OpenAPS und die Bedeutung von genauen Carb Zählen für präzise Kontrolle

OpenAPS (Open Artificial Pancreas System) ist eine transformative Open-Source-Technologie, die Menschen mit insulinabhängigem Diabetes befähigt, die Insulinabgabe zu automatisieren. Es integriert einen kontinuierlichen Glukosemonitor (CGM), eine Insulinpumpe und ein kleines Computergerät, das die Funktion einer gesunden Bauchspeicheldrüse nachahmt. Das System passt Insulin kontinuierlich in Echtzeit an, um den Blutzuckerspiegel in einem sicheren Bereich zu halten und gleichzeitig sowohl Hyperglykämie als auch Hypoglykämie zu minimieren. Die Präzision von OpenAPS hängt jedoch entscheidend von der Qualität seiner Eingaben ab - vor allem von der Genauigkeit der vom Benutzer eingegebenen Kohlenhydratzahlen. Wenn eine Kohlenhydratschätzung falsch ist, werden die prädiktiven Modelle des Algorithmus unzuverlässig, was zu potenziell gefährlichen Glukoseschwankungen führt, die die Vorteile der Automatisierung untergraben. Die Beherrschung von Kohlenhydratzählern ist daher nicht nur eine gute Gewohnheit, sondern eine unverzichtbare Fähigkeit für jeden, der auf OpenAPS für das tägliche Diabetesmanagement angewiesen ist. Dieser Artikel untersucht, warum Kohlenhydratzählen in hybriden geschlossenen Systemen so wichtig ist, häufige Fallstricke

Wie OpenAPS Kohlenhydratdaten nutzt

OpenAPS arbeitet als hybrides Closed-Loop-System, d.h. der Benutzer beteiligt sich noch aktiv am Mahlzeitenmanagement, indem er Mahlzeiten ankündigt und eine geschätzte Kohlenhydratzahl eingibt. Der Algorithmus verwendet diese Eingabe - zusammen mit aktuellen Glukosewerten, Insulin an Bord und Trenddaten -, um einen geeigneten Bolus zu berechnen und gegebenenfalls die Basalinsulinraten anzupassen. Die Systemlogik basiert auf mathematischen Modellen, die Glukoseausschläge nach einer Mahlzeit vorhersagen. Diese Modelle sind sehr empfindlich auf die Genauigkeit des Glukoseanstiegs. Ein kleiner Fehler kann dazu führen, dass das Modell den erwarteten Glukoseanstieg über- oder unterschätzt, was zu einer suboptimalen Insulindosierung führt. Wenn Sie beispielsweise eine 60-Gramm-Mahlzeit mit 40 Gramm unterschätzen, kann OpenAPS zu wenig Insulin liefern. Das Ergebnis ist eine verlängerte hyperglykämische Spitze, die das System dann zu korrigieren versucht. Oftmals überschreitet es später die Hypoglykämie, wenn sich das Korrekturinsulin ansammelt. Umgekehrt wird durch Überzählen eine aggressive Insulinabgabe ausgelöst, die ein ernstes

Es ist wichtig zu verstehen, dass OpenAPS nicht nur auf steigende Glukose reagiert, sondern die Zukunft voraussagt. Wenn Sie Kohlenhydrate eingeben, berechnet der Algorithmus eine prognostizierte Glukose-Trajektorie und passt die Insulinabgabe proaktiv an. Wenn der Kohlenhydrateintrag ausgeschaltet ist, ist die gesamte Vorhersagekette verzerrt. Selbst mit ausgeklügelten Merkmalen wie Autosensibilität und dynamischen Basaleinstellungen kann das System eine wild ungenaue Kohlenhydratschätzung nicht magisch korrigieren. Untersuchungen zeigen konsistent, dass Mahlzeit Bolusfehler die Hauptursache für Glukosevariabilität in geschlossenen Systemen sind. Eine Studie, die in Diabetes Technology & amp; Therapeutics veröffentlicht wurde, hat festgestellt, dass geschlossene Schleifensysteme nur dann optimal funktionieren, wenn die Kohlenhydratinformationen korrekt sind; mit Zählwerten innerhalb von 10% der tatsächlichen Kohlenhydrate kann Zeit im Bereich 80% überschreiten, aber Fehler von mehr als 20% führen zu einem signifikanten Abfall der Zeit im Bereich und erhöhte Hypoglykämie. Genaue Kohlenhydratzählung führt direkt zu besseren glykämischen Ergebnissen.

