftige Richtungen in Computationally Driven Diabetes Care

Die Entwicklung der Technologie zur Insulinverabreichung weist auf zunehmend autonome und personalisierte Systeme hin, und mehrere neue Richtungen versprechen, die Fähigkeiten der derzeitigen Systeme zu erweitern und ihre Grenzen zu überwinden.

Bi-Hormonale und Multi-Hormonale Systeme

Insulin allein kann die Funktion einer gesunden Bauchspeicheldrüse nicht vollständig replizieren. Die Zugabe von Glucagon, das den Blutzuckerspiegel erhöht, ermöglicht es einem bihormonellen System, Hypoglykämie aktiv zu verhindern und zu behandeln. Computeralgorithmen für bihormonelle Systeme müssen zwei gegensätzliche Hormone mit unterschiedlichen Pharmakokinetiken koordinieren, während die Erschöpfung der Glucagonversorgung vermieden wird. Klinische Studien mit bihormonellen Systemen haben eine ausgezeichnete glykämische Kontrolle mit sehr niedrigen Raten von Hypoglykämie gezeigt. Die Zugabe eines dritten Hormons, wie Pramlintid oder ein Glucagon-ähnlicher Peptid-1-Rezeptoragonist, könnte die postprandiale Glukosekontrolle weiter verbessern, indem die Magenentleerung verlangsamt und die Glucagonsekretion unterdrückt wird.

Personalisierte und adaptive Systeme

Die Zukunft der Insulinabgabe liegt in der Personalisierung auf individueller Ebene. Machine-Learning-Modelle, die auf den historischen Daten jedes Patienten trainiert werden, können ihre einzigartigen Muster der glykämischen Reaktion, Aktivität und Lebensweise erfassen. Diese personalisierten Modelle können kontinuierlich aktualisiert werden, wenn neue Daten ansammeln, so dass sich das System an Veränderungen der Insulinsensitivität, saisonale Schwankungen und langfristige Trends anpassen kann. Cloud-basierte Plattformen, die Daten über Populationen hinweg aggregieren, können das Lernen beschleunigen, indem sie gemeinsame Muster und seltene Ereignisse identifizieren. Die Recheninfrastruktur für diese Personalisierungsebene muss den Datenschutz mit den Vorteilen einer groß angelegten Analyse in Einklang bringen.

Integration mit digitalen Gesundheits-Ökosystemen

Die Behandlung von Insulin ist nicht isoliert vorhanden. Umfassende Diabetesversorgung erfordert die Integration mit elektronischen Gesundheitsakten, Telegesundheitsplattformen, Ernährungsverfolgung und Unterstützung für verhaltensbezogene Gesundheit. Computergestützte Plattformen, die diese Komponenten verbinden, können eine einheitliche Sicht auf die Gesundheit des Patienten bieten und koordinierte Interventionen ermöglichen. Zum Beispiel kann ein Patient, der häufig unter Hypoglykämie leidet, automatisch für eine Telegesundheitsberatung gekennzeichnet werden, und die Gesprächsnotizen könnten Aktualisierungen des Insulinabgabealgorithmus informieren. Die Herausforderungen bei der Datenintegration und Interoperabilität sind erheblich, aber die potenziellen Vorteile für Patientenergebnisse sind gleich groß.

Auf dem Weg zu einer reaktionsschnelleren Zukunft

Computational Insights verwandeln die Insulinabgabe von einer manuellen, reaktiven Aufgabe in einen automatisierten, prädiktiven und personalisierten Prozess. Die Kombination von kontinuierlicher Glukoseüberwachung, fortschrittlichen Kontrollalgorithmen, maschinellem Lernen und multimodaler Datenintegration hat bereits Systeme hervorgebracht, die die Glukosekontrolle signifikant verbessern und gleichzeitig die Belastung der Patienten verringern. Jede Generation von Technologie kommt dem Ziel eines vollständig autonomen Systems näher, das nahezu normale Glukosespiegel in den unterschiedlichsten realen Bedingungen aufrechterhalten kann.

Der Weg nach vorne erfordert eine kontinuierliche Zusammenarbeit zwischen den Disziplinen. Endokrinologen bringen ein tiefes Verständnis der Diabetesphysiologie, Kontrollingenieure tragen strenge Methoden für das geschlossene Systemdesign bei, Datenwissenschaftler entwickeln die prädiktiven Modelle, die die Glukosedynamik antizipieren, und Verhaltensforscher stellen sicher, dass Systeme verwendbar und von Patienten akzeptiert werden. Dieser interdisziplinäre Ansatz, der auf computergestützten Methoden basiert und durch klinische Beweise validiert wird, bietet den besten Weg zu Insulinabgabesystemen, die nicht nur intelligenter sind, sondern auch auf die gelebte Erfahrung von Menschen mit Diabetes reagieren.