CGM: Was deine Blutzuckerkurve verrät – und was nicht
Kontinuierliche Glukosemessung ist längst nicht mehr nur ein Thema für Menschen mit Diabetes. Auch Biohacker und gesundheitsbewusste Menschen nutzen CGM, um ihren Stoffwechsel besser zu verstehen. Aber wie zuverlässig sind die Daten? Und können wir daraus tatsächlich eine Insulinresistenz erkennen?
CGM misst nicht direkt deinen Blutzucker
Ein CGM (Continuous Glucose Monitoring) misst die Glukosekonzentration in der Gewebeflüssigkeit, nicht direkt im Blut.
Die Messung erfolgt über einen kleinen Sensor im Unterhautfettgewebe. Dabei entsteht ein elektrochemisches Signal, aus dem ein Algorithmus den Glukosewert berechnet.
Bei schnellen Veränderungen kann die Gewebeglukose dem Blutzucker zeitlich hinterherlaufen. Hinzu kommen technische Messungenauigkeiten.
Ein CGM liefert also wertvolle Informationen über den Glukoseverlauf – aber keine fehlerfreie Abbildung des Blutzuckers.
Warum ich CGM in meiner Beratung nutze
Menschen reagieren unterschiedlich auf dieselben Lebensmittel.
Eine Portion Reis, Haferflocken oder ein Stück Kuchen kann bei verschiedenen Personen sehr unterschiedliche Glukoseverläufe auslösen.
Auch beliebte Blutzucker-Hacks – etwa Gemüse vor Kohlenhydraten zu essen oder nach der Mahlzeit spazieren zu gehen – wirken nicht bei jedem gleich.
Deshalb nutze ich CGM gerne in meiner Ernährungsberatung.
Mich interessieren weniger einzelne Glukosespitzen als vielmehr individuelle Muster:
Wie reagiert jemand auf bestimmte Mahlzeiten?
Welchen Einfluss haben Bewegung, Schlaf und Stress?
Wie schnell kehrt die Glukose zum Ausgangswert zurück?
Stimmen die gemessenen Veränderungen mit dem eigenen Energiegefühl, Hunger oder Müdigkeit überein?
Das Ziel ist nicht die perfekte Glukosekurve, sondern bessere Entscheidungen für die langfristige Gesundheit.
Stanford-Forschung: Insulinresistenz an CGM-Kurven erkennen?
Besonders spannend finde ich die Arbeiten von Professor Michael Snyder und seinem Team an der Stanford University.
Die Forschenden untersuchten, ob sich anhand standardisierter Glukosekurven unterschiedliche metabolische Funktionsstörungen erkennen lassen.
Dabei betrachteten sie vier sogenannte Subphänotypen:
Muskelinsulinresistenz: Die Muskulatur reagiert vermindert auf Insulin.
Hepatische Insulinresistenz: Die Leber reguliert ihre Glukoseproduktion nicht ausreichend.
Betazelldysfunktion: Die Insulinsekretion der Bauchspeicheldrüse ist beeinträchtigt.
Beeinträchtigte Inkretinwirkung: Die hormonelle Unterstützung der Insulinsekretion durch den Darm funktioniert nicht optimal.
Die letzten beiden Mechanismen sind keine Insulinresistenz im engeren Sinne.
Mithilfe von Machine Learning analysierte das Team Glukosekurven aus standardisierten oralen Glukosetoleranztests (OGTT).
Die Ergebnisse waren vielversprechend: Die Form und der zeitliche Verlauf der Glukosekurven enthielten Informationen, die Rückschlüsse auf bestimmte metabolische Funktionsstörungen ermöglichten.
Eine weitere Stanford-Studie aus dem Jahr 2025 zeigte zudem unterschiedliche Glukosereaktionen auf Reis, Kartoffeln und Trauben in Abhängigkeit von individuellen Stoffwechseleigenschaften.
Das könnte für eine personalisierte Ernährung und Prävention hochinteressant werden.
Allerdings ist die Methode noch experimentell. Aus einer gewöhnlichen CGM-Alltagskurve lässt sich heute keine bestimmte Form der Insulinresistenz zuverlässig diagnostizieren.
Mein Experiment: Wie gut funktioniert die Mustererkennung wirklich?
Ich wollte wissen, wie weit diese Forschung bereits in der Praxis trägt.
Snyder und seine Kollegen haben Forschungssoftware und Daten auf GitHub veröffentlicht. Diese habe ich genutzt, um mithilfe von Agentic Coding einen eigenen Prototypen zu entwickeln.
Anschließend habe ich exportierte Glukosekurven eines FreeStyle Libre 3 mit den verfügbaren Referenzdaten verglichen.
Das Ergebnis war spannend – aber auch ernüchternd.
