Einleitung

Allgemeingültige Ernährungsempfehlungen leisten nachweislich einen bedeutenden Beitrag zur Prävention und Therapie ernährungsassoziierter Erkrankungen [1] [2]. Standardisierte Ernährungsempfehlungen sind jedoch in ihrer Wirksamkeit begrenzt. Zahlreiche Untersuchungen deuten darauf hin, dass das ernährungstherapeutische Potenzial dieser standardisierten Ansätze u. a. in der Kontrolle des Cholesterinstoffwechsels, des Blutdrucks, des Körpergewichts sowie der Insulinsensitivität mit Blick auf die durchschnittliche Effektstärke trotz vorhandener Adhärenz zu Ernährungsempfehlungen begrenzt ist [3]. Eine mögliche Erklärung hierfür ist, dass im Rahmen generischer Ernährungskonzepte individuelle physiologische und lebensstilbezogene Faktoren nicht ausreichend berücksichtigt werden. Hierzu gehören beispielsweise genetische Faktoren, die Zusammensetzung des Darmmikrobioms, körperliche Aktivität sowie weitere Umwelt- und Verhaltensparameter, die zusammen Teil der individuellen Stoffwechselreaktion einer Person sind. Durch die Erhebung und Auswertung relevanter physiologischer Messparameter lassen sich Ernährungsempfehlungen zunehmend personalisieren und ihre Wirksamkeit optimieren. Hier setzt das Konzept der personalisierten Ernährung an [4].

Das komplexe und dynamische Zusammenspiel multipler Faktoren als potenziellen Auslöser individueller Nahrungsmittelreaktionen bleibt durch die monodimensionale Betrachtung einzelner Einflussgrößen bislang nur unzureichend erforscht [5] [6]. Zur adäquaten Abbildung dieser Komplexität sind umfangreiche, integrierte Datenmodelle notwendig. Vielversprechend erscheint hier das Modell des digitalen Zwillings – eine virtuelle Kopie der individuellen physiologischen Konstitution. Dieser digitale Zwilling erlaubt es, umfassende und dynamische Profile zu erstellen, indem u. a. Vitalparameter, Umwelteinflüsse und Ernährungsdaten kombiniert werden ([Abb. 1]) [7] [8] [9].

Ansätze der personalisierten Ernährung – Chancen und Grenzen

Genetik

Die Verfügbarkeit genetischer Hochdurchsatztechnologien hat das Feld der personalisierten Ernährung im modernen Sinn beflügelt. Unter der Hypothese, dass die individuelle Stoffwechselreaktion von Menschen genetisch begründet ist, wurden zahlreiche Studien durchgeführt [10] [11] [12]. Positive Beispiele für einen Zusammenhang zwischen Genetik und Stoffwechselreaktion betreffen das LCT-Gen, das für die Synthese des Enzyms Laktase kodiert. Genpolymorphismen bestimmen, ob Laktose auch im Erwachsenenalter vollständig gespalten und abgebaut werden kann. Ein weiteres Beispiel, das den Einfluss unserer Gene auf die individuelle Stoffwechselreaktion zeigt, betrifft das Gen CYP1A2, welches maßgeblich für die Metabolisierung von Koffein verantwortlich ist [11]. Genetische Varianten innerhalb dieses Gens beeinflussen die Geschwindigkeit des Koffeinabbaus und stehen mit einem erhöhten Risiko für Nebenwirkungen wie Hypertonie in Zusammenhang [13]. Vor diesem Hintergrund erscheint eine individuelle Anpassung der Ernährung auf Basis genetischer Einflussfaktoren vielversprechend. Dennoch ist die wissenschaftliche Evidenz für einen gesundheitlichen Nutzen genbasierter Ernährungsempfehlungen bislang begrenzt – insbesondere im Hinblick auf den Cholesterinstoffwechsel, das Körpergewicht, den Blutdruck und die Insulinsensitivität, also jene Faktoren, die maßgeblich zum gesunden Altern beitragen [10]. So zeigte beispielsweise die europäische Food4Me-Studie keinen medizinisch relevanten Informationsgewinn bei der Nutzung genetischer oder phänotypischer Parameter im Rahmen personalisierter Ernährungsempfehlungen [14].

Multiomics

Mit zunehmender Verfügbarkeit weiterer Genomics-Technologie hat man seit etwa 2010 das Konzept der Nutrigenetik ausgebaut. Ein Schwerpunkt hierbei lag auf der Analyse des Darmmikrobioms [10] [15]. So zeigte sich, dass die individuelle Zusammensetzung der intestinalen Mikrobiota nicht nur die Verstoffwechselung verschiedener Nährstoffe beeinflusst, sondern reziprok von der Konstitution der Ernährung in seiner Zusammensetzung und Funktion beeinflusst wird [15].

