{"id":50828,"date":"2026-11-19T10:41:52","date_gmt":"2026-11-19T08:41:52","guid":{"rendered":"https:\/\/neuronup.com\/de\/?p=50828"},"modified":"2026-11-19T10:41:52","modified_gmt":"2026-11-19T08:41:52","slug":"wearables-und-kuenstliche-intelligenz-in-der-neurorrehabilitation-das-klinische-potenzial-des-sensorfm","status":"publish","type":"post","link":"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/wearables-und-kuenstliche-intelligenz-in-der-neurorrehabilitation-das-klinische-potenzial-des-sensorfm\/","title":{"rendered":"Wearables und k\u00fcnstliche Intelligenz in der Neurorehabilitation: Das klinische Potenzial von SensorFM"},"content":{"rendered":"\n<p class=\"has-xl-font-size wp-block-paragraph\">Kann eine Smartwatch Gesundheitsrisiken vorhersagen? Die Doktorandin Marta Arbizu G\u00f3mez stellt vor, <strong>wie das KI-Modell SensorFM Wearable-Daten nutzt, um physiologische Muster zu analysieren, und welche Auswirkungen dies auf die klinische und neuropsychologische Beurteilung hat<\/strong>.<\/p>\n\n\n\n<section class=\"wp-block-group anims-fadein-up\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-block-group-is-layout-constrained\">\n<p class=\"has-text-align-left br-0101 has-heading-color has-alt-background-color has-text-color has-background has-link-color wp-elements-1 has-xl-margin-top has-xxl-margin-bottom wp-block-paragraph\">Die Integration k\u00fcnstlicher Intelligenz und von <strong>Wearables ver\u00e4ndert die kontinuierliche Erfassung von Gesundheitsdaten<\/strong>. Dieser Artikel untersucht das <strong>klinische Potenzial von SensorFM<\/strong>, einem neuen Foundation Model, das die Erfassung digitaler Biomarker in relevante Informationen f\u00fcr die Neurorehabilitation und die kognitive Beurteilung \u00fcberf\u00fchrt. Erfahren Sie, <strong>wie die passive physiologische \u00dcberwachung von Variablen<\/strong> wie Schlaf, Aktivit\u00e4t oder emotionalem Zustand <strong>die herk\u00f6mmliche Intervention erg\u00e4nzen<\/strong> und neue M\u00f6glichkeiten f\u00fcr eine personalisierte klinische Verlaufskontrolle er\u00f6ffnen kann.<\/p>\n<\/div><\/section>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Welche Informationen lassen sich aus einem Wearable gewinnen?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Smartwatches und Fitnessarmb\u00e4nder erfassen kontinuierlich Informationen \u00fcber unsere k\u00f6rperliche Aktivit\u00e4t und physiologischen Funktionen. Im Laufe des Tages k\u00f6nnen sie Bewegung, Herzfrequenz, die <a href=\"https:\/\/neuronup.com\/de\/kognitive-stimulation-und-rehabilitation\/therapeutische-und-psychologische-interventionsmethoden-und-techniken\/variabilitat-der-herzfrequenz-und-ihre-beziehung-zum-kognitiven-abau\/\">Herzfrequenzvariabilit\u00e4t<\/a>, die Sauerstoffs\u00e4ttigung, die Hauttemperatur, die elektrodermale Aktivit\u00e4t oder die verschiedenen Schlafphasen messen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Allerdings <strong>ist es nach wie vor eine Herausforderung, diese Signale in klinisch nutzbare Informationen umzuwandeln<\/strong>. Die erhobenen Messwerte k\u00f6nnen sich je nach Person, Ger\u00e4t und Tageszeit unterscheiden. Zudem weisen die Daten h\u00e4ufig Unterbrechungen auf, wenn die nutzende Person die Uhr abnimmt, der Akku leer ist oder ein Sensor nicht mehr korrekt aufzeichnet.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Au\u00dferdem <strong>erfordert die Entwicklung eines eigenen Algorithmus f\u00fcr jedes Gesundheitsproblem gro\u00dfe Mengen korrekt annotierter Daten<\/strong> \u2013 etwas, das im Gesundheitswesen besonders schwierig und kostspielig ist.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Um diese Einschr\u00e4nkungen zu \u00fcberwinden, hat ein Team von Google Research und weiteren Institutionen <strong>SensorFM<\/strong> entwickelt, ein <strong>Foundation Model f\u00fcr<\/strong> <a href=\"https:\/\/neuronup.com\/de\/neurowissenschaften\/ki-und-neurowissenschaften-wie-kuenstliche-intelligenz-die-kognitive-stimulation-und-die-neurorehabilitation-transformiert\/\"><strong>k\u00fcnstliche Intelligenz<\/strong><\/a>, das <strong>darauf trainiert wurde, anhand von Wearable-Daten allgemeine Gesundheitsrepr\u00e4sentationen zu lernen<\/strong>. Die als Preprint ver\u00f6ffentlichte Studie untersucht, ob ein einzelnes Modell diese Signale f\u00fcr Vorhersagen in verschiedenen Gesundheitsbereichen nutzen kann.