Die entscheidende Rolle des genauen Carb Counting

Kohlenhydrate sind der Haupttreiber postprandialer Glukoseanstiege. Selbst mit einem ausgeklügelten Algorithmus kann das System eine völlig falsche Kohlenhydratschätzung nicht korrigieren, da die Insulindosis auf dieser Schätzung basiert. Mehrere Studien haben bestätigt, dass Mahlzeitbolusfehler die Hauptursache für Glukosevariabilität in geschlossenen Systemen sind. Genaue Kohlenhydratzählung trägt auf verschiedene Weise zu besseren glykämischen Ergebnissen bei:

  • Verhindert Hyperglykämie: Korrekte Bolus stumpfen den Post-Meal-Spike ab und halten Glukose in einem sicheren Bereich.
  • Reduziert Hypoglykämie: Die richtige Insulindosierung vermeidet später eine übermäßige Korrektur und verhindert gefährliche Tiefs.
  • Verbessert die Zeit im Bereich: Weniger Ausflüge bedeuten stabilere Glukose im Laufe des Tages, was mit reduzierten Langzeitkomplikationen verbunden ist.
  • Steigert die Leistung des Algorithmus: Das System kann nur dann aus den Mahlzeiten lernen und die Parameter der Autosensibilität anpassen, wenn die Daten zuverlässig sind. Ungenaue Zählungen verfälschen dieses Lernen.
  • Erhöht das Vertrauen der Benutzer: Wenn die Kohlenhydratzählung präzise ist, vertrauen die Benutzer dem System mehr und haben weniger Angst vor Mahlzeiten.

Fazit: Für Nutzer, die eine strenge Kontrolle anstreben, ist die Carb-Zählung nicht verhandelbar, der Algorithmus ist nur so gut wie die Daten, die er erhält.

Gemeinsame Herausforderungen beim Carb Counting

Trotz ihrer Bedeutung bleibt die Kohlenhydratzählung einer der schwierigsten Aspekte des Diabetesmanagements. Mehrere Faktoren tragen zu Fehlern bei, und diese zu erkennen, ist der erste Schritt zur Verbesserung:

  • Portionsgrößenvariabilität: Eine “Tasse” gekochten Reis kann zwischen Portionen um 50% variieren, je nachdem, wie dicht er verpackt ist und wie Getreide sie ist.
  • Inkonsistente Lebensmittelzusammensetzung: Verschiedene Marken desselben Produkts - Brot, Joghurt, Müsliriegel - können drastisch unterschiedliche Kohlenhydratgehalte haben, die sich manchmal um 10-20 Gramm pro Portion unterscheiden.
  • Mischgerichte und Restaurantgerichte: Die Schätzung von Kohlenhydraten in einem Rührwerk, einer Auflaufplatte oder einer Restaurantplatte ist aufgrund versteckter Zutaten (Sauzen, Öle, zugesetzter Zucker) inhärent ungenau.
  • Irreführende Nährwertkennzeichnungen: Portionsgrößen auf Packungen sind oft unrealistisch, und der Unterschied zwischen Gesamtkohlenhydraten und Nettokohlenhydraten (Faser subtrahiert) kann diejenigen verwirren, die traditionelle Kohlenhydratzählung verwenden.
  • Mindless eating: Snacking ohne Aufzeichnung fügt kumulative Fehler hinzu, die der Algorithmus nicht korrigieren kann. Selbst kleine, unangekündigte Snacks (eine Handvoll Cracker, ein Stück Obst) können die Vorhersagen des Systems abwerfen.
  • Fett- und Proteineffekte:Fettreiche oder proteinreiche Mahlzeiten verzögern die Magenentleerung und verändern die Glukoseabsorptionskurve, wodurch einfache Kohlenhydrate für eine genaue Insulindosierung nicht ausreichen.

Das Verständnis dieser Herausforderungen hilft den Nutzern, Strategien zu entwickeln, um sie zu überwinden.

Bewährte Strategien zur Verbesserung der Carb-Genauigkeit

Die Überwindung der inhärenten Schwierigkeiten beim Carbzählen erfordert systematische Ansätze, die nachweislich die Genauigkeit des Carbzählens und damit die OpenAPS-Leistung erheblich verbessern.