Ein Beispiel für die Integration mikrobieller Daten in personalisierte Ernährungskonzepte ist ein von Zeevi et al. entwickeltes prädiktives Modell [16]. Dieses maschinelle Lernmodell berücksichtigt neben der postprandialen Glukosereaktion, gemessen mittels kontinuierlichem Glukosemonitoring (CGM), auch anthropometrische Daten, das Ernährungsverhalten, die körperliche Aktivität sowie individuelle Signaturen des Stuhlmikrobioms zur Vorhersage der individuellen postprandialen glykämischen Reaktion (PPGR). Mit diesem integrativen Modell ließen sich in der Studie deutlich präzisere Vorhersagen (R= 0,68–0,70) im Vergleich zur PPGR-Vorhersage basierend auf Kalorienzahl oder Kohlenhydratmenge treffen [16]. Auf diesem Prädiktionsmodell beruhende klinische Proof-of-Concept-Studien führten bei Patientinnen und Patienten mit Prädiabetes und Diabetes mellitus Typ 2 innerhalb von 6 Monaten zu einer signifikanten Senkung postprandialer Glukosespitzen und des HbA1c-Werts im Vergleich zu einer mediterranen Ernährung [17] [18]. Hingegen war dieses Modell im Vergleich zu einer fettreduzierten Diät bei Personen mit Adipositas über den Zeitraum von 6 Monaten nicht überlegen [19]. Ebenfalls nicht erfolgreich war das Prädiktionsmodell in Bezug auf die Senkung des LDL-Cholesterins [17] [18].

CGM-basierte Verfahren

Wie bereits in den Studien von Zeevi et al. und Berry et al. gezeigt, weist die PPGR ein hoch individuelles Muster auf identische Testmahlzeiten bei verschiedenen Personen auf [5] [16]. Berry et al. konnten zeigen, dass dieses individuelle Stoffwechselverhalten durch zahlreiche Einflussgrößen wie die Zusammensetzung der Mahlzeiten und des Darmmikrobioms, Genetik, Alter und die Vormahlzeit bestimmt wird. Doch auch wenn in Summe diese Faktoren eine passable Voraussage der individuellen PPGR ermöglicht, so sind diese Faktoren singulär betrachtet von untergeordneter Prädiktivität [5].

Ein alternativer Ansatz besteht in der Vorhersage der PPGR allein auf Basis einer mehrtägigen CGM-Sensorphase.

Durch die einfache Nutzung der CGM-Sensoren und den Verzicht auf komplexe Laboranalysen zur Bestimmung genetischer und mikrobieller Faktoren ist eine vergleichsweise einfache Implementierung in den Alltag bei gleichzeitig hoher Skalierbarkeit möglich. Auf Basis dieser Daten konnte man prädiktive Modelle entwickeln, die eine individuelle Blutzuckerantwort auf spezifische Mahlzeiten vorhersagen. Im Rahmen digitaler Gesundheitsanwendungen (DiGA) können diese Algorithmen zur Behandlung von Diabetes mellitus Typ 2 und episodischer Migräne eingesetzt werden [20] [21]. Retrospektive Daten zeigen eine Reduktion des HbA1c-Wertes bei Diabetes mellitus Typ 2 um durchschnittlich 0,67% in einem Zeitraum von 3 Monaten. Zudem verbesserten sich weitere Diabetes-assoziierte Parameter wie das Körpergewicht in einem signifikanten Ausmaß [21]. Der Einsatz einer CGM-basierten personalisierten niedrig glykämischen Ernährung bei Betroffenen mit episodischer Migräne führte in Studien im Vergleich zur Nichtanwendung zu einer signifikanten Reduktion von Migränetagen, kopfschmerzbedingter Beeinträchtigung und Medikamentengebrauch [20].

Auch wenn die klinischen Daten vielversprechend sind, beruhen diese Prädiktionsmodelle auf der Integration von Daten, die durch kostenintensive CGM-Sensoren nicht nur aufwendig generiert werden müssen, sondern dabei ausschließlich eine Zielgröße, in diesem Fall die PPGR, berücksichtigen [6]. Um der Komplexität einer ganzheitlich personalisierten Ernährung gerecht zu werden und die Effektstärke entsprechend individualisierten Ernährungsempfehlungen zu steigern, bedarf es unserer Meinung nach nicht nur eines tieferen Verständnisses der Mechanismen hinter unserer interindividuellen Stoffwechselreaktion auf Ernährung, sondern auch der systematischen Integration von mittels körpernaher Sensoren erhobenen Daten. Digitale Instrumente und Algorithmen des maschinellen Lernens könnten hier eine zentrale Rolle einnehmen, indem sie bestehende Datenquellen verknüpfen, Synergien identifizieren und für konkrete Anwendungen nutzbar machen [7].

