Kann eine Smartwatch Gesundheitsrisiken vorhersagen? Die Doktorandin Marta Arbizu Gómez stellt vor, wie das KI-Modell SensorFM Wearable-Daten nutzt, um physiologische Muster zu analysieren, und welche Auswirkungen dies auf die klinische und neuropsychologische Beurteilung hat.
Die Integration künstlicher Intelligenz und von Wearables verändert die kontinuierliche Erfassung von Gesundheitsdaten. Dieser Artikel untersucht das klinische Potenzial von SensorFM, einem neuen Foundation Model, das die Erfassung digitaler Biomarker in relevante Informationen für die Neurorehabilitation und die kognitive Beurteilung überführt. Erfahren Sie, wie die passive physiologische Überwachung von Variablen wie Schlaf, Aktivität oder emotionalem Zustand die herkömmliche Intervention ergänzen und neue Möglichkeiten für eine personalisierte klinische Verlaufskontrolle eröffnen kann.
Welche Informationen lassen sich aus einem Wearable gewinnen?
Smartwatches und Fitnessarmbänder erfassen kontinuierlich Informationen über unsere körperliche Aktivität und physiologischen Funktionen. Im Laufe des Tages können sie Bewegung, Herzfrequenz, die Herzfrequenzvariabilität, die Sauerstoffsättigung, die Hauttemperatur, die elektrodermale Aktivität oder die verschiedenen Schlafphasen messen.
Allerdings ist es nach wie vor eine Herausforderung, diese Signale in klinisch nutzbare Informationen umzuwandeln. Die erhobenen Messwerte können sich je nach Person, Gerät und Tageszeit unterscheiden. Zudem weisen die Daten häufig Unterbrechungen auf, wenn die nutzende Person die Uhr abnimmt, der Akku leer ist oder ein Sensor nicht mehr korrekt aufzeichnet.
Außerdem erfordert die Entwicklung eines eigenen Algorithmus für jedes Gesundheitsproblem große Mengen korrekt annotierter Daten – etwas, das im Gesundheitswesen besonders schwierig und kostspielig ist.
Um diese Einschränkungen zu überwinden, hat ein Team von Google Research und weiteren Institutionen SensorFM entwickelt, ein Foundation Model für künstliche Intelligenz, das darauf trainiert wurde, anhand von Wearable-Daten allgemeine Gesundheitsrepräsentationen zu lernen. Die als Preprint veröffentlichte Studie untersucht, ob ein einzelnes Modell diese Signale für Vorhersagen in verschiedenen Gesundheitsbereichen nutzen kann.
Was ist ein Foundation Model für Gesundheitsdaten?
Foundation Models werden mit sehr großen Informationsmengen trainiert, in der Regel ohne dass jedem einzelnen Datensatz ein bestimmtes Label zugeordnet sein muss. In diesem Prozess lernt das Modell allgemeine Muster, die anschließend für verschiedene Aufgaben angepasst werden können.
SensorFM folgt diesem Ansatz. Anders als bei Texten oder Bildern lernt das Modell jedoch anhand von Zeitreihen, die von Sensoren aufgezeichnet werden.
Das Modell wurde vortrainiert mit:
- Mehr als einer Billion Minuten an Daten.
- Informationen von fünf Millionen Menschen.
- Teilnehmenden aus mehr als 100 Ländern.
- Mehr als 20 Modellen von Fitbit- und Pixel-Watch-Geräten.
- Fünf Haupttypen von Sensoren: Photoplethysmografie, Beschleunigungssensor, Hauttemperatur, elektrodermale Aktivität und Höhenmesser.
Anhand dieser Sensoren ermittelten die Forschenden 34 Variablen, die minütlich erfasst wurden. Dazu gehörten die Herzfrequenz, verschiedene Maße der Herzfrequenzvariabilität, die Sauerstoffsättigung, die Schrittzahl, die Hauttemperatur und die Schlafphasen.
Das Modell analysierte vollständige 24-Stunden-Zeitfenster und lernte, Teile der Informationen zu rekonstruieren, die künstlich ausgeblendet worden waren. Auf diese Weise lernte es nicht nur die einzelnen Werte jedes Signals, sondern auch deren Zusammenhänge und Veränderungen im Tagesverlauf.

Melden Sie sich
für unseren
Newsletter an
Was wollten die Forschenden herausfinden?
