Personalisierung des Selbstmanagements bei Diabetes – Pilotstudie

Zunehmende Beweise heben signifikante Unterschiede in der Physiologie und glykämischen Funktion von Individuen und ihren kulturellen, sozialen und wirtschaftlichen Umständen hervor, die sich auf das Diabetes-Selbstmanagement auswirken. Diese Entdeckungen ebneten den Weg für die Präzisionsmedizin – ein Ansatz zur Personalisierung der medizinischen Behandlung an die genetische Ausstattung, die Krankengeschichte und den Lebensstil einer Person. Computergestützte Lernverfahren wurden erfolgreich zur Identifizierung klinischer Phänotypen – beobachtbarer Manifestationen von Krankheiten – eingesetzt. Studien zeigten die Vorteile der Anpassung nicht nur der medizinischen Behandlung, sondern auch von Verhaltensinterventionen; Allerdings stützt sich das Tailoring in der Regel auf die Identifizierung von Tailoring-Variablen und Entscheidungsregeln durch Experten sowie auf Standardumfragen. Mit der Selbstüberwachung gesammelte Daten können das Verhalten und die glykämischen Muster einer Person genauer widerspiegeln und so ihre "Verhaltensphänotypen" hervorheben, aber solche Daten werden selten für die Anpassung verwendet.

Der kontinuierliche Fokus dieser Forschung liegt auf der Erleichterung der Problemlösung im Diabetes-Selbstmanagement. Gut entwickelte Fähigkeiten zur Problemlösung sind für das Diabetes-Management unerlässlich, führen zu einem besseren Diabetes-Selbstversorgungsverhalten, führen zu Verbesserungen der klinischen Ergebnisse und können durch persönliche Interventionen gefördert werden. Frühere Forschungen haben die Problemidentifikation und die Generierung von Alternativen als entscheidende Schritte bei der Problemlösung bei Diabetes vorgeschlagen. In früheren Arbeiten entwickelten die Ermittler eine Informatik-Intervention, die sich auf von Experten generiertes Wissen stützte, um Einzelpersonen bei diesen Schritten der Problemlösung zu unterstützen. In dieser Pilot-Durchführbarkeitsstudie untersuchen die Forscher eine alternative Lösung, die sich auf die Computermusteranalyse von Daten stützt, die mit Selbstüberwachungstechnologien gesammelt wurden, um die Unterstützung bei der Problemlösung auf die einzigartigen Verhaltensphänotypen von Personen zuzuschneiden. Die Intervention GlucoType verwendet computergestützte Lernmethoden, um systematische Muster in der Ernährung, körperlichen Aktivität und im Schlaf von Personen zu identifizieren, die mit maßgeschneiderten und kommerziellen Selbstüberwachungstechnologien erfasst werden, und korreliert diese Muster mit Schwankungen des Blutzuckerspiegels von Personen. GlucoType verwendet diese Informationen dann, um 1) Verhaltensmuster zu identifizieren, die mit hohen glykämischen Abweichungen verbunden sind, 2) personalisierte Ziele zu formulieren, um diese Verhaltensweisen zu ändern, 3) sofortige Entscheidungsunterstützung bereitzustellen, um Einzelpersonen dabei zu helfen, ihre Ziele konsequenter zu erreichen.