Bei meinen untersuchten Datensätzen war die Übereinstimmung teilweise wenig aussagekräftig. Einzelne Kurven zeigten gleichzeitig Ähnlichkeiten mit widersprüchlichen metabolischen Profilen.
Beispielsweise ergaben sich sowohl Hinweise auf eine Betazelldysfunktion als auch Ähnlichkeiten mit einem unauffälligen Betazellprofil.
Die Ergebnisse ließen keine belastbare Zuordnung zu.
Wichtig: Mein Prototyp war ein explorativer Versuch und keine unabhängige Validierung des Stanford-Modells. Die beobachteten Widersprüche lassen deshalb keine Aussage über die tatsächliche diagnostische Genauigkeit des Originalverfahrens zu und nutzten nur einen beispielhaften Datensatz.
Was ich stattdessen untersuche
Ich habe deshalb auch einfachere, nachvollziehbare Kennwerte betrachtet:
Glukoseanstieg: Wie stark steigt die Glukose nach einer Mahlzeit?
Gradient: Wie schnell erfolgt dieser Anstieg?
Rückkehr zur Baseline: Wie lange dauert es, bis der Ausgangswert wieder erreicht wird?
Diese Informationen lassen sich mit einem Ernährungstagebuch auf Basis von Fotos sowie Angaben zu Bewegung, Stress und Schlaf kombinieren.
So entstehen Hinweise auf individuelle Muster.
Diese bespreche ich mit meinen Klienten und gleiche sie mit deren persönlichem Erleben ab.
Denn für mich ist entscheidend, ob sich aus den Daten tatsächlich sinnvolle Veränderungen für den Alltag ableiten lassen.
Nicht ein Machine-Learning-Modell soll entscheiden, was gesund ist. Die Daten sollen helfen, den eigenen Stoffwechsel besser zu verstehen.
Blutzucker ist nur ein Teil der Geschichte
Ein weiterer wichtiger Punkt: Ein CGM misst Glukose, aber kein Insulin.
Für ein umfassenderes Verständnis des Glukosestoffwechsels ist jedoch das Zusammenspiel beider Größen entscheidend.
Nüchternglukose und HbA1c liefern eine wichtige Basis. Ergänzend können beispielsweise Nüchterninsulin und der daraus berechnete HOMA-IR Hinweise auf eine Insulinresistenz geben.
In bestimmten Fragestellungen kann auch die Bestimmung von intaktem Proinsulin zusätzliche Informationen zur Betazellfunktion liefern.
Diese Laborparameter haben jeweils eigene Grenzen und müssen im klinischen Zusammenhang interpretiert werden.
Eine CGM-Kurve allein kann diese Informationen nicht ersetzen.
Vorsicht: Wenn der Sensor falsch misst
Ein weiterer Punkt wird beim CGM-Hype häufig unterschätzt: Sensoren können falsche Werte anzeigen.
1. Interferenzen
Professor Andreas Pfützner und Kollegen haben untersucht, wie verschiedene Substanzen die Messung von CGM-Systemen beeinflussen können.
Beispielsweise kann hoch dosiertes Vitamin C bei bestimmten FreeStyle-Libre-Systemen falsch erhöhte Werte verursachen.
Auch Medikamente wie Paracetamol können abhängig vom Sensorsystem und der Dosierung eine Rolle spielen.
Die tatsächliche Glukosekonzentration muss sich dabei nicht entsprechend verändert haben.
2. Nächtliche Unterzuckerung – oder nur auf dem Sensor gelegen?
Ein abrupter Glukoseabfall während der Nacht kann durch Druck auf den Sensor entstehen.
Dieses Phänomen nennt sich Compression Low.
Der Sensor zeigt dann möglicherweise eine Unterzuckerung an, obwohl keine entsprechende Absenkung der Blutglukose vorliegt.
Natürlich dürfen echte Unterzuckerungen nicht ignoriert werden. Bei Symptomen oder medizinisch relevanten Werten ist eine geeignete Kontrolle wichtig.
3. Messungenauigkeit
CGM-Systeme werden häufig anhand des MARD-Wertes bewertet (Mean Absolute Relative Difference). Er beschreibt die durchschnittliche absolute prozentuale Abweichung gegenüber einer Referenzmessung.
Wichtig: Ein MARD von beispielsweise 8 % bedeutet nicht, dass jede Einzelmessung maximal 8 % vom tatsächlichen Wert abweicht.
Einzelne Abweichungen können deutlich größer ausfallen.
Deshalb sollte man kleine Unterschiede zwischen einzelnen Mahlzeiten nicht überinterpretieren.
Ein Glukosewert von 140 mg/dl gestern und 135 mg/dl heute ist noch kein Beleg dafür, dass eine Ernährungsstrategie besser funktioniert.