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Was ist ein Foundation Model f\u00fcr Gesundheitsdaten?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Foundation Models werden mit sehr gro\u00dfen Informationsmengen trainiert, in der Regel ohne dass jedem einzelnen Datensatz ein bestimmtes Label zugeordnet sein muss. In diesem Prozess <strong>lernt das Modell allgemeine Muster, die anschlie\u00dfend f\u00fcr verschiedene Aufgaben angepasst werden k\u00f6nnen<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">SensorFM folgt diesem Ansatz. Anders als bei Texten oder Bildern <strong>lernt das Modell jedoch anhand von Zeitreihen, die von Sensoren aufgezeichnet werden<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das Modell wurde vortrainiert mit:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Mehr als <strong>einer Billion Minuten an Daten<\/strong>.<\/li>\n\n\n\n<li>Informationen von <strong>f\u00fcnf Millionen Menschen<\/strong>.<\/li>\n\n\n\n<li>Teilnehmenden aus mehr als <strong>100 L\u00e4ndern<\/strong>.<\/li>\n\n\n\n<li>Mehr als <strong>20 Modellen von Fitbit- und Pixel-Watch-Ger\u00e4ten<\/strong>.<\/li>\n\n\n\n<li><strong>F\u00fcnf Haupttypen von Sensoren<\/strong>: Photoplethysmografie, Beschleunigungssensor, Hauttemperatur, elektrodermale Aktivit\u00e4t und H\u00f6henmesser.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Anhand dieser Sensoren <strong>ermittelten die Forschenden 34 Variablen<\/strong>, die min\u00fctlich erfasst wurden. Dazu geh\u00f6rten die Herzfrequenz, verschiedene Ma\u00dfe der Herzfrequenzvariabilit\u00e4t, die Sauerstoffs\u00e4ttigung, die Schrittzahl, die Hauttemperatur und die <a href=\"https:\/\/neuronup.com\/de\/neurowissenschaften\/neurowissenschaft-des-schlafs-wie-beeinflusst-die-erholung-die-gehirnregeneration-und-die-kognitive-leistungsfahigkeit\/\">Schlafphasen<\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das Modell analysierte vollst\u00e4ndige 24-Stunden-Zeitfenster und lernte, Teile der Informationen zu rekonstruieren, die k\u00fcnstlich ausgeblendet worden waren. Auf diese Weise <strong>lernte es nicht nur die einzelnen Werte jedes Signals, sondern auch deren Zusammenh\u00e4nge und Ver\u00e4nderungen im Tagesverlauf<\/strong>.<\/p>\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<div class=\"wp-block-group br-0111 has-primary-background-color has-background has-dark-background has-sm-padding-top has-sm-padding-left has-sm-padding-right has-xxl-margin-top\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-block-group-is-layout-constrained\">\n<div class=\"wp-block-columns is-layout-flex wp-container-core-columns-is-layout-8f761849 wp-block-columns-is-layout-flex\">\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\">\n<figure class=\"wp-block-image size-full desktop-position-absolute desktop-bottom-0 mobile-width-50 mobile-m-inline-auto has-xl-margin-top\"><img decoding=\"async\" width=\"292\" height=\"338\" src=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2023\/12\/Produkt-Zertifikat.webp\" alt=\"\" class=\"wp-image-27552\" srcset=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2023\/12\/Produkt-Zertifikat-259x300.webp 259w, https:\/\/neuronup.com\/de\/wp-content\/uploads\/2023\/12\/Produkt-Zertifikat.webp 292w\" sizes=\"(max-width: 292px) 100vw, 292px\" \/><\/figure>\n<\/div>\n\n\n\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\">\n<h2 class=\"wp-block-heading has-white-color has-text-color\">Melden Sie sich<br> f\u00fcr unseren<br> <strong>Newsletter<\/strong>\u00a0an<\/h2>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button--1\" style=\"--button-outline-color:var(--color-white);--button-outline-color-hover:rgba(0,0,0,0.8);\"><a class=\"wp-block-button__link button button-outline   wp-element-button\" href=\"https:\/\/neuronup.com\/de\/newsletter\/#form\">Jetzt anmelden<\/a><\/div>\n\n<\/div>\n\n\n\n<div style=\"height:40px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Was wollten die Forschenden herausfinden?