Kontinuierliche Glukosemessgeräte (CGMs) sind längst nicht mehr nur Diabetesgeräte. Sie entwickeln sich zu Gesundheitsdatenströmen, die KI-Systeme nach Mustern, Prognosen und Risikosignalen durchsuchen können.
Dieser Wandel bringt CGM-Daten bereits in Wellness-Apps für Verbraucher, klinische Studien und Technologien für die betriebliche Gesundheitsversorgung. Die stärksten Belege stützen kurzfristige Glukoseprognosen; weitergehende Aussagen über die Diagnose des Gesundheitszustands oder die Erstellung von Nutzerprofilen anhand von Glukosemustern benötigen weiterhin eine stärkere Validierung.
Der Verbrauchermarkt weitete sich aus, nachdem die FDA Dexcoms Stelo im März 2024 als erstes rezeptfreies CGM für Erwachsene ab 18 Jahren zugelassen hatte, die kein Insulin verwenden. Stelo ist nicht für Menschen mit problematischen Hypoglykämien geeignet, da es keine Warnungen vor niedrigen Glukosewerten ausgibt.
Dexcom ergänzte später in diesem Jahr eine KI-Ebene und erklärte im Dezember 2024, dass seine GenAI-Plattform die Modelle Vertex AI und Gemini von Google Cloud nutzen werde, um die wöchentlichen Stelo-Einblicke auf Grundlage von Glukose-, Aktivitäts- und Schlafdaten zu personalisieren.
Von Glukosemesswerten zu KI-Prognosen
Eine Blutzuckermessung in der Klinik erfasst einen Wert zu einem bestimmten Zeitpunkt. Ein CGM erfasst eine Zeitreihe: wie die Glukose nach Mahlzeiten steigt, nach körperlicher Aktivität sinkt, sich über Nacht verändert oder nach schlechtem Schlaf schwankt. Diese Struktur macht CGM-Daten für Sequenzmodelle nützlich, darunter LSTM- und Transformatorsysteme, die in der Forschung zur Glukoseprognose eingesetzt werden, doch das Modell ist nur so zuverlässig wie die Datenpipeline, die es speist.
Diese Modelle können frühere Messwerte, die Änderungsrate, Mahlzeiten, Aktivität, Schlaf und den Kontext der Medikamenteneinnahme nutzen, um Glukoseveränderungen einschließlich gefährlicher Tiefstwerte zu prognostizieren.
Im Januar 2026 führte eine Nature-Studie GluFormer ein, ein Foundation-Modell, das anhand von mehr als 10 Millionen Glukosemessungen von 10.812 Erwachsenen trainiert und in 19 externen Kohorten getestet wurde. Die Studie ergab, dass CGM-Muster einige Prognosen zum Stoffwechselrisiko verbessern konnten, doch handelt es sich weiterhin um Forschungsergebnisse und nicht um eine diagnostische Aussage für Verbraucher.
Die Grenzen glukosebasierter Schlussfolgerungen
CGM-Daten sind nicht mit einer direkten Blutzuckermessung gleichzusetzen. CGMs messen Glukose in der interstitiellen Flüssigkeit – der Flüssigkeit zwischen den Zellen –, die im Allgemeinen dem Blutzucker folgt, aber verzögert oder in einer Weise schwanken kann, die Prognosen beeinflusst.
Produktversprechen müssen diesen Vorbehalt berücksichtigen. Ein Modell, das mit sauberen Forschungsdaten funktioniert, kann sich bei Sensorrauschen, unregelmäßigem Tragen, fehlenden Mahlzeitenprotokollen oder unterrepräsentierten Bevölkerungsgruppen anders verhalten. Bei CGM-KI kann wie bei anderen KI-Projekten in Unternehmen ein Problem der Datenpipeline wie ein Modellproblem aussehen.
Wearables für Verbraucher benötigen eine eigene Schutzvorkehrung. Die FDA warnte 2024 vor Smartwatches und smarten Ringen, die behaupten, Glukose zu messen, ohne die Haut zu durchstechen. Smartwatch-Apps können weiterhin Messwerte anzeigen von autorisierten CGMs, aber die Uhr misst die Glukose nicht selbst.
Die Governance-Risiken gehen über die klinische Genauigkeit hinaus. CGM-Daten können Muster offenlegen, die mit Ernährung, Schlaf, Stress, Aktivität und dem Umgang mit Medikamenten zusammenhängen. In den USA erklärt die FTC, dass viele Gesundheits-Apps und Unternehmen für vernetzte Geräte nicht unter HIPAA fallen, wobei möglicherweise weiterhin andere Verbraucherschutzvorschriften gelten.
Auch die Regulierungsbehörden formalisieren CGM-Daten als Evidenz für Studien. Im Mai 2026 veröffentlichte die FDA Leitlinien zu technischen Spezifikationen für die Einreichung von CGM-Daten aus klinischen Studien zur Unterstützung von Zulassungsanträgen für Arzneimittel und biologische Produkte.
Unternehmen sollten prüfen, ob das Modell anhand von Daten aus der Praxis validiert wurde, ob es um klinische Ergebnisse statt nur um Modellergebnisse geht, wie Daten aufbewahrt oder zum Training verwendet werden und ob das Produkt Wellness-, Entscheidungsunterstützungs- oder regulierte medizinische Aussagen macht. KI-Systeme mit höherem Risiko benötigen außerdem Kontrollen zur Überwachung, für Zugriff, Auditierbarkeit und Abschaltung.
CGM-Daten werden maschinenlesbar, doch der überzeugendste Anwendungsfall bleibt eng begrenzt. Prognosen sind plausibel; eine umfassendere Erstellung von Gesundheitsprofilen benötigt weiterhin stärkere Validierung, repräsentative Daten und eine Governance, die mit der Entwicklung Schritt halten kann.
Lesen Sie auch: KI-Systeme bewegen sich von Dashboards in physische Umgebungen, in denen Sicherheits-, Aufsichts- und Einsatzgrenzen schwerer zu ignorieren sind.