Forschende der Cedars-Sinai Health Sciences University haben ein KI-gestütztes Modell entwickelt, das hypoglykämische Ereignisse bei stationären Patientinnen und Patienten bereits bis zu 24 Stunden im Voraus vorhersagt. Die Studie wurde in der Fachzeitschrift npj Digital Medicine veröffentlicht und adressiert ein fundamentales Problem der klinischen Versorgung: Bisherige Maßnahmen gegen einen kritischen Abfall des Blutzuckerspiegels erfolgen typischerweise reaktiv. Das neue System ermöglicht hingegen eine proaktive Intervention, bevor lebensbedrohliche Komplikationen wie Krampfanfälle, Koma oder Herzrhythmusstörungen auftreten. Das zugrunde liegende Long Short-Term Memory-Netzwerk wertet kontinuierlich Daten aus elektronischen Patientenakten aus. Dazu zählen Medikationspläne, Laborwerte, Ernährungsprotokolle sowie weitere klinische Parameter. Die Informationsgewinnung erfolgt in vierstufigen Intervallen über einen Zeitraum von fünf Tagen, woraufhin die Algorithmen das individuelle Risiko für einen Hypoglykämie-Einschlag innerhalb des folgenden Tages berechnen. Die Entwicklung und Validierung stützt sich auf retrospektive Daten von über 143.000 stationären Aufnahmen aus drei Kliniken des Cedars-Sinai Health Systems zwischen 2014 und 2025. Zusätzliche prospektive Tests bestätigten die Vorhersagekraft des Modells in Echtzeitanwendungen. Laut den Studienautorinnen und -autoren, darunter Dr. Roma Gianchandani, PharmD Amanda Momenzadeh und Dr. Jesse Meyer, liefert das System nicht nur Warnungen, sondern identifiziert auch die spezifischen Risikotreiber pro Patient. Dies unterstützt Diabetes-Management-Teams bei der präzisen Steuerung von Therapieprotokollen. Schätzungen zufolge könnte eine flächendeckende Einführung des Tools in einem Großkrankenhaus täglich drei bis vier hypoglykämische Vorfälle verhindern. Die hochgerechneten globalen Auswirkungen auf die Patientensicherheit sind erheblich. Da das KI-Modell ausschließlich auf bereits erfassten Krankenhausdaten basiert, ist die Integration in bestehende klinische IT-Infrastrukturen ohne zusätzlichen Datenerhebungsaufwand möglich. Die Forschenden betonen, dass die Technologie einen Paradigmenwechsel hin zu datengetriebener, präventiver Krankenhausmedizin einleiten könnte, insbesondere für Patientengruppen mit Diabetes, Nüchternheitsphase vor Eingriffen oder kritischer Versorgungslage.