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Die Studie konzentrierte sich auf <strong>drei zentrale Fragen<\/strong>:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Zun\u00e4chst wollten die Autorinnen und Autoren pr\u00fcfen, ob eine gleichzeitige Erh\u00f6hung der Datenmenge und der Modellgr\u00f6\u00dfe zu vorhersehbaren Leistungsverbesserungen f\u00fchrt.<\/li>\n\n\n\n<li>Als Zweites untersuchten sie, ob sich die erlernten Repr\u00e4sentationen f\u00fcr Vorhersagen zu verschiedenen Gesundheitsaspekten wiederverwenden lassen, auch wenn nur wenige annotierte Stichproben vorliegen.<\/li>\n\n\n\n<li>Schlie\u00dflich analysierten sie, ob sich die Vorhersagen von SensorFM in einen pers\u00f6nlichen, auf <a href=\"https:\/\/neuronup.com\/de\/neuronup-nachrichten\/kunstliche-intelligenz-in-der-kognitiven-rehabilitation-die-zukunft-der-neuropsychologie\/\">k\u00fcnstlicher Intelligenz<\/a> basierenden Gesundheitsassistenten integrieren lassen, um relevantere, personalisierte und sicherere Antworten zu generieren.<\/li>\n<\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">Zur Evaluierung des Modells <strong>verwendeten sie unabh\u00e4ngige Informationen von 13.985 Teilnehmenden<\/strong>, die <strong>aus drei prospektiven Studien<\/strong> zu Stoffwechsel- und Herz-Kreislauf-Gesundheit, psychischer Gesundheit und Schlaf stammten.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ein Modell f\u00fcr 35 gesundheitsbezogene Aufgaben<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">SensorFM wurde in 35 verschiedenen Aufgaben <strong>evaluiert<\/strong>, die <strong>sechs gro\u00dfen Bereichen<\/strong> zugeordnet waren:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Herz-Kreislauf-Gesundheit.<\/li>\n\n\n\n<li>Stoffwechselgesundheit.<\/li>\n\n\n\n<li>Psychische Gesundheit.<\/li>\n\n\n\n<li>Schlaf.<\/li>\n\n\n\n<li>Lebensstil.<\/li>\n\n\n\n<li>Demografische und physiologische Merkmale.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Zu den analysierten Variablen geh\u00f6rten das kardiovaskul\u00e4re Risiko, Bluthochdruck, Diabetes, Insulinresistenz, die Werte von glykiertem H\u00e4moglobin und Triglyzeriden, <a href=\"https:\/\/neuronup.com\/de\/kognitive-stimulation-und-rehabilitation\/psychische-erkrankung\/praktische-strategien-zur-kognitiven-stimulation-bei-senioren-mit-depression\/\">Depression<\/a>, Angst, wahrgenommener Stress und Schlafst\u00f6rungen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das Modell wurde <strong>auch zur Sch\u00e4tzung von Merkmalen wie Alter, Body-Mass-Index, Gr\u00f6\u00dfe und Gewicht eingesetzt<\/strong>. Diese Variablen sind nicht unbedingt als klinische Zielgr\u00f6\u00dfen an sich zu verstehen, sondern dienen dazu zu pr\u00fcfen, wie viele physiologische und verhaltensbezogene Informationen das System gelernt hatte.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Was waren die wichtigsten Ergebnisse?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Die Ergebnisse zeigen, dass das <strong>Modell eine generalisierbare Repr\u00e4sentation der durch Wearables erfassten Physiologie und des Verhaltens erlernte<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">SensorFM <strong>\u00fcbertraf herk\u00f6mmliche \u00fcberwachte Modelle<\/strong>, die auf manuell entwickelten Variablen basierten, <strong>in 34 der 35 untersuchten Aufgaben<\/strong>. Das bedeutet: Die direkt anhand gro\u00dfer Datenmengen erlernten Repr\u00e4sentationen waren aussagekr\u00e4ftiger als herk\u00f6mmliche Zusammenfassungen, die aus denselben Signalen berechnet wurden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Au\u00dferdem <strong>verbesserte sich die Leistung mit der gemeinsamen Zunahme der Zahl der Teilnehmenden<\/strong>, die zum Training verwendet wurden, und der Modellkapazit\u00e4t. Die gr\u00f6\u00dfte Version erzielte bei 33 der 35 Aufgaben die besten Ergebnisse.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Autorinnen und Autoren beobachteten zudem, dass <strong>gr\u00f6\u00dfere Modelle weniger von nachtr\u00e4glich hinzugef\u00fcgten demografischen Informationen abhingen<\/strong>. Dies deutet darauf hin, dass einige physiologische Unterschiede, die mit Variablen wie Alter oder Body-Mass-Index verbunden sind, m\u00f6glicherweise bereits in den von den Sensoren erfassten Mustern abgebildet waren.