Ein Essensfoto lässt sich in Sekunden hochladen. Kurz darauf liefert ChatGPT-4o eine Zahl, die harmlos wirkt – bis jemand daraus seine Insulindosis ableitet. Wie unsicher dieser Schritt sein kann, zeigt eine 2026 veröffentlichte Untersuchung mit 240 Bildern. Bei Obst und Gemüse lagen 93,3 Prozent der geschätzten Kohlenhydratmengen höchstens zehn Gramm über oder unter dem Referenzwert; mit einer Größenreferenz stieg der Anteil auf 95 Prozent. Für zusammengesetzte Mahlzeiten erreichte das System dagegen nur 46,7 Prozent, mit Referenz sogar lediglich 43,3 Prozent. Die Autoren empfehlen deshalb einen vorsichtigen Umgang mit solchen Angaben.
Zwischen dieser Alltagshilfe und einem medizinisch geprüften System, das Sensordaten verarbeitet und die Insulinabgabe beeinflusst, liegt eine folgenreiche Grenze. Am Welt-Diabetes-Tag, dem 14. November 2026, tritt diese Grenze besonders deutlich hervor: Sein Motto lautet „Early action on diabetes“. Laut WHO sind weltweit mehr als 40 Prozent der Menschen mit Diabetes nicht diagnostiziert. Recherchequelle: pubmed.ncbi.nlm.nih.gov
Wie viel Medizin steckt bereits im Algorithmus?
Ein System, das Insulin steuert, ist nicht automatisch generative KI. Sprachmodelle, festgelegte Rechenverfahren und regulierte Medizinprodukte unterscheiden sich grundlegend – auch wenn sie im Alltag unter demselben Schlagwort erscheinen. Automatisierte Insulinabgabesysteme verbinden im Kern drei Komponenten: die kontinuierliche Glukosemessung, eine Insulinpumpe und einen Algorithmus, der die Abgabe anpasst.
Die Versorgungsstandards der American Diabetes Association für 2026 beschreiben, wie solche Systeme den aktuellen Messwert mit seiner erwarteten Richtung und Veränderungsgeschwindigkeit verknüpfen. Je nach Technik wird die Insulinmenge häufig im Abstand von fünf Minuten erhöht, verringert oder vorübergehend ausgesetzt. Bei den dort behandelten Systemen bleibt der Nutzer jedoch eingebunden: Mahlzeiten müssen meist weiterhin eingegeben oder eingeschätzt werden. Für geeignete Patienten mit Typ-1-Diabetes bezeichnet die ADA die automatisierte Insulinabgabe als bevorzugte Methode. Zugleich verlangt ihr Einsatz eine individuelle Auswahl, wiederkehrende Schulung, Unterstützung und Kenntnisse zur Fehlerbehebung.
Auch regulatorisch ist KI in der Medizin längst mehr als ein Etikett. Nach Angaben der FDA waren bis September 2026 mehr als 1.600 KI-gestützte Medizinprodukte für die Vermarktung in den USA autorisiert. Als Anwendungsbeispiele nennt die Behörde Systeme zur Erkennung diabetischer Retinopathie sowie Algorithmen, die mithilfe kontinuierlicher Glukosewerte die Insulindosierung automatisieren. Bei sprachlichen Assistenten sind Aufgabe und Verantwortung weniger leicht zu erkennen. Recherchequelle: pubmed.ncbi.nlm.nih.gov
Was kann ein Diabetes-Chatbot tatsächlich erklären?
Ein Chatbot begegnet dem Nutzer nicht wie ein Medizinprodukt. Er formuliert geduldig, reagiert unmittelbar und übersetzt Fachbegriffe in verständliche Sätze. Darin liegt sein praktischer Reiz – zugleich kann die sprachliche Sicherheit größer wirken als die medizinische Belastbarkeit.