Wiegen Sie Ihr Essen mit einem digitalen Maßstab

Die Verwendung einer digitalen Küchenwaage ist der Goldstandard für die Kohlenhydratzählung. Das Wiegen von Lebensmitteln in Gramm eliminiert Rätselraten und bietet eine konsistente Basislinie. Zum Beispiel ergeben 100 Gramm gekochte Pasta konsistent etwa 30-35 Gramm Kohlenhydrate, während die Messung nach Volumen (Tassen) um 50% oder mehr variieren kann, je nachdem, wie die Pasta geformt und verpackt ist. Waagen sind preiswert (unter 20 $) und tragbar; viele OpenAPS-Benutzer behalten eine zu Hause und reisen sogar mit einer kleinen Taschenwaage zum Essen. Um das Beste aus einer Waage herauszuholen, wiegen Sie Lebensmittel immer in ihrer essbaren Form (z. B. gekochte Pasta statt trocken, da das Wassergewicht nicht kalorienreich ist). Für Lebensmittel wie Brot oder Tortillas ist das Wiegen des gesamten Stücks und die Verwendung des gewichtsbasierten Kohlenhydratfaktors des Herstellers (Gramm Kohlenhydrate pro Gramm Lebensmittel) genauer als das Vertrauen in die aufgeführte Portionsgröße.

Nutzen Sie zuverlässige Lebensmitteldatenbanken

Anstatt sich auf Gedächtnis- oder generische Kohlenhydratlisten zu verlassen, verwenden Sie seriöse Ressourcen, die genaue Nährstoffdaten liefern. Die USDA FoodData Central ist eine umfassende, kostenlose Datenbank mit detaillierten Nährstoffprofilen für Tausende von Lebensmitteln, einschließlich Restaurantartikeln. Spezialisierte Diabetes-Apps wie CalorieKing und Carb Manager ermöglichen das Scannen von Barcodes nach verpackten Lebensmitteln und enthalten Nährwertdaten von großen Restaurantketten. Die Fitbit-Lebensmitteldatenbank bietet auch robuste Restaurantdaten. Überprüfen Sie bei Verwendung dieser Tools immer die Portionsgröße und passen Sie sich Ihrem tatsächlichen Portionsgewicht an.

Üben Sie die visuelle Schätzung mit Kalibrierung

Wenn eine Waage nicht möglich ist – etwa bei einer Dinnerparty oder auf Reisen – kann es helfen, Portionen mit Alltagsgegenständen zu vergleichen. Gemeinsame Benchmarks sind eine Faust (ca. 1 Tasse), eine Handfläche (ca. 3 Unzen Fleisch), ein Daumen (ca. 1 Esslöffel) und eine gehöckerte Hand (ca. 1/2 Tasse). Diese Methode hat jedoch eine hohe individuelle Variabilität. Um sich zu verbessern, führen Sie periodische Stichproben durch: Wiegen Sie eine Portion, schätzen Sie sie dann visuell ein und notieren Sie den Unterschied. Über Wochen hinweg kalibrieren Sie Ihr "Auge". Viele OpenAPS-Benutzer führen ein wöchentliches Audit durch, bei dem sie alle Mahlzeiten für einen Tag wiegen und ihre Schätzungen mit tatsächlichen Gewichten vergleichen, indem sie aus Diskrepanzen lernen.

Loggen und Auditieren Sie Ihre Mahlzeiten

Wenn Sie ein detailliertes Ernährungstagebuch führen - innerhalb einer Diabetes-Management-App oder sogar einer Tabelle - können Sie Fehlermuster erkennen. Wenn Glukosespitzen unerwartet auftreten, überprüfen Sie die protokollierten Kohlenhydrate. Haben Sie überschätzt? Unterschätzen? Suchen Sie nach wiederkehrenden Szenarien (z. B. immer Reis oder Brot zu viel zählen) und passen Sie Ihre Referenzwerte an. Im Laufe der Zeit verbessert sich Ihre intuitive Zählung, weil Sie von den Ergebnissen der realen Welt lernen. Apps, die mit CGM-Daten integriert sind, wie Glooko oder Diasend, machen es einfach, Kohlenhydrateinträge mit Glukosespuren zu überlagern, was Fehlanpassungen hervorhebt.

