Knowledge-Hub Digitalisierung, KI & Gesundheitein Angebot von Monitor Versorgungsforschung

Knowledge-Hub Digitalisierung, KI & Gesundheit › Studien

Noninvasive Glukosemonitoring per Wearable: Machine Learning zeigt hohe Genauigkeit

Schmelter F et al. · JMIR Mhealth Uhealth · erschienen 30.09.2026 · PMID 42814917

Von KI ausgewählt und zusammengefasst

Worum es geht

Machine-Learning-Modell zur Vorhersage von Gewebeglukose aus tragbaren Sensoren (Empatica EmbracePlus, Fitbit Sense 2) bei gesunden Personen und solchen mit Übergewicht; prospektive Validierung über zwei Wochen mit invasivem Referenzmonitor.

Ergebnis

Long-Short-Term-Memory-Netzwerk erreichte Root-Mean-Square-Error von 21,04 mg/dL; 98,3% der Vorhersagen in den klinisch akzeptablen Zonen A und B der Clarke-Fehleranalyse. Mit Smartwatch allein: RMSE 23,49 mg/dL. Ansatz zeigt praktisches Potenzial für mobile Prävention metabolischer Erkrankungen.

Übertragbarkeit auf Deutschland

Deutsche Studienteilnehmer, vergleichbare Dokumentationspflichten in Wearable-gestützter mHealth.

Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.