KI gegen Typ-2-Diabetes: Was PreDiabeTx kann – und erst noch beweisen muss
PreDiabeTx kombiniert KI, Wearables, textile Sensoren und digitale Begleitung. Was die einmonatige GLOWUP-Studie misst und welche Wirksamkeitsnachweise fehlen.
Das Flagship-Projekt läuft bis 2029 und adressiert ein grosses Präventionsproblem. Noch sind Studienablauf, langfristige Endpunkte, Datenschutz und faire Zugänglichkeit wichtiger als Heilsversprechen.
Was PreDiabeTx bis 2029 entwickeln will
PreDiabeTx ist ein von Innosuisse unterstütztes Flagship-Projekt unter Leitung der Empa. Es startete Ende 2025 und läuft bis Ende 2029. Sieben Forschungsinstitutionen und elf Umsetzungspartner aus Spitälern, Versicherungen, Behörden und Unternehmen sollen digitale Werkzeuge zur Prävention von Typ-2-Diabetes entwickeln. Innosuisse spricht von rund einer halben Million Menschen in der Schweiz, die mit Typ-2-Diabetes leben.
Der Ansatz verbindet mehrere Ebenen: künstliche Intelligenz soll Risiko- und Verhaltensdaten auswerten, digitale Begleitung soll Veränderungen im Alltag unterstützen, Wearables und textile Sensoren sollen Fortschritte erfassen, und neue Finanzierungsmodelle sollen Prävention im Gesundheitssystem tragfähig machen. Dazu kommen Ideen für Unterstützung beim Einkauf und Kochen. Das ist ein Forschungs- und Umsetzungsprogramm, kein bereits zugelassenes Einzelprodukt mit nachgewiesener Wirkung.
Die Projektgrösse ist zugleich Stärke und Herausforderung. Hochschulen bringen Forschung ein, Spitäler klinische Erfahrung, Versicherer Finanzierungswissen und Firmen Technologie. Unterschiedliche Interessen müssen jedoch transparent gemacht werden. Ein gesundheitswirksames Werkzeug, ein verkäufliches Produkt und ein kostensparendes Versicherungsmodell sind nicht automatisch dasselbe Ziel.
Was die GLOWUP-Studie tatsächlich untersucht
Auf der Projektseite werden Teilnehmende für die einmonatige GLOWUP-Studie gesucht. Voraussetzung sind unter anderem ein Alter ab 45 Jahren, ein Body-Mass-Index ab 25, keine Diabetesdiagnose, ein Smartphone und Deutschkenntnisse. Die Teilnehmenden nutzen zwei Wearables und eine App; Blutzucker und Körperzusammensetzung werden vor und nach dem Monat gemessen.
Die Studie soll untersuchen, wie Apps, Smartwatches, Smart Rings oder Fitness-Tracker Lebensstildaten erfassen können, um Prädiabetes früh zu erkennen und ihm vorzubeugen. Ein Monat ist sinnvoll, um Abläufe, Datenqualität, Akzeptanz und kurzfristige Veränderungen zu erproben. Er reicht aber nicht, um die langfristige Verhinderung von Typ-2-Diabetes oder die Wirkung des gesamten Projekts zu beweisen.
| Aussage | Heute belegt? | Welcher Nachweis wäre nötig? |
|---|---|---|
| Wearables erfassen Aktivitäts- und weitere Alltagsdaten. | Grundsätzlich ja; Qualität hängt vom Gerät ab. | Validierung je Messgrösse und Population. |
| Das Projekt kann Risikopersonen erkennen. | Wird untersucht. | Vordefinierte Sensitivität, Spezifität und externe Validierung. |
| Digitale Begleitung verändert Verhalten dauerhaft. | Noch nicht für das Gesamtprogramm gezeigt. | Vergleichsgruppe und längere Nachbeobachtung. |
| Typ-2-Diabetes wird verhindert. | Noch nicht belegt. | Klinische Endpunkte über längere Zeit. |
| Das System spart Kosten. | Ein Projektziel, kein aktuelles Resultat. | Vollständige Gesundheitsökonomie inklusive Betriebskosten. |
Nichtinvasiv heisst nicht direkte Blutzuckermessung
Wearables messen häufig Bewegung, Puls, Schlaf oder Hautsignale. Textile Sensoren können je nach Aufbau zusätzliche physiologische Grössen erfassen. Daraus kann ein Modell Muster ableiten. Das ist aber nicht automatisch eine klinisch zuverlässige, direkte Messung des Blutzuckers. Die GLOWUP-Beschreibung erwähnt separate Blutzuckermessungen vor und nach der Studienphase; sie sollten nicht mit kontinuierlichen Wearable-Schätzungen gleichgesetzt werden.