Eine Studie aus dem Jahr 2026 stellte sechs KI-Chatbots fünf Fragen zum Diabetes-Selbstmanagement. Die Themen reichten von Wissen und Diagnose über die Zusammenarbeit bei der Behandlung bis zum Erkennen von Symptomen und zur Bewältigung der Erkrankung. Zwei Experten bewerteten die Antworten. In mehreren Bereichen erschienen die Ausgaben potenziell nützlich; bei Zuverlässigkeit und Wiederholbarkeit zeigten sich jedoch Unterschiede. Wegen der schnellen technischen Entwicklung empfehlen die Autoren fortlaufende fachliche Neubewertungen. Die Ergebnisse beziehen sich auf diese Fragen und die untersuchten Modellversionen, nicht auf Gesundheitsauskünfte insgesamt.
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Eine qualitative Studie von 2025 untersuchte mit 24 Patienten und vier Hausärzten einen eigens entwickelten Diabetes-Chatbot. Von 643 Fragen entfielen 281 beziehungsweise 43,7 Prozent auf persönliche Orientierung, 174 beziehungsweise 27,1 Prozent auf Komplikationen und Begleiterkrankungen sowie 111 beziehungsweise 17,3 Prozent auf Medikamente und Behandlung. Nach Einschätzung der vier Ärzte könnte der Bot vor allem wiederkehrende Informationsfragen übernehmen. Für stärker individualisierte Antworten fehlten ihm jedoch unter anderem aktuelle Patientendaten und ausreichend klinischer Kontext. Die Untersuchung war formativ angelegt und nicht als Nachweis für autonome Therapieentscheidungen konzipiert.
Sprachliche Gewandtheit ersetzt damit noch keine klinische Prüfung. Besonders sensibel wird die Grenze, sobald aus Information eine konkrete Dosisänderung werden soll. Recherchequelle: pubmed.ncbi.nlm.nih.gov
Wann darf Software die Insulindosis verändern?
Wer eine Insulindosis verändert, greift unmittelbar in die Behandlung ein. In den beiden folgenden Studien waren Aufgabe und Dosierungsregeln eng begrenzt; zudem bestanden ärztlich festgelegte Protokolle oder eine ärztliche Bestätigung der Empfehlungen. Die randomisierten Untersuchungen verdeutlichen, unter welchen Bedingungen eine KI solche Anpassungen unterstützen kann.
An vier Einrichtungen der Primärversorgung eines akademischen US-Krankenhauses wurden 32 Erwachsene mit Typ-2-Diabetes acht Wochen lang untersucht. Je 16 Teilnehmer wurden einer von zwei Gruppen zugeteilt: Die eine erhielt die übliche Versorgung, die andere nutzte eine sprachbasierte Anwendung, die das Basalinsulin nach einem zuvor vom Arzt genehmigten Protokoll anpasste. In der KI-Gruppe erreichten 13 Teilnehmer beziehungsweise 81,3 Prozent die definierte Glukosekontrolle; in der Vergleichsgruppe waren es vier oder 25 Prozent. Schwere Unter- oder Überzuckerungen traten während der Studie in keiner Gruppe auf. Wegen der kleinen Stichprobe und des ärztlich vorgegebenen Rahmens lässt sich das Ergebnis jedoch nicht ohne Weiteres auf andere Versorgungssituationen übertragen.
Eine 2025 veröffentlichte Untersuchung nahm einen anderen klinischen Kontext in den Blick. Daran nahmen 149 stationär behandelte Erwachsene mit Typ-2-Diabetes in drei medizinischen Zentren in China teil. Die Teilnehmer wurden randomisiert; 13 schieden vor Abschluss aus. In der Interventionsgruppe berechnete das KI-System über fünf Tage Dosierungsvorschläge, die bei der täglichen Visite von Ärzten geprüft und bestätigt wurden. In der Vergleichsgruppe legten erfahrene Endokrinologen die Dosierung ohne dieses System fest. Für die primäre CGM-Auswertung standen Daten von 74 Teilnehmern der Systemgruppe und 70 der Vergleichsgruppe zur Verfügung. Die mittlere Zeit im Zielbereich von 70 bis 180 Milligramm pro Deziliter lag bei 76,4 Prozent in der Systemgruppe und 73,6 Prozent in der Vergleichsgruppe. Das System erfüllte damit das vorab festgelegte Kriterium der Nichtunterlegenheit; bei unerwünschten Ereignissen zeigte sich kein signifikanter Unterschied.
