Project Description

Die Arbeitsgruppe von Dr. Stephan Weibelzahl an der PFH Private Hochschule Göttingen entwickelt das adaptive, lernende System „GlycoRec“, das Diabetespatienten im Alltag helfen soll, komplexe Entscheidungen zu treffen und Vorsätze tatsächlich umzusetzen.

Interaktives Bio-Life-Logging

Die meisten Patienten, die Diabetes mit Insulin behandeln, durchlaufen mehrmals täglich dieselbe Routine: Sie überwachen ihren aktuellen Blutzuckerspiegel mit einem Glukometer, sie schätzen ihre Kohlenhydrataufnahme, sie berechnen die benötigte Insulindosis und injizieren eine angemessene Menge. Es gibt bereits mobile Apps, die diesen Ablauf unterstützen. Um Diabetes optimal zu managen und Folgerisiken wie Gefäßveränderungen, Gewebsnekrose und Herz-Kreislauf-Erkrankungen zu minimieren, ist es überaus hilfreich, wenn Patienten ihren Tagesrhythmus und ihre körperlichen Reaktionsmuster gut kennen und aktiv beeinflussen können. Zwar sind allgemeine Muster bekannt, jedoch reagieren Patienten auf Basis ihres Alters, ihres Geschlechts, ihrer Kondition und Konstitution individuell unterschiedlich.

Das Monitoring von GlycoRec, auch interaktives Bio-Life-Logging genannt, soll mehr Transparenz schaffen und Unsicherheiten der Diabetespatienten im alltäglichen Umgang mit ihrer Erkrankung reduzieren. Die Bezeichnung GlycoRec setzt sich zusammen aus „Glycose“ und „Recommendation“ (engl. Empfehlung). Im Tagesverlauf erfassen das Smartphone, eine Smartwatch und ein digital vernetzter Insulinpen eine Reihe von Patientendaten. Die Schnittstelle mit dem Tablet oder SmartTV bietet eine Übersicht der aufgezeichneten Daten. Persönliche Verhaltens- und Reaktionsmuster werden dokumentiert, die erfassten Daten können überprüft, korrigiert und mit Ärzten und Pflegepersonal geteilt werden.

Alle Bestandteile des Systems, die direkt zur Behandlung von Patienten eingesetzt werden, gelten als Medizinprodukte bzw. -geräte und unterliegen den Vorgaben von ISO 13485. Neben einer umfassenden Patientenbefragung, Leitfadeninterviews mit Diabetes-Experten und der Entwicklung von modellhaften Patiententypen (Abb. 1) befasst sich die Arbeitsgruppe von Dr. Weibelzahl mit der Frage, ob es möglich ist, Patienten schnelle und verlässliche Ernährungsempfehlungen im Alltag zu geben: Wie viele Kohlenhydrate enthält das Thai-Curry auf der Speisekarte im Restaurant? Welches Online-Rezept passt am besten zu meinen Ernährungsvorgaben und zu meinem persönlichen Geschmack?

Abb. 1: Vereinfachte Beispiele für Patiententypen

Kartoffelsalat, Käsekuchen und Lasagne

Als ersten Schritt zur personalisierten Ernährungsberatung hat die Forschungsgruppe die Datensätze der deutschen Rezept-Webseite kochbar.de analysiert (3, 4). Auf dieser Webseite wurden bis zum Antragsjahr des Projekts 400.000 Rezepte veröffentlicht und über 200.000 Benutzer hinterließen insgesamt 2,7 Mio. Kommentare und 7,7 Mio. Bewertungen. Grundannahme dieser Untersuchung war, dass es möglich ist, den Nährwert bestimmter Gerichte auf der Grundlage der mit diesen Gerichten assoziierten Online-Rezepte zu bestimmen. Zudem ließen die Daten der aktiven User Rückschlüsse auf Alter, Geschlecht und Einschränkungen der Ernährung – wie z.B. auch Diabetes – zu, sodass auch diesbezügliche Unterschiede ausgewertet werden konnten.