Für ein Früherkennungssystem zählen zwei Fehlerarten. Ein falsch negatives Resultat könnte einer gefährdeten Person falsche Sicherheit geben. Ein falsch positives Resultat kann Angst, unnötige Untersuchungen und Kosten auslösen. Deshalb braucht ein späterer Risikoscore klare Schwellen, Angaben zur Unsicherheit und einen definierten Weg zur medizinischen Abklärung.
Auch Veränderungen während eines Monats sind schwer zu deuten. Wer weiss, dass er beobachtet wird, bewegt sich möglicherweise mehr. Saison, Krankheit, Arbeitsstress und ein neues Gerät beeinflussen Daten. Ein belastbares Modell muss auf anderen Gruppen und ausserhalb der Entwicklungsumgebung funktionieren, nicht nur im ursprünglichen Datensatz.
Datenschutz ist Teil der medizinischen Qualität
Gesundheits-, Einkaufs-, Bewegungs- und Verhaltensdaten ergeben zusammen ein besonders sensibles Profil. Einwilligung muss daher mehr erklären als eine allgemeine Zustimmung zur Forschung. Teilnehmende sollten wissen, welche Geräte was erfassen, wer Rohdaten und abgeleitete Risikowerte sieht, wie lange Daten gespeichert werden und ob sie für weitere Projekte genutzt werden.
- Datensparsamkeit: nur Variablen erfassen, die eine definierte Frage beantworten.
- Zweckbindung: Forschung, Behandlung und Versicherungsanreiz nicht vermischen.
- Trennung: Identitätsdaten und Analysedaten technisch separieren.
- Widerruf: verständlich erklären, was nach einem Rückzug gelöscht werden kann.
- Zugriff: Rollen, Protokolle und Sicherheitsvorfälle transparent regeln.
- Automatisierte Entscheide: kein Nachteil allein aus einem intransparenten Score.
Gerade die Beteiligung mehrerer Krankenversicherer verlangt klare Grenzen. Ihre Erfahrung kann helfen, Prävention zu finanzieren. Gleichzeitig darf ein Forschungsrisikoscore nicht ohne Rechtsgrundlage und transparente Zustimmung Prämien, Leistungsentscheidungen oder individuelle Nachteile beeinflussen. Vertrauen ist keine Begleitkommunikation, sondern eine Voraussetzung für brauchbare Daten.
Welche Endpunkte bis 2029 überzeugen würden
Das Projekt sollte vorab festlegen, woran Erfolg gemessen wird. Technische Genauigkeit allein reicht nicht. Relevant sind Teilnahme über längere Zeit, Veränderung validierter Risikofaktoren, bestätigte Neuerkrankungen, Lebensqualität, unerwünschte Effekte und Kosten. Ergebnisse müssen nach Alter, Geschlecht, Sprache, Einkommen und digitaler Erfahrung ausgewertet werden, damit ein Durchschnitt keine benachteiligte Gruppe verdeckt.
- Ein öffentlich nachvollziehbares Studienprotokoll mit primären und sekundären Endpunkten.
- Vergleich mit üblicher Versorgung oder einer geeigneten Kontrollgruppe.
- Ausreichend lange Nachbeobachtung nach Ende der digitalen Begleitung.
- Externe Prüfung an Standorten, die nicht an der Entwicklung beteiligt waren.
- Bericht über Abbrüche, fehlende Daten und Nebenwirkungen, nicht nur Erfolgsfälle.
