Wearable Technologie und Big Data: Die Zukunft der Herz-Kreislauf-Gesundheit?
Herz-Kreislauf-Erkrankungen sind weltweit die häufigste Todesursache. Im Jahr 2016 starben etwa 17,6 Millionen Menschen daran. Experten schätzen, dass diese Zahl in den nächsten Jahren um 14,5% steigen wird. Doch wie können wir diese Entwicklung aufhalten? Traditionelle Methoden zur Risikobewertung und Lebensstiländerung basieren oft auf sporadischen Arztbesuchen und subjektiven Selbstauskünften. Diese Ansätze erfassen jedoch nicht die dynamischen Veränderungen im Körper, die für die Krankheitsentwicklung entscheidend sind. Hier kommen tragbare Sensoren (Wearables) und Big Data ins Spiel. Sie ermöglichen eine kontinuierliche, nicht-invasive Überwachung wichtiger Gesundheitsdaten im Alltag.
Die Entwicklung tragbarer Technologie
In den letzten 20 Jahren haben sich Wearables von einfachen Schrittzählern zu komplexen Multisensor-Plattformen entwickelt. Frühe Geräte wie der Nike-Apple Fitness Tracker (2006) und Fitbit (2008) konzentrierten sich auf körperliche Aktivität, z. B. Schritte, Distanz und Intensität. Seit 2013 bieten Smartwatches (z. B. Apple Watch, Huawei GT-Serie) und Biosensor-Pflaster (z. B. iRhythm Zio) zusätzliche Funktionen wie Herzfrequenz (HR), Elektrokardiogramm (EKG), Photoplethysmographie (PPG), Schlafmuster und Sauerstoffsättigung im Blut. Diese Geräte gibt es in verschiedenen Formen – Armbänder, Brustpflaster, Ringe, intelligente Kleidung und Ohrstöpsel –, um unterschiedliche Bedürfnisse zu erfüllen.
Wichtige Parameter, die von Wearables erfasst werden:
- Körperliche Aktivität: Beschleunigungsmesser und Gyroskope klassifizieren Aktivitäten (Gehen, Laufen, Radfahren) und zählen Schritte. Studien bestätigen die Genauigkeit von Wearables: Fitbit-Geräte zeigen einen Fehler von weniger als 5% beim langsamen Gehen, während die Apple Watch bei höherer Intensität besser abschneidet.
- Herzfrequenz/-rhythmus: EKG-Pflaster (z. B. Polar H7) gelten als Goldstandard. PPG-basierte Wearables (z. B. Apple Watch) korrelieren gut mit EKG-Daten bei normalem Herzrhythmus. Bei Herzrhythmusstörungen nimmt die Genauigkeit jedoch ab.
- Schlafüberwachung: Geräte wie Fitbit Charge 2 und Oura Ring schätzen die Gesamtschlafzeit (TST) und Wachphasen (WASO) mit einer Genauigkeit von ±9–24 Minuten im Vergleich zur Polysomnographie. Die Unterscheidung von Schlafphasen (z. B. REM vs. Tiefschlaf) ist jedoch weniger zuverlässig.
Klinische Anwendungen in der Herz-Kreislauf-Versorgung
Erkennung von Herzrhythmusstörungen
Vorhofflimmern (AF), das 0,51% der Weltbevölkerung betrifft, kann durch Wearables frühzeitig erkannt werden. Das Zio-EKG-Pflaster erreichte mit Deep Neural Networks (DNNs) eine Genauigkeit von 97% bei der Klassifizierung von 12 Herzrhythmusstörungen. In der Apple Heart Study lag die positive Vorhersagegenauigkeit (PPV) für AF bei 84%, während die Huawei Heart Study 91,6% PPV mit Armbandgeräten erreichte.
Blutdrucküberwachung
Die schlauchlose Blutdruckmessung mit Pulstransitzeit (PTT) und maschinellem Lernen zeigt Potenzial, steht jedoch vor Validierungsproblemen. Laborprototypen erreichten mittlere absolute Abweichungen (MAD) von 6,1 mmHg (systolisch) und 7,7 mmHg (diastolisch). Kommerzielle Geräte wie InBodyWATCH zeigten eine Genauigkeit von 71,4% innerhalb von ±5 mmHg für den systolischen Blutdruck.
Diabetes und metabolische Risiken
Smartphone-PPG-Algorithmen erkannten Diabetes mit einer Genauigkeit von 76,6%. Mehrgerätesysteme (Fitbit, Apple Watch) identifizierten hohen Cholesterinspiegel, Bluthochdruck und Schlafapnoe mit einer Genauigkeit von 74% bis 85%.
Risikostratifizierung für Herz-Kreislauf-Erkrankungen
Daten aus der Women’s Health Study zeigten, dass höhere Aktivitätsmengen das Sterberisiko um 60–70% reduzierten. Maschinelle Lernmodelle, die körperliche Aktivität, Stress und emotionale Zustände integrieren, erreichten eine Genauigkeit von 96% bei der kurzfristigen Risikovorhersage.
Herausforderungen und Grenzen
Trotz Fortschritten gibt es Hindernisse:
- Genauigkeit und Signalqualität: Bewegungsartefakte und Hautkontaktprobleme verringern die Zuverlässigkeit.
- Datenredundanz: Kontinuierliche Überwachung erzeugt große Datenmengen mit geringem klinischen Nutzen.
- Fehlende klinische Kriterien: Es gibt keine standardisierten Protokolle für wearable-basierte Messungen.
- Datensicherheit: Fragen zu Dateneigentum und Privatsphäre erfordern sichere Rahmenbedingungen.
- Miniaturisierung: Aktuelle Geräteformen können die Compliance beeinträchtigen.
Zukünftige Entwicklungen
- Groß angelegte Validierung: Standardisierte Tests zur Bewertung der Gerätegenauigkeit.
- Kohortenstudien: Langzeitstudien, die wearable-Daten mit Herz-Kreislauf-Ergebnissen verknüpfen.
- Vorhersage akuter Ereignisse: Identifizierung von Warnsignalen (z. B. instabile Herzfrequenz vor Herzstillstand).
- KI-gestützte Personalisierung: Anpassungsfähige Algorithmen, die individuelle Basisdaten berücksichtigen.
- Regulatorische Rahmenbedingungen: Zertifizierungsprozesse und Datenschutzrichtlinien.
Fazit
Wearable Technologie und Big Data bieten neue Möglichkeiten für die Früherkennung, Risikobewertung und personalisierte Behandlung von Herz-Kreislauf-Erkrankungen. Technologische Fortschritte in der Mehrparameterüberwachung und KI haben das Potenzial aufgezeigt. Klinische Validierung, Standardisierung und ethische Datenverwaltung sind jedoch entscheidend, um dieses Potenzial voll auszuschöpfen. Mit fortschreitender Miniaturisierung und verbesserter Batterielebensdauer könnten Wearables zu unverzichtbaren Werkzeugen für die lebenslange Prävention von Herz-Kreislauf-Erkrankungen werden.
For educational purposes only.
doi.org/10.1097/CM9.0000000000002117