Es zeigte sich, dass die Verwendung von Kohlenhydraten mit zunehmendem Alter signifikant abnahm (F = 152, p < 0.01) und Rezepte weiblicher User signifikant höhere Kohlenhydratanteile hatten als die der männlichen User (t = 52,108, p < 0,01). Dies hängt auch mit der Tatsache zusammen, dass die männlichen User im Durchschnitt älter sind (50,9 Jahre) als die weiblichen User (43,8 Jahre). Rezepte von Personen, die sich selbst als Diabetiker/innen bezeichnen (insgesamt 65 User mit einem höheren Anteil männlicher Patienten) weisen einen geringeren Fettgehalt auf (t = -2,9991, p < 0,01) und enthalten deutlich mehr Proteine als Rezepte anderer User (t = 5,629, p < 0,01). Dies entspricht den Empfehlungen von Experten und Informationszentren für Diabetespatient/innen.

Abb. 2: Inhalte von Online-Rezepten verschiedener Benutzergruppen im Vergleich

Zudem identifizierte das Team die 200 am häufigsten gesuchten Malzeiten auf Basis der im Rezepttitel enthaltenen Wörter. Die Top-10 dieser so genannten „kanonischen Malzeiten“ weisen zwischen 1.085 und 1.812 Rezeptvariationen auf. Um herauszufinden in welchem Ausmaß die Variationen kanonischer Malzeiten im Nährwert abweichen, wählten die Forscher/innen drei verschiedene, repräsentative Malzeiten aus – Kartoffelsalat, Käsekuchen und Lasagne – und berechneten deren Mittelwerte und Standardabweichungen (Abb. 3). Zudem wurde analysiert, welche Zutaten signifikant häufig in Rezepten vorkommen, die einen hohen bzw. niedrigen Wert an Kohlenhydraten, Proteinen, Fett und Kalorien haben. Die Ergebnisse dieser ersten Untersuchungen bestätigten die Möglichkeit, die Essgewohnheiten unterschiedlicher Benutzergruppen und die Nährwerte von Gerichten auf der Basis von Online-Rezeptdatenbanken vorherzusagen. Auf dieser Grundlage sollen in der nächsten Projektphase verstärkt Patienten in die Entwicklung von GlycoRec einbezogen und praktikable Wege erkundet werden, wie Zusammensetzung und Nährwert von Speisen, die man nicht selbst hergestellt hat, interaktiv und treffsicher geschätzt werden können.

Abb. 3: Mittelwerte und Standardabweichung im Gehalt von Kohlenhydraten, Fett, Proteinen und Kalorien von Online-Rezepten für Kartoffelsalat, Käsekuchen und Lasagne

Blutzucker-Modellierung und Notification-System

Zudem entwickelte die Arbeitsgruppe ein System, das den Blutzuckerverlauf modellieren und eine Vorhersage berechnen kann. Hierfür wurden historische Datensätze von 255 Patienten inklusive erfasster Blutzucker- und Insulinwerte, konsumierter Broteinheiten und Angaben zu Bewegung und Tagesrhythmus. Es stellte sich heraus, dass Blutzuckerwerte einige allgemeine Trends zeigen, die für alle Patienten zutreffen, aber dass es auch große individuelle Unterschiede gibt, die oft mit unterschiedlichen Tagesabläufen zusammenhängen. Für eine bessere Einsicht in die Zusammenhänge zwischen Blutzuckerwerten, Insulinbenutzung, Ernährung und Bewegung wurde ein weiterer integrierter Datensatz erhoben. Basierend darauf wurden mehrere Modelle zur Vorhersage des Blutzuckerwertes erstellt und getestet. Am geeignetsten stellten sich Varianten von Random Forst Regressionsverfahren heraus, bei denen vergangene Werte und Kontext in Merkmalsvektoren abgebildet wurden. Das patientenindividuelle Vorhersagemodell wird auf Basis der verfügbaren Trainingsdaten periodisch neu gelernt und evaluiert.