Beide Befunde stammen aus eng kontrollierten Abläufen. Aussagen über eine unbeaufsichtigte Dosierung zu Hause lassen sich daraus nicht ableiten. Recherchequelle: pmc.ncbi.nlm.nih.gov
Wo beginnt das Risiko einer plausiblen Antwort?
Eine plausible Zahl kann bei Diabetes trügerisch sein. Ob eine KI Kohlenhydrate brauchbar einschätzt, hängt offenbar stark davon ab, was auf dem Bild zu sehen ist. Die untersuchte Auswahl bestand aus 60 Obst- und Gemüsebeispielen sowie 60 zusammengesetzten Mahlzeiten, jeweils fotografiert mit und ohne Größenreferenz. Klar abgrenzbare Einzelprodukte wurden deutlich verlässlicher bewertet als komplexe Gerichte. Wird eine ungenaue Schätzung ungeprüft für die Insulinberechnung verwendet, kann daraus eine zu hohe oder zu niedrige Dosis folgen. Die Autoren empfehlen Jugendlichen mit Typ-1-Diabetes daher einen vorsichtigen Umgang mit solchen Angaben. Der begrenzte Bildersatz deckt zudem nicht die gesamte Vielfalt realer Mahlzeiten ab.
Eine andere Strategie setzt nicht auf möglichst weitreichende Empfehlungen, sondern auf eine eng umrissene Aufgabe. In einer weiteren Studie von 2026 bewerteten sechs erfahrene britische Diabetesärzte insgesamt 288 Antworten, die anhand von zwölf konstruierten Fällen von einem Sprachassistenten und von Ärzten erstellt worden waren. Geprüft wurde kein digitaler Therapeut, sondern ein Erklärsystem für CGM-Daten. Es sollte kontinuierlich gemessene Glukoseverläufe verständlich erläutern, jedoch keine individuellen Änderungen an Medikamenten, Dosen oder Behandlungsschemata empfehlen. In den zwölf simulierten Fällen bewerteten die Ärzte seine Antworten im Durchschnitt besser als die Vergleichstexte ihrer Kollegen. Die Aussagekraft bleibt dennoch begrenzt: Grundlage waren Fallvignetten und eingeschränkte Datensätze, zudem bestand das Gutachtergremium nur aus sechs Ärzten. Ob sich das System für autonome Therapieentscheidungen oder einen unbeaufsichtigten Einsatz im Alltag eignet, lässt sich daraus nicht ableiten.
Nicht die sprachlich überzeugendste Antwort ist somit automatisch die sicherste. Mehr Aussagekraft haben ein klarer Zweck, erkennbare Grenzen und ein nachvollziehbares Prüfverfahren. Recherchequelle: pubmed.ncbi.nlm.nih.gov
Woran erkennt der Nutzer geprüfte Hilfe?
Die Bezeichnung KI sagt für sich genommen wenig über medizinische Qualität aus. Für die regulatorische Einordnung sind vielmehr der vorgesehene Zweck, die konkrete Funktion und das damit verbundene Risiko maßgeblich. In den USA reguliert die FDA nach eigener Darstellung nicht KI als eigenständige Technik, sondern Medizinprodukte einschließlich KI-gestützter Software. Darunter können Systeme fallen, die zur Diagnose, Behandlung, Linderung oder Vorbeugung einer Krankheit bestimmt sind. Je nach Produkt kommen unterschiedliche Prüf- und Freigabeverfahren infrage. Auch nachträgliche Änderungen an bereits autorisierter Software können erneut geprüft werden, wenn sie Sicherheit oder Wirksamkeit wesentlich beeinflussen.
Für Deutschland bietet das Verzeichnis digitaler Gesundheitsanwendungen des Bundesinstituts für Arzneimittel und Medizinprodukte einen eigenen Prüfrahmen. Die Aufnahme in dieses Verzeichnis besagt für sich genommen nicht, dass eine Anwendung KI verwendet. Nach Angaben des BfArM werden im Verfahren jedoch Herstellerinformationen zu Sicherheit, Leistung, Datenschutz, medizinischer Qualität und Interoperabilität sowie wissenschaftliche Nachweise für einen positiven Versorgungseffekt geprüft. Diese Anforderungen beziehen sich auf das deutsche DiGA-Verfahren und lassen sich nicht pauschal auf andere Gesundheits-Apps übertragen.
