TrialsgramBetaRCTs are beautiful
Ungeprüfte ÜbersetzungDie Deutsche Übersetzung dieses Eintrags wurde nicht fachlich geprüft und kann vom Original abweichen. Akronym, vollständiger Titel und Zitat bleiben stets in der Originalsprache.Originalpublikation öffnen ↗

Nimri AI insulin dosing

Insulin Dose Optimization Using an Automated Artificial Intelligence-Based Decision Support System in Youths with Type 1 Diabetes (ADVICE4U)

Patient / Population Intervention / Exposition Vergleich Endpunkt

Bei 108 Jugendlichen mit Typ-1-Diabetes unter Insulinpumpentherapie war eine KI-gesteuerte Fernanpassung der Insulindosis alle drei Wochen gegenüber der ärztlich gesteuerten Anpassung hinsichtlich der Zeit im Glukose-Zielbereich (70–180 mg/dL).

N
108Patienten
Design
Multizentrische, multinationale Parallelgruppen-Nichtunterlegenheits-RCT, 6 Monate
Endpunkt
Prozentualer Anteil der Zeit im Glukose-Zielbereich 70–180 mg/dL
Relevanz
2Wichtig — eine von mehreren Säulen.
ErgebnisZeit im Zielbereich 50,2 ± 11,1 % vs. 51,6 ± 11,3 % (nicht unterlegen); Messwerte <54 mg/dL 1,3 ± 1,4 % vs. 1,0 ± 0,9 % (nicht unterlegen; p<0,0001). Drei schwere diabetesbezogene unerwünschte Ereignisse (zwei schwere Hypoglykämien, eine DKA) im Arztarm, keines mit dem KI-DSS.
Nimri R, et al. Nat Med. 2020;26(9):1380-1384. 10.1038/s41591-020-1045-7
Diskussion & Kritik

Erste randomisierte Evidenz, dass ein automatisierter Algorithmus Insulinpumpeneinstellungen ebenso gut titrieren kann wie Spezialisten an akademischen Diabeteszentren — das Argument für die Skalierung knapper Expertise. Nichtunterlegenheit gegenüber Experten bei 108 Jugendlichen über sechs Monate; keiner der Arme erreichte die glykämischen Ziele (Zeit im Zielbereich um 50 %), das Tool hielt also mit der Spezialistenversorgung mit, statt sie zu übertreffen.