Ein zentraler Aspekt des GlycoRec-Projekts war die Entwicklung eines personalisierten, kontextabhängigen Nachrichtensystems, welches aus diversen Input-Daten anwendungsspezifische Empfehlungen, wie die oben beschriebene personalisierte Ernährungsberatung, generiert. Um dem Patienten zielgerichtete, individuelle Empfehlungen geben zu können, wurde zunächst eine Liste von knapp 100 Parametern definiert, die entweder automatisch gesammelt werden (z.B. zuletzt gemessener Blutzuckerwert), die aus vorhandenen Daten modelliert werden können (z.B. aktueller Blutglukosewert) oder die von Patienten manuell eingegeben werden (z.B. Anzahl der Broteinheiten der letzten Mahlzeit). Diese Parameter wurden als Grundlage für ein komplexes Auswahlsystem von personalisierten Empfehlungen verwendet. Das Auswahlsystem berücksichtigt als Komponenten die individuell gewählten Zielgewichtungen, ein datengetriebenes Auslöser-System, Refraktärzeiten, einen Zuträglichkeits-Score, einen Prioritäts-Score sowie eine Auswahl nach Benachrichtigungsart. Die Benachrichtigungen sind in vier Arten aufgeteilt: Warnungen, Empfehlungen, Feedback und Tipps. Warnungen sind Benachrichtigungen, die in akuten, potentiell für den Patienten gefährlichen Situationen, ausgegeben werden. Empfehlungen haben einen allgemeinen Charakter und dienen der Prävention von Warnungen. Feedback Nachrichten werden aus Daten, über einen längeren Zeitraum generiert. Beispielsweise lobt oder tadelt das System bei guten oder schlechten Verhaltensweisen. Tipps dienen in erster Linie der Kompetenzsteigerung des Patienten.

Um die Benutzerfreundlichkeit des GlycoRec System zu untersuchen wurde eine Benutzerstudie mit Diabetes-Patienten durchgeführt. Die Gesamtbewertung des GlycoRec System fällt positiv aus, vor allem wird es als „leicht zu lernen“ und als „motivierendes“ Produkt betrachtet. Die Teilnehmer würden mit großer Mehrheit das System anderen Patienten mit Diabetes empfehlen und empfinden, dass GlycoRec ihnen bewusster macht, welche Handlungsmöglichkeiten sie beim Diabetes-Management besitzen. Durch eine Bewusstmachung der Handlungsmöglichkeiten wird eine Steigerung der Kompetenz des Patienten erreicht, was ein entscheidender Faktor für eine erfolgreiche Diabetestherapie ist.

Referenzverzeichnis

(1) Shi, Y., & Hu, F. B. (2014). The global implications of diabetes and cancer. The Lancet, 383 (9933), 1947|1948. doi: 10.1016/S0140-6736(14)60886-2
(2) Kusmierczyk, T., Trattner, C., & Norvag, K. (2015). Temporal patterns in online food innovation. In 5th temporal web analytics workshop (tempweb) at www 2015.
(3) Rokicki, M., Herder, E., & Demidova, E. (2015). What’s on my plate: Towards recommending recipe variations for diabetes patients. In Extended proc. user modeling, adaptation and personalization – umap 2015.

Projektdetails

Dieser Blick in die Forschung basiert auf den ersten Ergebnissen des Forschungsprojektes „GlycoRec“, das vom Bundesministerium für Bildung und Forschung gefördert wird. Antragsteller und Koordinator des Projektes ist Prof. Dr. Stephan Weibelzahl, Professor für Wirtschaftspsychologie an der PFH. Er und sein Team sind für die Entwicklung der Interaktivität und Benutzeroberfläche verantwortlich. Technologiepartner des Projektes ist die Emperra E-Health Technologies aus Potsdam, welche die Server-Infrastruktur für eine zentrale Datenbank sowie einen Teil der Sensorik-Hardware beisteuert. Die Ostbayerische Technische Hochschule Amberg-Weiden entwickelt und erprobt neuartige Sensorik im Hinblick auf deren Nutzen für die Datenmodellierung. Das L3S Forschungszentrum an der Leibniz-Universität Hannover arbeitet an Algorithmen zur automatischen Analyse der Patientendaten. Das Deutsche Diabetes Zentrum schließlich als Anwendungspartner stellt den Zugang zu Patienten und damit eine Relevanzabschätzung sicher.

Zurück zum Innovationspool

Ihr Kontakt

Prof. Dr. Stephan WeibelzahlPFH
Wirtschaftspsychologie
055154700431