Die Studie konzentrierte sich auf drei zentrale Fragen:
- Zunächst wollten die Autorinnen und Autoren prüfen, ob eine gleichzeitige Erhöhung der Datenmenge und der Modellgröße zu vorhersehbaren Leistungsverbesserungen führt.
- Als Zweites untersuchten sie, ob sich die erlernten Repräsentationen für Vorhersagen zu verschiedenen Gesundheitsaspekten wiederverwenden lassen, auch wenn nur wenige annotierte Stichproben vorliegen.
- Schließlich analysierten sie, ob sich die Vorhersagen von SensorFM in einen persönlichen, auf künstlicher Intelligenz basierenden Gesundheitsassistenten integrieren lassen, um relevantere, personalisierte und sicherere Antworten zu generieren.
Zur Evaluierung des Modells verwendeten sie unabhängige Informationen von 13.985 Teilnehmenden, die aus drei prospektiven Studien zu Stoffwechsel- und Herz-Kreislauf-Gesundheit, psychischer Gesundheit und Schlaf stammten.
Ein Modell für 35 gesundheitsbezogene Aufgaben
SensorFM wurde in 35 verschiedenen Aufgaben evaluiert, die sechs großen Bereichen zugeordnet waren:
- Herz-Kreislauf-Gesundheit.
- Stoffwechselgesundheit.
- Psychische Gesundheit.
- Schlaf.
- Lebensstil.
- Demografische und physiologische Merkmale.
Zu den analysierten Variablen gehörten das kardiovaskuläre Risiko, Bluthochdruck, Diabetes, Insulinresistenz, die Werte von glykiertem Hämoglobin und Triglyzeriden, Depression, Angst, wahrgenommener Stress und Schlafstörungen.
Das Modell wurde auch zur Schätzung von Merkmalen wie Alter, Body-Mass-Index, Größe und Gewicht eingesetzt. Diese Variablen sind nicht unbedingt als klinische Zielgrößen an sich zu verstehen, sondern dienen dazu zu prüfen, wie viele physiologische und verhaltensbezogene Informationen das System gelernt hatte.
Was waren die wichtigsten Ergebnisse?
Die Ergebnisse zeigen, dass das Modell eine generalisierbare Repräsentation der durch Wearables erfassten Physiologie und des Verhaltens erlernte.
SensorFM übertraf herkömmliche überwachte Modelle, die auf manuell entwickelten Variablen basierten, in 34 der 35 untersuchten Aufgaben. Das bedeutet: Die direkt anhand großer Datenmengen erlernten Repräsentationen waren aussagekräftiger als herkömmliche Zusammenfassungen, die aus denselben Signalen berechnet wurden.
Außerdem verbesserte sich die Leistung mit der gemeinsamen Zunahme der Zahl der Teilnehmenden, die zum Training verwendet wurden, und der Modellkapazität. Die größte Version erzielte bei 33 der 35 Aufgaben die besten Ergebnisse.
Die Autorinnen und Autoren beobachteten zudem, dass größere Modelle weniger von nachträglich hinzugefügten demografischen Informationen abhingen. Dies deutet darauf hin, dass einige physiologische Unterschiede, die mit Variablen wie Alter oder Body-Mass-Index verbunden sind, möglicherweise bereits in den von den Sensoren erfassten Mustern abgebildet waren.
Lernen mit weniger klinisch annotierten Daten
Eines der wichtigsten Ergebnisse war die Fähigkeit des Modells, sich mit relativ wenigen annotierten Daten an neue Aufgaben anzupassen.
In der Gesundheitsforschung ist es vergleichsweise einfach, kontinuierlich Daten mit einer Smartwatch zu erfassen. Bestätigte Diagnosen, Blutuntersuchungen oder vollständige klinische Fragebögen zu erhalten, ist jedoch deutlich aufwendiger.
Da SensorFM zuvor anhand von Millionen Teilnehmenden allgemeine Muster gelernt hatte, benötigte es weniger annotierte Beispiele, um neue Vorhersagemodelle zu entwickeln. Diese Effizienz könnte die Erforschung von Gesundheitsproblemen erleichtern, für die nur kleine klinische Kohorten oder begrenzte Informationen vorliegen.
