Machine-Learning-Modelle für Glukoseprognose bei Diabetes: systematischer Review mit Meta-Analyse
Von KI ausgewählt und zusammengefasst
Worum es geht
Systematischer Review mit Meta-Analyse von 299 Studien (270 Unique-Studen) zum Einsatz von Machine Learning für die Vorhersage zukünftiger Glukosewerte oder -ereignisse bei Typ-1-, Typ-2- und gemischtem Diabetes; Fokus auf externe Validierung und Implementierungsbereitschaft.
Ergebnis
Gepoolte RMSE betrug 1,18 mmol/L (95% CI 1,01–1,34; n=37 Effekte), gepoolte mittlere absolute Abweichung 0,90 mmol/L. Bayesische gepoolte AUC unter ROC-Kurve 0,926 (95% CrI 0,877–0,957). Von 28 PROBAST-Einheiten waren 24 hohes Risiko, 2 unklar, 2 niedrig. Externe Validierung lag bei 4,0% (10/251), prospektive Evaluierung bei 0,7% (2/270), Kalibrierung bei 4,8%. Heterogenität, hohes Verzerrungsrisiko und unvollständige Unsicherheitsberichterstattung verhindern deploybare Benchmarks.
Übertragbarkeit auf Deutschland
Globale Evidenz, aber unzureichende externe Validierung für sofortige Versorgungsimplementierung in Deutschland.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.