Schlaf- und Temperaturdaten von Wearables unterstützen die nichtinvasive Erkennung von Diabetes mellitus in einer groß angelegten retrospektiven Analyse

Warum Ihr Schlaf und Ihre Körperwärme verborgenen Diabetes verraten könnten

Millionen Menschen leben mit Diabetes, ohne es zu wissen — zum Teil, weil Routineuntersuchungen meist erst stattfinden, wenn Symptome Anlass zur Sorge geben. Diese Studie stellt eine einfache, aber wirkungsvolle Frage: Könnten die Smart-Ringe und -Uhren, die viele Menschen bereits tragen, frühzeitige Zeichen von Diabetes still und leise anzeigen, lange bevor ein Arztbesuch stattfindet? Durch die Analyse von Monaten an Schlaf-, Herz- und Körpertemperaturdaten von Tausenden Freiwilligen zeigen die Forscher, dass gängige Wearables subtile, anhaltende Veränderungen im Körper erfassen können, die stark mit Diabetes verknüpft sind.

Smart-Ringe als Gesundheitsfenster

Das Team nutzte Daten von mehr als 33.000 Personen, die einen verbreiteten Smart-Ring verwendeten, der Herzfrequenz, Herzfrequenzvariabilität, Schlafphasen und die Temperatur an der Fingeroberfläche verfolgt. Unter diesen Nutzern gaben fast 11.000 an, nie mit Diabetes diagnostiziert worden zu sein, während 389 eine Diabetes-Diagnose meldeten. Über mehr als vier Monate im Jahr 2020 zeichnete der Ring auf, wie schnell ihr Herz nachts schlug, wie variabel diese Schläge waren, wie lang und effizient ihr Schlaf war und wie die Fingertemperatur im Tagesverlauf anstieg und fiel. Aus diesen kontinuierlichen Strömen konstruierten die Wissenschaftler 36 nächtliche Messgrößen, die nicht nur einfache Mittelwerte erfassen, sondern auch Tagesrhythmen und die Komplexität der Temperaturveränderungen im Schlaf abbilden sollten.

Verborgene Muster in Schlaf und Körpertemperatur

Beim Vergleich der Gruppen zeigten Personen mit gemeldeter Diabetes-Diagnose durchgängig Unterschiede zu denen ohne Diagnose. Im Mittel hatten sie höhere nächtliche Herzraten, niedrigere Herzfrequenzvariabilität (ein Zeichen für ein weniger flexibles Nervensystem), etwas kürzeren Schlaf und eine geringere Tag–Nacht-Schwankung der Fingertemperatur. Das Team entwickelte zudem fortgeschrittene Temperaturmerkmale, die beschreiben, wie stabil der Temperaturrhythmus über 24 Stunden ist und wie komplex das minütliche Temperaturmuster in der Mitte der Nacht ist. Diese reichhaltigeren Maße erwiesen sich als besonders aussagekräftig und legen nahe, dass Diabetes über viele Nächte hinweg still die Art und Weise verändert, wie der Körper Wärme und Schlaf reguliert — nicht nur in Einzelmessungen.

Algorithmen beibringen, Risiken zu erkennen

Um zu prüfen, ob diese Wearable-Signale tatsächlich Einzelpersonen mit Diabetes unterscheiden können, trainierte das Team Machine-Learning-Modelle auf rollenden Fenstern von 1 bis 21 Nächten an Daten. Die Idee war, dass, wenn Diabetes kleine, aber anhaltende Verschiebungen der Physiologie erzeugt, mehrere Wochen an Messungen diese Verschiebungen deutlicher machen sollten. Genau das fanden sie: Mit nur einer Nacht an Daten erzielte das Modell eine moderate Leistung, doch bei 14 oder 21 Nächten erreichte das beste Modell eine hohe Genauigkeit (ein AUROC von etwa 0,88) und starke Präzision. Mit anderen Worten: Drei Wochen typischen Alltagsgebrauchs reichten aus, damit der Algorithmus Personen mit Diabetes deutlich zuverlässiger von Personen ohne Diabetes trennen konnte als durch Zufall.

Diabetes von anderen chronischen Erkrankungen trennen

Viele chronische Erkrankungen, wie Bluthochdruck oder Schlafapnoe, können ebenfalls Schlaf und Herzmuster stören. Die Forscher sorgten sich, dass ihr Modell möglicherweise einfach „Kranksein“ und nicht Diabetes im Speziellen erkennt. Um das zu testen, untersuchten sie Personen, die angaben, keinen Diabetes zu haben, aber eine andere chronische Erkrankung meldeten. Diese Personen erhielten keine signifikant höheren Diabetes-ähnlichen Scores als Menschen ohne chronische Erkrankungen. Entscheidenderweise wurden Personen mit anderen chronischen Erkrankungen häufiger fälschlich als diabetisch eingestuft, wenn das Team die fortgeschrittenen Temperaturmerkmale aus dem Modell entfernte. Das zeigt, dass detaillierte Körpertemperaturmuster dem System helfen, spezifischer für Diabetes zu sein, anstatt jede Art von Gesundheitsproblem zu markieren.

Was das für die tägliche Gesundheit bedeuten könnte

Abschließend prüften die Autoren, wie gut ihr bestes Modell in einer realistischeren Population arbeiten würde, in der nur eine Minderheit der Menschen Diabetes hat. Selbst in diesem härteren Test, mit tausenden zusätzlichen Nutzern und einer typischen Diabetes-Prävalenz, erkannte das System deutlich mehr Signal als reines Raten. Für Laien ist die Botschaft klar: Wochen an einfachen, passiven Daten von einem Ring oder einer Uhr — wie Sie schlafen, wie sich Ihr Herz nachts verhält und wie Ihre Hauttemperatur ansteigt und fällt — enthalten genug Informationen, um eine Physiologie zu kennzeichnen, die mit Diabetes vereinbar ist. Das ist kein Ersatz für Bluttests, weist aber in eine Zukunft, in der alltägliche Wearables still vorschlagen können, wer früher einen Test aufsuchen sollte, und möglicherweise helfen, chronische Erkrankungen im Hintergrund des Alltags zu überwachen.

Zitation: Viswanath, V.K., Navaneethan, S., Burks, J.H. et al. Sleep and temperature data from wearable devices support noninvasive detection of diabetes mellitus in a large-scale, retrospective analysis. Commun Med 6, 223 (2026). https://doi.org/10.1038/s43856-026-01501-0

Schlüsselwörter: Wearable-Geräte, Schlafmuster, Körpertemperatur, Diabetes-Erkennung, Digitale Gesundheit