Die Genauigkeit nahm jedoch mit einer größeren Zahl annotierter Daten weiter zu. Das Modell macht repräsentative und genau charakterisierte klinische Stichproben daher nicht überflüssig.
Kann das Modell fehlende Daten rekonstruieren?
Die Daten von Wearables sind häufig unvollständig. Nutzerinnen und Nutzer können die Uhr zeitweise abnehmen, ein Sensor kann die Verbindung verlieren oder die Signale können Fehler enthalten.
SensorFM wurde gezielt darauf trainiert, mit solchen Informationslücken umzugehen. In den durchgeführten Tests übertraf das Modell Referenzmethoden bei verschiedenen Rekonstruktionsaufgaben:
- 74,8 % bei der Imputation zufällig entfernter Daten.
- 38,8 % bei der Rekonstruktion mittlerer Zeitintervalle.
- 39,6 % bei der Vorhersage von Intervallen am Ende der Aufzeichnung.
- 83,7 %, wenn vollständige Signale bestimmter Sensoren fehlten.
Die Forschenden simulierten außerdem den Verlust einer vollständigen Stunde an Daten. Nach der Rekonstruktion dieses Zeitraums erreichte das Modell eine Genauigkeit von 99,7 % bei der Schätzung der täglichen Schrittzahl, 99,9 % bei der Schlafdauer im Tiefschlaf und 99,2 % bei den Minuten mit leichter körperlicher Aktivität.
Diese Fähigkeit könnte verhindern, dass eine vorübergehende Unterbrechung die täglichen Zusammenfassungen für die Nutzerinnen und Nutzer verzerrt.
KI-Agenten zur Anpassung des Modells
Obwohl sich die von SensorFM erlernten Repräsentationen mit vergleichsweise einfachen statistischen Modellen nutzen ließen, untersuchten die Forschenden auch eine automatisierte Strategie zur Verbesserung der Anpassung an die jeweilige Aufgabe.
Dazu entwickelten sie eine Art „Klassenzimmer“ mit mehreren Agenten auf Basis von Sprachmodellen. Diese Agenten generierten Code, trainierten verschiedene Lösungen, verglichen die Ergebnisse und passten ihre Vorschläge schrittweise an.
Insgesamt führte das System mehr als 30.000 automatisierte Experimente durch.
Die von den Agenten gefundenen Lösungen verbesserten die Leistung gegenüber linearen Modellen bei 16 der 20 Klassifikationsaufgaben und bei 12 der 15 Regressionsaufgaben.
Dieses Ergebnis deutet auf eine mögliche teilweise Automatisierung des Entwicklungsprozesses für Vorhersagemodelle hin. Die generierten Lösungen müssen jedoch weiterhin sorgfältig geprüft und validiert werden, insbesondere bei der Anwendung auf Gesundheitsdaten.
Von den Uhrendaten zum persönlichen Gesundheitsassistenten
Anschließend integrierten die Forschenden die Vorhersagen von SensorFM in einen persönlichen Gesundheitsassistenten, der auf einem Sprachmodell basierte.
Ziel war es, zu prüfen, ob der Assistent Fragen zur Gesundheit besser beantworten kann, wenn ihm neben demografischen Daten und den täglichen Zusammenfassungen des Wearables auch die von SensorFM generierten Schätzungen zur Verfügung stehen.
Es wurden 31 reale Profile verwendet und unter drei Bedingungen Antworten generiert:
- Demografische Daten und tägliche Wearable-Messwerte.
- Demografische Daten, tägliche Messwerte und Vorhersagen von SensorFM.
- Demografische Daten, tägliche Messwerte und tatsächliche klinische Werte.
Abbildung 1 fasst die Funktionsweise des Systems und den Aufbau der Evaluation zusammen. SensorFM wandelt die vom Wearable erfassten Daten in Gesundheitsvorhersagen um, die dem Assistenten vor der Generierung einer personalisierten Antwort als zusätzlicher Kontext zur Verfügung gestellt werden.

Vier Fachkräfte aus dem Gesundheitswesen bewerteten die Antworten hinsichtlich Kontext, Relevanz, Personalisierung, Begründung und potenziellem Risiko. Insgesamt wurden 1.860 klinische Bewertungen vorgenommen.