Digitale Zwillinge als integrativer Ansatz der personalisierten Ernährung

Digitale Zwillinge ermöglichen die umfassende digitale Modellierung individueller Gesundheitsprofile durch die Integration heterogener, dynamisch erhobener Datenquellen [9]. Dadurch können bislang isolierte Ansätze, wie genetische Prädisposition, mikrobiomische Profile oder metabolische Reaktionen, in einem kohärenten Modell synergistisch zusammengeführt werden. Ergänzt werden diese Modelle durch physiologische Vitaldaten, die über Wearables kontinuierlich und nicht-invasiv gemessen werden, sowie verhaltens- und umweltbezogene Informationen. Das Ziel eines digitalen Zwillings im Rahmen der personalisierten Ernährung ist es, die digitale Repräsentation einer Person zu erstellen, die dabei hilft, individuelle Ernährungsempfehlungen zu entwickeln, zu optimieren und kontinuierlich anzupassen [7] [8].

Die Grundlage digitaler Zwillinge bildet die Integration vielfältiger Informationen, darunter:

• medizinische Befunde und Laborparameter
• genetische, metabolische, immunologische und mikrobiomische Daten
• Sensordaten aus Wearables (z. B. Aktivitätsmuster, Schlaf, Herzfrequenz, Glukoseverläufe)
• Ernährungsprotokolle, anthropometrische und metabolische Kennzahlen
• psychologische Profile und Verhaltensmuster, Motivation und Stresslevel
• demografische und umweltbezogene Einflussgrößen ([Abb. 1])

Ein zentraler Vorteil liegt in der kontinuierlichen Aktualisierbarkeit, indem in Echtzeit neue Daten, etwa aus Sensoren oder Laboranalysen, in das Modell einfließen können. Dies bietet die Möglichkeit, dass man Veränderungen des Gesundheitszustands frühzeitig erkennen und Ernährungsempfehlungen dynamisch anpassen kann. Dadurch entsteht keine statische, sondern eine kontinuierlich adaptierte Personalisierung, die flexibel auf individuelle sowie umweltbedingte Veränderungen reagieren und damit präventiv wirken kann [7].

Bedeutend für die Weiterentwicklung digitaler Zwillinge sind die technologischen Fortschritte im Bereich der Wearables und der künstlichen Intelligenz. Moderne Geräte erfassen bereits eine Vielzahl physiologischer Parameter, darunter Herzfrequenz, Bewegungsintensität oder Blutdruck, mit stetig zunehmender Genauigkeit. Besonders relevant ist dabei das passive Tracking, das eine kontinuierliche und lückenlose Datenerhebung im Alltag ermöglicht. Durch die Algorithmen-basierte Verknüpfung multimodaler Sensordaten werden sich zudem zusätzliche Gesundheitsparameter, wie etwa der Blutglukosespiegel, künftig auch ohne invasive Messung ableiten lassen. Eine aktuelle Studie demonstriert, dass mithilfe maschinellen Lernens aus über 15 500 CGM-Messungen und korrespondierenden nicht-invasiven Sensordaten postprandiale Glukoseantworten in Echtzeit vorhergesagt werden können (RMSE: 18,49±0,1 mg/dl; MAPE: 15,58±0,09%) [23].

Ausblick: digitale Zwillinge im Alltag

Obwohl sich die praktische Anwendung digitaler Gesundheitszwillinge im Fall von personalisierter Ernährung derzeit noch in der Entwicklungsphase befindet, zeichnen sich vielversprechende Einsatzmöglichkeiten ab. Beispielsweise wird im Rahmen von Smart-City-Konzepten bereits die Integration digitaler Zwillinge in intelligente Haushaltsinfrastrukturen diskutiert. So könnten Gesundheitsdaten direkt an smarte Küchensysteme – etwa intelligente Kühlschränke oder Kochassistenten – übermittelt und dort verarbeitet werden. Ernährungsempfehlungen ließen sich auf diese Weise nicht nur in Echtzeit generieren, sondern unmittelbar in Form individualisierter, gesundheitsorientierter Mahlzeiten umsetzen [24]. Auch der Einsatz in der digitalen Medizin erscheint vielversprechend, denn digitale Zwillinge könnten im Rahmen von Therapieanwendungen zur Optimierung der Behandlung ernährungs- und stoffwechselbedingter Krankheiten sowie in der Prävention und der Frühintervention zum Einsatz kommen.