Mein Fazit: CGM ja – aber mit Verstand
Ich halte CGM für ein spannendes Werkzeug, auch bei stoffwechselgesunden Menschen.
Es kann helfen, individuelle Reaktionen sichtbar zu machen und Veränderungen im Alltag bewusster zu untersuchen.
Die Stanford-Forschung eröffnet interessante Perspektiven für eine personalisierte Stoffwechselanalyse. Aber wir stehen hier noch am Anfang.
Gleichzeitig müssen wir die technischen Grenzen der Sensoren berücksichtigen.
CGM wurde vor allem für Menschen mit Diabetes entwickelt und dort klinisch untersucht. Ob der routinemäßige Einsatz bei gesunden Menschen langfristig einen gesundheitlichen Zusatznutzen bringt, ist bisher nicht ausreichend belegt.
Meine Empfehlung: Nutze CGM, um Muster zu erkennen – nicht um jede Blutzuckerspitze zu vermeiden.
Verknüpfe die Daten mit Ernährung, Bewegung, Schlaf und deinem persönlichen Befinden.
Und lass dich nicht von jeder Zacke in deiner Kurve verrückt machen.
Denn das Ziel ist nicht die perfekte Messkurve.
Das Ziel ist langfristige Gesundheit, Energie und Lebensqualität.
FAQ – Häufige Fragen zur kontinuierlichen Glukosemessung (CGM)
1. Misst ein CGM den Blutzucker direkt?
Nein. Ein CGM misst die Glukosekonzentration in der Gewebeflüssigkeit unter der Haut. Bei schnellen Veränderungen können die Werte gegenüber dem tatsächlichen Blutzucker zeitlich verzögert sein. Außerdem unterliegen die Sensoren gewissen Messungenauigkeiten.
2. Ist ein CGM auch für gesunde Menschen sinnvoll?
Ein CGM kann helfen, individuelle Reaktionen auf Ernährung, Bewegung, Schlaf und Stress besser zu verstehen. Besonders interessant ist es, persönliche Stoffwechselmuster zu erkennen. Ob die Anwendung bei stoffwechselgesunden Menschen langfristig die Gesundheit verbessert, ist wissenschaftlich allerdings noch nicht ausreichend belegt.
3. Kann ein CGM eine Insulinresistenz erkennen?
Nicht zuverlässig anhand einer gewöhnlichen Alltagskurve. Forschende der Stanford University konnten mithilfe von Machine Learning und standardisierten Glukosetoleranztests bestimmte metabolische Funktionsstörungen vorhersagen. Das Verfahren befindet sich jedoch noch im Forschungsstadium und ersetzt keine etablierte medizinische Diagnostik.
4. Sind Blutzuckerspitzen nach dem Essen ungesund?
Nicht automatisch. Ein Glukoseanstieg nach einer kohlenhydrathaltigen Mahlzeit ist eine normale physiologische Reaktion.
Entscheidend sind unter anderem die Höhe und Dauer des Anstiegs, die Rückkehr zum Ausgangswert und der individuelle Stoffwechselzustand. Eine einzelne Glukosespitze ist kein Beweis für eine Insulinresistenz.
5. Warum zeigt mein CGM nachts eine Unterzuckerung?
Ein möglicher Grund ist ein sogenanntes Compression Low. Wenn man im Schlaf auf dem Sensor liegt, kann der Druck auf das Gewebe einen künstlich niedrigen Glukosewert verursachen.
Allerdings können auch echte Unterzuckerungen auftreten. Bei Symptomen oder auffälligen Werten sollte eine geeignete Kontrollmessung erfolgen. Insbesondere Menschen mit Diabetes müssen mögliche Unterzuckerungen ernst nehmen.
6. Können Vitamin C oder Medikamente CGM-Werte verfälschen?
Ja. Bestimmte Substanzen können das elektrochemische Messsignal beeinflussen.
Beispielsweise kann hoch dosiertes Vitamin C bei bestimmten FreeStyle-Libre-Systemen zu falsch erhöhten Glukosewerten führen. Auch einige Medikamente können abhängig vom Sensorsystem und der Dosierung Interferenzen verursachen.
7. Wie genau sind CGM-Sensoren?
Die Messgenauigkeit wird häufig mit dem sogenannten MARD-Wert (Mean Absolute Relative Difference) beschrieben.
Dieser gibt die durchschnittliche absolute prozentuale Abweichung gegenüber Referenzmessungen an.
Wichtig: Ein MARD von beispielsweise 8 % bedeutet nicht, dass jede einzelne Messung maximal 8 % abweicht. Einzelne Werte können deutlich stärker vom tatsächlichen Blutzucker abweichen.
Deshalb sollten kleine Unterschiede zwischen Glukosekurven nicht überinterpretiert werden.