Die Antworten, in die die Vorhersagen von SensorFM einbezogen wurden, waren signifikant besser als jene, die ausschließlich auf den täglichen Zusammenfassungen basierten. Außerdem wurden keine statistisch signifikanten Unterschiede zwischen den Antworten festgestellt, die mit den Modellvorhersagen generiert wurden, und jenen, bei denen tatsächliche klinische Werte verwendet wurden.
Dieses Ergebnis bedeutet nicht, dass SensorFM eine medizinische Beurteilung ersetzen kann. Es zeigt, dass seine Vorhersagen dem Assistenten nützlichen Zusatzkontext lieferten, um spezifischere und stimmigere Antworten zu generieren.
Welche Einschränkungen weist die Studie auf?
Trotz des Umfangs der verwendeten Daten sind die Ergebnisse mit Vorsicht zu interpretieren.
Erstens handelt es sich bei der Arbeit um einen Preprint, der das übliche Peer-Review-Verfahren noch nicht durchlaufen hat.
Das Modell wurde hauptsächlich mit Fitbit- und Pixel-Watch-Geräten trainiert. Es ist nicht gewährleistet, dass es mit Geräten anderer Hersteller gleichermaßen funktioniert, da sich deren Sensoren und Verarbeitungsmethoden unterscheiden können.
Außerdem wurden minütlich aggregierte Variablen und nicht die ursprünglichen physiologischen Signale verwendet. So lassen sich zwar längere Zeiträume analysieren, jedoch können dabei hochfrequente Informationen verloren gehen, die für bestimmte klinische Anwendungen relevant sind.
Ein Teil der Ergebnisse, die zur Evaluation des Modells herangezogen wurden, stammte aus selbstberichteten Diagnosen, Angaben zur Medikation oder Screening-Fragebögen und nicht immer aus bestätigten klinischen Diagnosen. Zudem unterschied sich die untersuchte Population von der Allgemeinbevölkerung: Frauen und Nutzerinnen und Nutzer von Wearables waren überrepräsentiert.
Schließlich beschränkte sich die Evaluation des persönlichen Gesundheitsassistenten auf statische Antworten in einem einzelnen Dialogschritt. Eine reale klinische Interaktion würde zusätzliche Fragen, eine Prüfung des Kontexts und eine longitudinale Verlaufskontrolle erfordern.
Welche Bedeutung könnte die Studie für die digitale Gesundheit haben?
Diese Studie skizziert einen Wandel: weg von Algorithmen für jeweils eine einzelne Aufgabe, hin zu allgemeinen Modellen, deren Repräsentationen für unterschiedliche Gesundheitsprobleme wiederverwendet werden können.
Wearables bieten einen longitudinalen Einblick in die alltägliche Funktionsweise, während Messungen in einer Sprechstunde nur punktuelle Momentaufnahmen liefern. In Kombination mit angemessen validierten Modellen könnten sie dabei helfen, physiologische oder verhaltensbezogene Veränderungen zu erkennen, Personen mit weiterem Abklärungsbedarf zu identifizieren und die Verlaufskontrolle kontinuierlicher zu gestalten.
In der Neurologie und Neuropsychologie könnte diese Technologie besonders interessant sein, um Veränderungen des Schlafs, der Aktivität, der Alltagsroutinen, der autonomen Reaktion oder des emotionalen Zustands zu untersuchen. Solche Veränderungen können mit verschiedenen neurologischen und psychiatrischen Erkrankungen einhergehen. Vorhersagen aus Wearables dürfen jedoch nicht als Diagnosen betrachtet werden.
Wie kann NeuronUP einen Beitrag leisten?
Passiv mit Wearables erhobene Informationen können durch kognitive Beurteilungen und strukturierte Interventionsprogramme ergänzt werden.
Plattformen wie NeuronUP ermöglichen die Beurteilung und das Training von Bereichen wie Aufmerksamkeit, Gedächtnis, Exekutivfunktionen, Sprache oder sozialer Kognition. Die künftige Kombination kognitiver Messwerte mit longitudinalen Daten zu Schlaf, Aktivität und Physiologie könnte ein umfassenderes Bild der Entwicklung jeder einzelnen Person vermitteln.
Diese Integration könnte die Personalisierung von Interventionen, die Erkennung funktioneller Veränderungen und die Verlaufskontrolle des Behandlungserfolgs erleichtern. Dafür sind spezifische klinische Studien, interpretierbare Modelle und Protokolle erforderlich, die Datenschutz, Chancengleichheit und Sicherheit der Nutzerinnen und Nutzer gewährleisten.
