Kleine, tragbare Sensoren, die den Blutzucker alle paar Minuten erfassen, dringen aus der Diabetesversorgung in den Alltag vor. Sie versprechen müheloses Food-Logging, personalisierte Ernährungstipps und intelligentere digitale Gesundheitswerkzeuge. Um rohe Zucker-Kurven jedoch in nützliches Feedback zu verwandeln, müssen Rechner zuerst eine scheinbar einfache Frage beantworten: Wann haben Sie gegessen? Diese Studie untersucht, wie gut verschiedene Computermethoden Mahlzeiten allein aus Glukosedaten bei jungen, gesunden Erwachsenen erkennen können.
Wie Computer Ihre Zucker-Kurve beobachten
Die Forschenden betrachteten die kontinuierliche Glukosemessung (CGM), bei der ein Pflaster am Arm den Zucker in der Flüssigkeit unter der Haut misst. Jede Mahlzeit hinterlässt einen Fingerabdruck in dieser Zucker-Kurve, meist mit einem sanften Anstieg nach dem Essen. In den vergangenen Jahren haben Wissenschaftler viele "Mahlzeitenerkennungs"-Rezepte entwickelt — von einfachen Regeln, die nach schnellen Sprüngen im Zucker suchen, bis hin zu komplexeren Systemen, die nachahmen, wie der Körper Zucker verarbeitet, oder Muster aus Daten lernen. Die meisten dieser Methoden wurden jedoch separat an unterschiedlichen Personengruppen getestet, was den direkten Vergleich erschwert.
Neun Ansätze im Vergleich Figure 1. Wie körpergetragene Zuckersensoren und intelligente Algorithmen zusammenarbeiten, um im Alltag Essenszeiten zu erkennen
Um einen fairen Vergleich zu ermöglichen, rekonstruierten die Forschenden neun veröffentlichte Algorithmen, die ausschließlich CGM-Signale nutzen. Sie wandten diese auf Daten von 16 jungen, gesunden Erwachsenen an, die die Sensoren drei Wochen lang trugen und entweder einer kohlenhydratarmen oder einer Standarddiät folgten. Mahlzeiten wurden in einer Smartphone-App protokolliert. Bei jeder Person wurde ein Teil der Daten zur Anpassung der Algorithmen genutzt, ein Teil zur Feinabstimmung der Einstellungen und der Rest als ungesehener Test zurückgehalten. Die Forschenden bewerteten die Leistung anhand dreier einfacher Kennzahlen: wie viele Mahlzeiten korrekt erkannt wurden, wie viele "Fehlalarme" pro Tag auftraten und wie lange nach einer Mahlzeit die Warnung erschien.
Geschwindigkeit versus Zuverlässigkeit bei der Erkennung von Mahlzeiten
Der direkte Vergleich zeigte, dass keine einzelne Methode in allen drei Messgrößen am besten war. Einige Algorithmen, die auf Fuzzy-Logik oder detaillierten Computersimulationen des Glukoseverhaltens basieren, erfassten den größten Anteil an Mahlzeiten und lagen nahe bei neun von zehn, reagierten jedoch langsamer und lösten mehr Fehlalarme aus. Mustererkennungsverfahren, die typische Formen von Zucker-Kurven erlernen, und ein physiologisch begründetes Modell boten die ausgewogenste Kombination aus hoher Erkennungsrate, wenigen Fehlalarmen und moderater Verzögerung. Einfachere regelbasierte Methoden, die vor allem auf die Geschwindigkeit des Zuckeranstiegs achten, signalisierten Mahlzeiten am schnellsten — häufig innerhalb von etwa 37 Minuten — verpassten aber mehr Essereignisse. Im Alltag bedeutet das: Nutzer müssen zwischen einem sehr aufmerksamen, aber etwas empfindlichen System, einem vorsichtigeren, aber langsameren System oder einem Mittelweg wählen.
Wie Ernährung und Körperform das Bild ändern Figure 2. Verschiedene algorithmische Ansätze tauschen bei der Auswertung von Zucker-Kurven Geschwindigkeit, Genauigkeit und Fehlalarme gegeneinander aus
Die Studie fand außerdem, dass die Erkennbarkeit von Mahlzeiten von der Person und ihrer Ernährung abhängt. Teilnehmende mit einer Standarddiät mit mehr Kohlenhydraten zeigten größere Zuckeranstiege nach Mahlzeiten, was es allen Algorithmen erleichterte, Essereignisse zu erkennen. Bei einer kohlenhydratarmen Ernährung fielen die Zuckeränderungen kleiner aus, was die Erkennungswahrscheinlichkeit insgesamt verringerte. Eine höhere tägliche Kohlenhydrataufnahme war mit mehr falsch positiven Meldungen verbunden, möglicherweise weil längere Zuckeranstiege leichter fehlinterpretiert werden. Etwas höheres Körpergewicht hing mit marginal niedrigeren Erkennungsraten zusammen, was mit bekannten Besonderheiten des verwendeten Sensors zusammenhängen könnte. Diese Befunde unterstreichen, dass es keine universelle Schwelle zur Erkennung von Mahlzeiten aus Glukosedaten gibt.
Was das für zukünftiges Food-Tracking bedeutet
Für Nutzer, die CGM zur Gewohnheitsüberwachung oder zur Unterstützung von Ernährungs-Coaching-Apps einsetzen, können gelegentliche Fehlalarme akzeptabel sein, wenn die meisten Mahlzeiten erfasst werden, da Anwender eine Warnung schnell bestätigen oder verwerfen können. In diesem Fall sind Algorithmen mit höherer Sensitivität möglicherweise vorzuziehen. In klinischen Anwendungen wie der automatisierten Insulinabgabe dagegen können Fehlalarme riskant sein, sodass sicherere Optionen interessant sind, die etwas Geschwindigkeit oder Sensitivität gegen weniger Fehler eintauschen. Die Autoren schließen, dass man statt der Suche nach einer einzigen "besten" Methode den Algorithmus an die jeweilige Aufgabe anpassen sollte. Zukünftige Arbeiten sollten darauf abzielen, die Erkennungszeit zu verkürzen, die Genauigkeit hoch zu halten und Tests auf diversere Gruppen auszuweiten.
Zitation: Höchsmann, C., Weber, J.T., Hechenbichler Figueroa, S. et al. Performance of continuous glucose monitoring-based meal detection algorithms in young healthy adults.
Sci Rep16, 15714 (2026). https://doi.org/10.1038/s41598-026-50699-5
