Ein Machine-Learning-Modell zur Optimierung der Behandlung von Patientinnen und Patienten mit schlecht eingestelltem Typ‑2‑Diabetes

Warum das für Menschen mit Diabetes wichtig ist

Für viele Menschen mit Typ‑2‑Diabetes ist die Regulierung des Blutzuckers ein täglicher Kampf, und Ärztinnen und Ärzte verfügen inzwischen über mehrere wirksame Medikamente, die zudem Herz und Nieren schützen. Zwei der meistverwendeten neueren Behandlungsoptionen wirken sehr unterschiedlich, doch die aktuellen Leitlinien geben kaum Hinweise, welches Mittel für welchen Patienten besser geeignet ist. Diese Studie stellt ein datenbasiertes Entscheidungswerkzeug vor, das einzelne Patientinnen und Patienten dem Medikament zuordnet, das mit größerer Wahrscheinlichkeit ihre langfristige Blutzuckerkontrolle verbessert.

Zwei moderne Medikamente, eine schwierige Wahl

Die Forschung konzentriert sich auf zwei Medikamentenklassen: eine, die die Nieren dazu bringt, mehr Zucker über den Urin auszuscheiden, und eine andere, die körpereigene Hormon­signale verstärkt, damit mehr Insulin ausgeschüttet wird und das Sättigungsgefühl nach Mahlzeiten steigt. Beide haben sich als blutzuckersenkend erwiesen und verringern das Risiko für Herz‑ und Nierenerkrankungen. In der Praxis verlassen sich Ärztinnen und Ärzte jedoch oft auf Erfahrung oder Gewohnheit bei der Wahl zwischen ihnen, weil es nur wenige direkte Vergleiche bei realen Patienten gibt und wenig Anleitung dazu, wie persönliche Faktoren wie Gewicht, Krankheitsdauer oder Nierenfunktion die Entscheidung beeinflussen sollten.

Reale Patientendaten in eine intelligente Bewertung verwandeln

Um dieses Problem anzugehen, nutzten die Autorinnen und Autoren Gesundheitsdaten von mehr als 24.000 Erwachsenen in China mit schlecht eingestelltem Typ‑2‑Diabetes, die eines der beiden Medikamente begonnen hatten. Sie wandten ein Machine‑Learning‑Verfahren an, das viele kleine Entscheidungsbäume kombiniert, um Muster zu erkennen, die die Ausgangsmerkmale einer Person mit ihren Blutzuckerwerten nach sechs und zwölf Monaten verknüpfen. Eingeschlossen wurden fünfzehn routinemäßig erhobene klinische Merkmale wie Alter, seit wie vielen Jahren die Diagnose besteht, Body‑Mass‑Index, Ausgangsblutzuckerwerte, Nierenfunktion, Leberenzymwerte, Blutfette und ob andere Diabetes‑Tabletten eingenommen werden. Das Team erstellte für jedes Medikament und für jeden Zeitraum separate Modelle und untersuchte sowohl, ob Patienten ein gängiges Blutzuckerziel erreichten, als auch ihre erwarteten genauen Langzeitwerte.

Ein einfaches Werkzeug zur Empfehlung der besseren Option

Aus diesen Modellen entwickelten die Forschenden einen „Entscheidungs‑Score“, der vergleicht, wie gut jedes Medikament für eine bestimmte Patientin oder einen bestimmten Patienten voraussichtlich wirkt. Der Score verbindet zwei Informationsbausteine: die Wahrscheinlichkeit, das Blutzuckerziel zu erreichen, und den vorhergesagten langfristigen Blutzuckerwert, wobei Vorhersagen, die weiterhin deutlich zu hoch liegen, stärker gewichtet werden. Wenn der Score ein Medikament deutlich favorisiert, empfiehlt das Werkzeug diese Option; sind die vorhergesagten Vorteile ähnlich, bleibt es neutral, sodass Ärztin bzw. Arzt und Patient gemeinsam entscheiden können. Das Werkzeug ist an die Häufigkeit klinischer Nachsorge angepasst: eine sechsmonatige Version für Personen mit regelmäßigerem Follow‑up und eine zwölfmonatige Version für seltener überprüfte Fälle.

Wer von welcher Behandlung mehr profitiert

Als der Score in einer unabhängigen Gruppe von fast 1.500 Patientinnen und Patienten getestet wurde, sagte er die Ergebnisse gut voraus. Insgesamt empfahl er das hormonbasierte Medikament für etwa doppelt so viele Personen wie das nierenorientierte Präparat. Nach sechs Monaten wurden überwiegend schwerere Personen mit höheren Leberenzym‑ und Cholesterinwerten, stärkeren Hinweisen auf erhaltene Insulinproduktion und kürzerer Diabetesdauer eher zur hormonbasierten Option geführt. Nach zwölf Monaten spielten ein höherer Ausgangsblutzucker und ein höheres Körpergewicht eine größere Rolle bei der Empfehlung für dieses Medikament. Messgrößen der Nierenfunktion waren besonders wichtig für das nierenfokussierte Medikament, während der Marker für Insulinproduktion den hormonbasierten Wirkstoff stärker beeinflusste.

Bessere Ergebnisse, wenn das Werkzeug befolgt wird

Entscheidend ist: Menschen, deren tatsächliche Verschreibung mit der Empfehlung des Werkzeugs übereinstimmte, erreichten eine bessere langfristige Blutzuckerkontrolle als diejenigen, deren Behandlung davon abwich. Dieser Vorteil war besonders ausgeprägt bei jüngeren Erwachsenen unter 55 Jahren und bei Männern, was darauf hindeutet, dass eine sorgfältige Abstimmung der Medikamentenwahl auf persönliche Merkmale einen spürbaren Unterschied machen kann, besonders früher im Krankheitsverlauf. Die Forschenden testeten auch Modellvarianten, die Geschlecht, Bildung, Einkommen und einzelne Medikamentenmarken hinzufügten, und stellten fest, dass diese Zusätze die Vorhersageleistung nicht wesentlich verbesserten, was unterstreicht, dass weit verbreitete klinische Messwerte bereits starke Vorhersagekraft besitzen.

Was das für die tägliche Versorgung bedeutet

Für Laien ist die Kernbotschaft einfach: Indem das Tool TiP DecScore aus den Daten von Zehntausenden realer Patientinnen und Patienten lernt, kann es abschätzen, welches von zwei modernen Diabetesmitteln die Blutzuckerwerte einer Person im kommenden Jahr eher unter Kontrolle bringt. Es nutzt dafür Informationen, die Ärztinnen und Ärzte bereits bei Routineterminen erfassen. Zwar ersetzt es nicht die medizinische Einschätzung und berücksichtigt nicht jede denkbare Erwägung, dennoch war seine Anwendung mit besseren Ergebnissen in der Praxis verbunden. Damit stellt es einen Schritt in Richtung personalisierter, evidenzbasierter Therapieentscheidungen dar, die das Leben verbessern und Komplikationen bei Menschen mit Typ‑2‑Diabetes verringern können.

Zitation: Shi, J., Liu, C., Hu, J. et al. A machine learning model for optimizing treatment of patients with poorly controlled type 2 diabetes. Commun Med 6, 165 (2026). https://doi.org/10.1038/s43856-026-01442-8

Schlüsselwörter: Typ‑2‑Diabetes, personalisierte Behandlung, Machine Learning in der Medizin, GLP‑1‑Rezeptoragonisten, SGLT2‑Inhibitoren