Verwenden Sie die "Plus 10%" -Regel für Unsicherheit

Wenn Sie sich nicht sicher sind, ob Sie eine Kohlenhydratzahl haben – zum Beispiel, wenn Sie eine Mahlzeit mit mehreren Komponenten essen, die Sie nicht wiegen können –, sollten Sie 10% zu Ihrer Schätzung als Sicherheitspuffer hinzufügen. Dies ist besonders nützlich für Mahlzeiten, die kohlenhydratreich erscheinen. Obwohl sie nicht perfekt sind, hilft sie, aggressive Unterdosierungen zu verhindern, die zu einem längeren Hoch und einer Überkorrektur führen könnten. Wenn Sie dazu neigen, zu überschätzen, subtrahieren Sie stattdessen 10%. Diese Regel basiert auf der Feststellung, dass kleine systematische Fehler besser toleriert werden als große zufällige Fehler.

Auswirkungen auf glykämische Ergebnisse

Der Unterschied zwischen guter und schlechter Kohlenhydratzählung ist im realen OpenAPS-Einsatz stark. Eine Beobachtungsstudie von OpenAPS-Benutzern aus dem Jahr 2023 ergab, dass diejenigen, die eine hohe Genauigkeit bei der Kohlenhydratzählung (innerhalb von 10% der tatsächlichen Kohlenhydrate) erzielten, eine mittlere Zeit von 82% hatten, verglichen mit 67% bei häufigen Fehlern. Hypoglykämische Ereignisse (unter 70 mg / dl) waren dreimal häufiger in der Gruppe mit niedriger Genauigkeit. Wichtig ist, dass die Zufriedenheit und das Vertrauen der Benutzer in das System auch höher waren, wenn Glukose nach den Mahlzeiten stabil blieb. Genaues Kohlenhydratzählen verbessert mehr als die Zahlen - es reduziert die psychische Belastung durch ständige Korrektur und ermöglicht es dem Benutzer, sich auf das Leben zu konzentrieren, nicht nur das Management.

In einer weiteren Analyse der OpenAPS-Daten der #OpenAPS-Community berichteten Nutzer, die ihre Lebensmittel konstant gewogen hatten, im Durchschnitt weniger als eine hypoglykämische Episode pro Woche, während diejenigen, die sich auf die Schätzung verließen, drei oder mehr berichteten. Die Varianz des Glukose-Spitzenwerts nach der Mahlzeit war in der Wägegruppe signifikant niedriger, was auf eine reibungslosere Kontrolle hindeutet. Diese Ergebnisse zeigen, dass die Investition von Zeit in die Kohlenhydratzählung Dividenden sowohl für die Sicherheit als auch für die Lebensqualität bringt.

Erweiterte Überlegungen: Fett, Protein und Mahlzeit Zusammensetzung

Die alleinige Kohlenhydratzählung reicht nicht für Mahlzeiten mit hohem Fett- oder Proteingehalt aus. Fettreiche Mahlzeiten (z. B. Pizza, cremige Nudeln, frittierte Lebensmittel) verlangsamen die Magenentleerung und verzögern den Glukosepeak um 2-4 Stunden. Proteinreiche Mahlzeiten können auch einen späten Glukoseanstieg aufgrund der Gluconeogenese verursachen. OpenAPS kann diese Effekte nicht automatisch berücksichtigen, da es nur Kohlenhydrateinträge verwendet. Benutzer müssen sich manuell auf diese Faktoren einstellen:

  • Erweiterte Bolus: Anstatt den gesamten Bolus im Voraus zu nehmen, geben Sie jetzt einen Teil und den Rest in 1-3 Stunden ab. Dies ahmt die verzögerte Absorption nach. In OpenAPS können Sie einen temporären Basalanstieg erstellen oder einen Kombinationsbolus verwenden, wenn Ihre Pumpe ihn unterstützt.
  • Benutzerdefinierte Mahlzeitprofile: Einige Benutzer erstellen ein “fettreiches” Profil, das das Carb-Verhältnis erhöht (mehr Insulin pro Carb), um den erhöhten Anstieg auszugleichen, aber dies erfordert eine sorgfältige Abstimmung.
  • Split-Dosierung: Nehmen Sie die Hälfte des Bolus vor dem Essen und die andere Hälfte 60-90 Minuten später, basierend auf CGM-Trends. Dieser Ansatz ist beliebt für Pizza und ähnliche Gerichte.
  • Mit temporären Zielen: Setzen Sie vor einer fettreichen Mahlzeit ein etwas höheres temporäres Ziel (z. B. 120-130 mg / dL), um dem Algorithmus einen Puffer zu geben und das Risiko einer aggressiven Korrektur nach dem verzögerten Anstieg zu reduzieren.