Testen Sie NeuronUP 7 Tage kostenlos
Probieren Sie unsere verschiedenen Übungen, erstellen Sie Sitzungen oder arbeiten Sie remote mithilfe von Online-Sitzungen
Fazit
SensorFM zeigt, dass ein groß angelegtes Training mit nicht annotierten Daten von Wearables Repräsentationen hervorbringen kann, die für verschiedene Gesundheitsbereiche nützlich sind.
Das Modell übertraf herkömmliche Methoden bei den meisten untersuchten Aufgaben, konnte fehlende Daten rekonstruieren und lieferte einem persönlichen Gesundheitsassistenten zusätzliche Informationen. Seine Vorhersagen sind jedoch als potenzielle Instrumente für Screening, Risikostratifizierung und Verlaufskontrolle zu verstehen – nicht als Ersatz für eine klinische Diagnose.
Die Ergebnisse sind ein Schritt hin zu Systemen, die große Mengen alltäglicher Daten in personalisierte Informationen umwandeln können. Die nächste Herausforderung besteht darin, nachzuweisen, dass diese Instrumente ihre Genauigkeit, Sicherheit und Nützlichkeit auch dann beibehalten, wenn sie bei unterschiedlichen klinischen Populationen und in realen Versorgungskontexten eingesetzt werden.
Literaturverzeichnis
- Narayanswamy G, Xu MA, Heydari AA, et al. Towards a General Intelligence and Interface for Wearable Health Data. arXiv. 2026. https://doi.org/10.48550/arXiv.2605.22759
Häufig gestellte Fragen zu KI und Wearables in der Neurorehabilitation
1. Was ist das Modell SensorFM und wie wird es in der digitalen Gesundheit eingesetzt?
SensorFM ist ein von Google Research und weiteren Institutionen entwickeltes Foundation Model für künstliche Intelligenz, das mit mehr als einer Billion Minuten an Wearable-Daten trainiert wurde. Es lernt anhand von Biosignalen allgemeine Muster, um Vorhersagen für zahlreiche Gesundheitsaufgaben zu treffen – von der Schlafqualität bis hin zu Indikatoren der Stoffwechselgesundheit und psychischen Gesundheit.
2. Welche Vorteile bieten digitale Biomarker für die Neurorehabilitation?
Smartwatches und Fitnessarmbänder bieten einen longitudinalen und kontinuierlichen Einblick in die alltägliche Funktionsweise der nutzenden Person. Dabei erfassen sie Messwerte wie die Herzfrequenzvariabilität, Schlafphasen oder körperliche Aktivität. Diese passive Überwachung ergänzt punktuelle Untersuchungen in der Sprechstunde und ermöglicht Neuropsychologinnen und Neuropsychologen, subtile Veränderungen der Alltagsroutinen, der autonomen Reaktion oder des emotionalen Zustands zu erkennen, die mit verschiedenen Erkrankungen zusammenhängen können.
3. Wie kann künstliche Intelligenz Datenverluste bei Smartwatches ausgleichen?
Bei Wearable-Daten kommt es häufig zu Unterbrechungen, wenn der Akku leer ist oder die nutzende Person das Gerät abnimmt. Modelle wie SensorFM werden darauf trainiert, fehlende Informationen zu rekonstruieren. In Simulationen, bei denen eine vollständige Stunde an Aufzeichnungen fehlte, erreichte das System bei der Schätzung von Tiefschlaf und täglichen Schritten weiterhin eine Genauigkeit von über 99 %.
4. Können Wearable-Vorhersagen eine klinische Diagnose ersetzen?
Nein. Die von Foundation Models anhand von Wearable-Daten geschätzten Variablen stellen für sich genommen weder klinische Zielgrößen noch Diagnosen dar. Sie dienen als Screening- und Verlaufskontrollinstrumente und liefern wertvollen zusätzlichen Kontext für die Personalisierung von Interventionen. Sie müssen jedoch stets in strukturierte klinische Beurteilungen eingebettet und von einer Fachkraft aus dem Gesundheitswesen begleitet werden.







Differenzialdiagnostik bei erworbener Hirnschädigung: Neuropsychologische Schlüssel für die klinische Praxis
Schreiben Sie einen Kommentar