- Gesundheitsökonomische Rechnung inklusive Geräte, Personal, Support und Abklärung.
Ein Beispiel verdeutlicht die Messfrage: Senkt eine App nach zwölf Monaten das durchschnittliche Gewicht, ist das interessant. Entscheidend bleibt, wie viele Personen dabeibleiben, ob Laborwerte und Erkrankungsrisiko sich verbessern und ob der Effekt nach Ende der Betreuung anhält. Ein statistischer Unterschied muss zudem klinisch relevant sein.
Digitale Prävention darf die Risikogruppen nicht verlieren
Eine Studie mit Smartphone, Wearables und deutschsprachiger App erreicht nicht automatisch die ganze Bevölkerung. Menschen mit wenig digitaler Erfahrung, anderen Sprachen, körperlichen Einschränkungen oder knappem Budget können häufiger ausgeschlossen werden. Gerade einige dieser Gruppen tragen ein erhöhtes Risiko und würden von zugänglicher Prävention profitieren. Ein gutes Ergebnis in einer technikaffinen Stichprobe darf deshalb nicht ohne Prüfung übertragen werden.
Das Projekt sollte dokumentieren, wer angesprochen wurde, wer teilnahm und wer abbrach. Geräte müssen auch bei verschiedenen Körpern, Hautbedingungen und Bewegungsmustern ausreichend messen. Übersetzungen, persönliche Begleitung und alternative Zugänge sind keine Komfortextras, wenn das Ziel eine breite Wirkung im Schweizer Gesundheitssystem ist.
Eine wirtschaftliche Evaluation umfasst zudem die Kosten auf Seiten der Teilnehmenden: Zeit, Datenverbindung, Laden und Tragen der Geräte, Wege zu Messungen und mögliche Folgeabklärungen. Nur wenn Nutzen und Aufwand für unterschiedliche Gruppen sichtbar sind, lässt sich beurteilen, ob digitale Prävention gesundheitliche Ungleichheiten verringert oder verstärkt.
Was Betroffene heute daraus ableiten können
PreDiabeTx ersetzt derzeit keine ärztliche Diagnose oder Behandlung. Wer Risikofaktoren oder Symptome hat, sollte sich regulär beraten und untersuchen lassen. Eine Smartwatch kann Bewegung sichtbar machen, aber keine gesicherte Diagnose aussprechen. Auch eine Projektteilnahme ist Forschung und keine Garantie auf persönlichen Nutzen.
Interessierte lesen Einwilligung und Datenschutzunterlagen, fragen nach Rückmeldung auffälliger Messwerte und klären, wer medizinisch verantwortlich ist. Sie sollten auch wissen, ob sie Geräte behalten, welche Kosten entstehen und an wen sie sich bei Beschwerden wenden. Diese Fragen sind kein Misstrauen gegenüber Forschung, sondern gute Studienteilnahme.
Ein vielversprechendes Projekt mit offenem Ergebnis
PreDiabeTx adressiert ein echtes Problem: Prävention scheitert oft nicht am Wissen, sondern an langfristiger Unterstützung, alltagstauglichen Messungen und einer Finanzierung, die Nutzen belohnt. Die Kombination aus Forschung, Versorgung und Umsetzung kann dafür neue Lösungen schaffen.
Die Nachrichtenlage erlaubt aber noch keinen Wirksamkeitsjubel. Das Projekt läuft bis 2029, die einmonatige GLOWUP-Studie prüft einen Teil des Ansatzes, und nichtinvasive Daten sind nicht automatisch klinische Blutzuckerwerte. Entscheidend werden transparente Protokolle, unabhängige Auswertung, Datenschutz und langfristige Endpunkte. Erst dann lässt sich sagen, ob KI nicht nur Daten sammelt, sondern Typ-2-Diabetes messbar verhindert.
Passend dazu weiterlesen
- Apertus 1.5 ist offen – aber wie souverän ist die Schweizer KI wirklich?
- 200 Bundes-Konten kompromittiert: Was der SharePoint-Angriff wirklich zeigt
- Solarwärme bis 150 Grad: Kann der ETH-Prototyp industrielles Prozessgas ersetzen?