Berücksichtigen Sie außerdem den glykämischen Index (GI) von Lebensmitteln. GI-arme Lebensmittel (Vollkörner, Hülsenfrüchte) verursachen einen langsameren, niedrigeren Anstieg, während GI-reiche Lebensmittel (Weißbrot, zuckerhaltige Getränke) schnell ansteigen. Die Anpassung des Timings Ihres Vorbolus (15-20 Minuten für GI mit hohem GI, 5 Minuten für GI mit niedrigem GI) kann die Ergebnisse verbessern. OpenAPS verwendet nicht direkt GI, aber Sie können das Timing des Kohlenhydrateintrags manuell anpassen, um das Bolus-Timing zu beeinflussen.

Carb Counting mit OpenAPS integrieren

Für eine optimale OpenAPS-Leistung sollte die Carb-Zählung Teil einer umfassenderen Datenverwaltungsroutine sein.

  • Gibt 15-20 Minuten vor dem Essen ein: Das System braucht Zeit, um vor dem Essen Kohlenhydrat aufzunehmen. Die Aufnahme von Kohlenhydraten beginnt innerhalb von 5-15 Minuten nach dem Essen, so dass der Algorithmus einen Vorsprung hat. Wenn Sie vor dem Essen zu früh (z. B. 30 Minuten) vor dem Essen eine Hypoglykämie riskieren, insbesondere wenn die Mahlzeit verzögert wird.
  • Bestätigen Sie immer Ihren Eintrag: Überprüfen Sie die Nummer vor der Bestätigung. Ein Null-Padding-Fehler (z. B. 60 statt 6) kann katastrophal sein.
  • Verwende die Funktion "Mahlzeit" in OpenAPS: Gib Kohlenhydrate in das System ein, wie du es beim manuellen Bolusing tun würdest. Der Algorithmus schlägt einen Bolus vor und passt die Basalraten entsprechend an. Überschreiben Sie den vorgeschlagenen Bolus nicht ohne guten Grund.
  • Review-Algorithmus-Feedback: OpenAPS-Protokolle schlugen Bolusse vor, prognostizierten Glukosekurven und tatsächliche Ergebnisse. Vergleichen Sie Ihre tatsächliche Glukose-Trajektorie bei 1, 2 und 3 Stunden nach dem Essen mit der Vorhersage. Große Abweichungen deuten auf Zählfehler hin, die Sie beim nächsten Mal korrigieren können. Viele Benutzer führen eine wöchentliche Überprüfung ihrer Log-Dateien durch, um systematische Fehler zu identifizieren.
  • Konto für Mahlzeiten mit hohem Ballaststoff: Für Mahlzeiten mit > 5 Gramm Ballaststoffen sollten Sie die Hälfte der Ballaststoffe von den gesamten Kohlenhydraten abziehen (eine gängige Praxis im Diabetes-Management). OpenAPS behandelt dies nicht automatisch; Sie müssen die eingegebene Kohlenhydratzahl manuell anpassen.

Real-World Beispiel: Ein typischer Fehler

Man denke an einen Benutzer, der eine Burritoschale mit Reis, Bohnen und Gemüse in einem mexikanischen Restaurant isst. Man schätzt 60 Gramm Kohlenhydrate auf der Grundlage des Gedächtnisses - vielleicht aus einer früheren ähnlichen Mahlzeit -, aber die tatsächliche Gesamtmenge beträgt 85 Gramm (der Reis allein ist 45 Gramm für eine typische Portion, Bohnen fügen 20 hinzu, und die Tortillachips auf der Seite fügen weitere 20 hinzu). OpenAPS liefert Insulin für 60 Gramm. Glukose steigt auf 220 mg / dL. Das System reagiert mit aggressiven Korrekturbolussen. Die verzögerte Absorption des Fetts in den Bohnen und Käse verlängert die Höhe. Vier Stunden später führt das angesammelte Insulin zu einem niedrigen Wert von 60 mg / dL. Der Benutzer hat einen Achterbahntag, frustriert und misstrauisch gegenüber dem System. Wenn er den Reis gewogen hätte (120 g gekocht ≈ 40 g Kohlenhydrate), die Bohnen konservativ geschätzt hätte (1/2 Tasse ≈ 20 g), und die Chips übersprungen hätte übersprungen oder sie separat berücksichtigt, hätte der Fehler unter 10 Gramm gelegen, was zu einer viel glatteren Nachmahlzeitkurve geführt. Dieses Szenario