Für den Nutzer helfen vier Fragen weiter: Für welche Aufgabe und Patientengruppe wurde das System geprüft? Informiert es, oder beeinflusst es die Behandlung? Wie geht es mit widersprüchlichen Daten und technischen Ausfällen um? Und wer trägt die Verantwortung für eine konkrete Entscheidung? Die Antworten markieren, wie viel Vertrauen angemessen ist – und an welcher Stelle menschliche Aufsicht unverzichtbar bleibt. Recherchequelle: bfarm.de
Welche Rolle bleibt dem Menschen?
Frühes Handeln, das Motto des Welt-Diabetes-Tags 2026, erschöpft sich nicht in einer schnellen Diagnose. Die WHO verbindet es ebenso mit dem Zugang zu umfassender und kontinuierlicher Versorgung sowie mit weniger Stigmatisierung. Aus Sicht der WHO ist Früherkennung daher nur der erste Schritt. Danach müssen eine erreichbare und bezahlbare Behandlung sowie dauerhafte Unterstützung zur Verfügung stehen.
KI kann dabei Informationen ordnen, Glukoseverläufe erläutern oder innerhalb geprüfter Grenzen Berechnungen unterstützen. Die Versorgungsstandards der American Diabetes Association machen ihren Nutzen jedoch nicht allein an der Technik fest. Sie verknüpfen den Einsatz von Diabetes-Systemen mit Schulung, Nachsorge, erforderlicher medikamentöser Behandlung und fortlaufender Unterstützung. Zugleich halten sie fest, dass die derzeit verfügbaren Technologien dem Patienten nicht sämtliche Aufgaben des Selbstmanagements abnehmen.
Unterstützung ist durch ein eng begrenztes System dort möglich, wo Aufgabe, Datenbasis und Grenzen überprüft sind. Für Änderungen an der Insulindosis genügt das nicht. Sie setzen darüber hinaus validierte Verfahren und ausreichenden klinischen Kontext voraus; außerdem muss eindeutig feststehen, wer die Verantwortung trägt.
Zwischen dem Foto einer Mahlzeit und der Steuerung einer Insulinpumpe liegen deshalb nicht bloß Rechenschritte. Dazwischen stehen klinische Prüfung und Aufsicht – besonders für den Moment, in dem eine überzeugend formulierte Antwort falsch sein könnte. Je unmittelbarer KI eine Behandlung beeinflusst, desto klarer muss festgelegt sein, wann der Mensch prüft, entscheidet und eingreift.
Weiterführende Informationen
Quellenhinweis: Einzelne Fakten, Einschätzungen und Prognosen dieses Beitrags stützen sich auf Veröffentlichungen der nachfolgend genannten Unternehmen und Institutionen. Die Links dienen zugleich der weiterführenden Information.
Klinikum Landkreis Tuttlingen – Kann künstliche Intelligenz auch Kalorien zählen?
Die klinische Untersuchung zeigt, wie fehlerhafte Kohlenhydratschätzungen aus Mahlzeitenfotos zu überhöhten Insulindosen und gefährlichen Unterzuckerungen führen können.
https://www.klinikum-tut.de/aktuelles/news/kann-kuenstliche-intelligenz-auch-kalorien-zaehlen/
ARZT & WIRTSCHAFT – Schnellere Insulineinstellung dank sprachbasierter KI
Der Fachbeitrag erläutert eine kontrollierte Studie zur KI-gestützten Basalinsulin-Titration nach einem individuell vom behandelnden Arzt festgelegten Protokoll.
https://www.arzt-wirtschaft.de/digital-health/schnellere-insulineinstellung-dank-sprachbasierter-ki
Bundesgesundheitsblatt – Regulatorische Einordnung KI-basierter Produkte für die medizinische Anwendung auf Basis von EU AI Act und MDR/IVDR
Der Fachaufsatz erklärt anhand von Zweckbestimmung, Risikoklasse und Produkteigenschaften, wie KI-Software regulatorisch eingeordnet und von allgemeinen Gesundheitsanwendungen abgegrenzt wird.
https://link.springer.com/article/10.1007/s00103-025-04091-9