8. Was ist wichtiger: Blutzucker oder Insulin?
Beide liefern unterschiedliche Informationen über den Glukosestoffwechsel.
Während Glukosewerte zeigen, wie sich die Glukosekonzentration verändert, helfen Insulinwerte dabei, die zugrunde liegende Stoffwechselregulation besser zu verstehen.
Nüchternglukose und HbA1c sind wichtige Basisparameter. Ergänzend können Nüchterninsulin und der daraus berechnete HOMA-IR Hinweise auf eine Insulinresistenz liefern. Bei bestimmten Fragestellungen kann auch intaktes Proinsulin zusätzliche Informationen zur Funktion der Betazellen geben.
Eine CGM-Kurve allein reicht nicht aus, um die Insulinsensitivität oder die gesamte Stoffwechselgesundheit zuverlässig zu beurteilen.
Wissenschaftliche Quellen und weiterführende Literatur
1. Metabolische Subphänotypen und Machine Learning
Metwally, A. A. et al. (2025).Prediction of metabolic subphenotypes of type 2 diabetes via continuous glucose monitoring and machine learning.Nature Biomedical Engineering.
Die zentrale Originalstudie zur Frage, ob sich Muskel- und Leberinsulinresistenz, Betazelldysfunktion und eine gestörte Inkretinwirkung anhand standardisierter Glukosekurven unterscheiden lassen.
Nature Biomedical Engineering
2. Individuelle Reaktionen auf Kohlenhydrate
Metwally, A. A. et al. (2025).Individual variations in glycemic responses to carbohydrates and underlying metabolic physiology.Nature Medicine.
Diese Studie untersuchte die Glukoseantworten auf verschiedene Lebensmittel, darunter Reis, Kartoffeln und Trauben. Die Ergebnisse zeigen Zusammenhänge zwischen individuellen Reaktionsmustern und metabolischen Eigenschaften.
Nature Index
3. CGM für personalisierte Lebensstilinterventionen
Metwally, A. A., Park, H., Wu, Y., McLaughlin, T. & Snyder, M. P. (2026).Use of Continuous Glucose Monitoring With Machine Learning to Identify Metabolic Subphenotypes and Inform Precision Lifestyle Changes.Journal of Diabetes Science and Technology, 20(3), 673–683.
Eine Übersichtsarbeit, die die bisherigen Forschungsergebnisse zusammenführt und das Potenzial von CGM und Machine Learning für personalisierte Präventionsstrategien diskutiert.
4. Interferenzen bei CGM-Sensoren
Pfützner, A. et al. (2025).Dynamic Interference Testing—Unexpected Results Obtained with the Abbott Libre 2 and Dexcom G6 Continuous Glucose Monitoring Devices.
Die Forschenden untersuchten 68 mögliche Störsubstanzen unter Laborbedingungen und zeigten, dass Interferenzen zwischen verschiedenen Sensorsystemen unterschiedlich ausfallen können.
5. Methodik zur Untersuchung von Sensorinterferenzen
Pfützner, A. et al. (2022).Laboratory Protocol and Pilot Results for Dynamic Interference Testing of Continuous Glucose Monitoring Sensors.
Die Arbeit beschreibt ein dynamisches Laborverfahren zur Untersuchung von Substanzen, die CGM-Messsignale beeinflussen können.
PubMed
6. Nächtliche Messfehler durch Druck auf den Sensor
Mensh, B. D., Wisniewski, N. A., Neil, B. M. & Burnett, D. R. (2013).Susceptibility of interstitial continuous glucose monitor performance to sleeping position.Journal of Diabetes Science and Technology, 7(4), 863–870.
Die Untersuchung zeigt, dass die Schlafposition und lokaler Druck auf den Sensor zu auffälligen CGM-Messwerten führen können – insbesondere zu künstlich niedrigen Werten.
PubMed
7. Wissenschaftliche Evidenz für CGM bei Menschen ohne Diabetes
Continuous glucose monitoring in non-diabetic populations: a systematic review of observational and interventional studies with meta-analysis (2026).
Die systematische Übersichtsarbeit untersucht, welchen gesundheitlichen Nutzen CGM bei Menschen ohne Diabetes haben könnte und wo weiterhin Evidenz fehlt.
8. Aktuelle Empfehlungen zur CGM-Technologie
American Diabetes Association (2026).7. Diabetes Technology: Standards of Care in Diabetes—2026.Diabetes Care.
Aktuelle wissenschaftliche Standards zur Anwendung von Glukosemesssystemen, deren Genauigkeit und bekannten Interferenzen.
Forschungssoftware zum eigenen Experiment
Stanford University – Metabolic Subphenotype Predictor
Der öffentlich zugängliche Programmcode zur Vorhersage metabolischer Subphänotypen.
GitHub