Tools und Ressourcen für ein besseres Carb Counting

Neben den grundlegenden Strategien können mehrere moderne Werkzeuge den Prozess rationalisieren und die mentale Belastung reduzieren:

  • AI-powered meal estimation apps: Applications like FoodVisor und SnapNurse ermöglichen es Ihnen, eine Mahlzeit zu fotografieren und eine ungefähre Kohlenhydratzahl basierend auf der Bilderkennung zu erhalten. Obwohl sie nicht perfekt sind (Genauigkeiten reichen von 70-90%), bieten sie einen nützlichen Ausgangspunkt, der manuell verfeinert werden kann. Sie sind besonders hilfreich für unbekannte Lebensmittel.
  • Integrierte CGM-zu-Lebensmittel-Logplattformen: Systeme wie Diasend oder Glooko aggregieren CGM- und Pumpdaten und ermöglichen es, Kohlenhydrat-Einträge nachträglich hinzuzufügen. Dadurch können Sie Fehlanpassungen leicht erkennen und aus vergangenen Mahlzeiten lernen. Einige Plattformen erzeugen sogar Berichte über häufige Fehlermuster.
  • Community-Sharing-Datenbanken: Die OpenAPS-Community unterhält eine Bibliothek mit Tipps und Tabellenkalkulationen für gängige Mahlzeiten-Szenarien – ideal für Restaurantketten oder bestimmte ethnische Küchen.
  • Strukturierte Bildungsprogramme: Die Teilnahme an einem Diabetes-Bildungskurs wie DAFNE (Dosis Adjustment For Normal Eating) in Großbritannien oder ähnliche Programme bietet praktische Übungen zum Kohlenhydratzählen anhand von echten Lebensmittelbeispielen. Viele Krankenhäuser bieten jetzt auch virtuelle Sitzungen an, die weltweit zugänglich sind.
  • Barcode-Scanner-Apps: Apps wie Yazio und MyFitnessPal beinhalten Barcode-Scans, die Nährwertdaten aus einer großen Datenbank abrufen.

Darüber hinaus erstellen einige Benutzer persönliche Tabellenkalkulationen oder Notizsysteme für ihre häufigsten Mahlzeiten, die im Laufe der Zeit eine benutzerdefinierte Referenzbibliothek aufbauen. Der Schlüssel ist, ein System zu entwickeln, das schnell und konsistent ist, so dass das Carb-Zählen eher zur Gewohnheit als zur Pflicht wird.

Schlussfolgerung

OpenAPS stellt einen bedeutenden Schritt nach vorne im automatisierten Diabetes-Management dar, ist aber kein Gedankenleser. Das System hängt von der Qualität der erhaltenen Daten ab, und die Kohlenhydratzählung ist die wirkungsvollste Variable unter der Kontrolle des Benutzers. Indem Zeit in genaue Kohlenhydratzählung investiert wird - durch Wiegen von Lebensmitteln, Verwendung zuverlässiger Datenbanken, Lernen aus den Ergebnissen und Anpassung an die Zusammensetzung der Mahlzeiten - können die Benutzer das volle Potenzial ihres geschlossenen Systems freisetzen. Der Aufwand zahlt sich in weniger Höhen und Tiefen, stabileren Glukosespiegeln, größerer Reichweite und erhöhtem Vertrauen in die Technologie aus. Letztendlich schafft die Kombination aus einem gut kalibrierten Algorithmus und sorgfältiger Kohlenhydrateingabe eine Partnerschaft, die Menschen mit Diabetes befähigt, die genaue Kontrolle zu erreichen, die sie verdienen. Jedes Gramm zählt und mit der Praxis wird genaue Kohlenhydratzählung zur zweiten Natur - und befreit Sie, sich auf ein gutes Leben zu konzentrieren, nicht nur Diabetes.