<\/p>\n\n\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Lernen mit weniger klinisch annotierten Daten<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Eines der wichtigsten Ergebnisse war die <strong>F\u00e4higkeit des Modells, sich mit relativ wenigen annotierten Daten an neue Aufgaben anzupassen<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In der Gesundheitsforschung ist es vergleichsweise einfach, kontinuierlich Daten mit einer Smartwatch zu erfassen. Best\u00e4tigte Diagnosen, Blutuntersuchungen oder vollst\u00e4ndige klinische Frageb\u00f6gen zu erhalten, ist jedoch deutlich aufwendiger.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Da SensorFM zuvor anhand von Millionen Teilnehmenden allgemeine Muster gelernt hatte, <strong>ben\u00f6tigte es weniger annotierte Beispiele, um neue Vorhersagemodelle zu entwickeln<\/strong>. Diese Effizienz k\u00f6nnte die Erforschung von Gesundheitsproblemen erleichtern, f\u00fcr die nur kleine klinische Kohorten oder begrenzte Informationen vorliegen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Genauigkeit nahm jedoch mit einer gr\u00f6\u00dferen Zahl annotierter Daten weiter zu. Das Modell <strong>macht repr\u00e4sentative und genau charakterisierte klinische Stichproben daher nicht \u00fcberfl\u00fcssig<\/strong>.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Kann das Modell fehlende Daten rekonstruieren?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Die Daten von Wearables sind h\u00e4ufig unvollst\u00e4ndig. Nutzerinnen und Nutzer k\u00f6nnen die Uhr zeitweise abnehmen, ein Sensor kann die Verbindung verlieren oder die Signale k\u00f6nnen Fehler enthalten.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>SensorFM wurde gezielt darauf trainiert, mit solchen Informationsl\u00fccken umzugehen<\/strong>. In den durchgef\u00fchrten Tests \u00fcbertraf das Modell Referenzmethoden bei verschiedenen Rekonstruktionsaufgaben:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>74,8 % bei der Imputation zuf\u00e4llig entfernter Daten.<\/li>\n\n\n\n<li>38,8 % bei der Rekonstruktion mittlerer Zeitintervalle.<\/li>\n\n\n\n<li>39,6 % bei der Vorhersage von Intervallen am Ende der Aufzeichnung.<\/li>\n\n\n\n<li>83,7 %, wenn vollst\u00e4ndige Signale bestimmter Sensoren fehlten.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Die Forschenden simulierten au\u00dferdem den Verlust einer vollst\u00e4ndigen Stunde an Daten. Nach der Rekonstruktion dieses Zeitraums erreichte das Modell eine Genauigkeit von 99,7 % bei der Sch\u00e4tzung der t\u00e4glichen Schrittzahl, 99,9 % bei der Schlafdauer im Tiefschlaf und 99,2 % bei den Minuten mit leichter k\u00f6rperlicher Aktivit\u00e4t.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Diese F\u00e4higkeit k\u00f6nnte <strong>verhindern, dass eine vor\u00fcbergehende Unterbrechung die t\u00e4glichen Zusammenfassungen<\/strong> f\u00fcr die Nutzerinnen und Nutzer verzerrt.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">KI-Agenten zur Anpassung des Modells<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Obwohl sich die von SensorFM erlernten Repr\u00e4sentationen mit vergleichsweise einfachen statistischen Modellen nutzen lie\u00dfen, untersuchten die Forschenden auch eine <strong>automatisierte Strategie zur Verbesserung der Anpassung an die jeweilige Aufgabe<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dazu entwickelten sie eine Art <strong>\u201eKlassenzimmer\u201c mit mehreren Agenten auf Basis von Sprachmodellen<\/strong>. Diese Agenten generierten Code, trainierten verschiedene L\u00f6sungen, verglichen die Ergebnisse und passten ihre Vorschl\u00e4ge schrittweise an.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Insgesamt f\u00fchrte das System mehr als <strong>30.000 automatisierte Experimente<\/strong> durch.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die von den <strong>Agenten gefundenen L\u00f6sungen verbesserten die Leistung gegen\u00fcber linearen Modellen bei 16 der 20 Klassifikationsaufgaben<\/strong> und bei 12 der 15 Regressionsaufgaben.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dieses Ergebnis <strong>deutet auf eine m\u00f6gliche teilweise Automatisierung des Entwicklungsprozesses<\/strong> f\u00fcr Vorhersagemodelle hin. Die generierten L\u00f6sungen m\u00fcssen jedoch weiterhin sorgf\u00e4ltig gepr\u00fcft und validiert werden, insbesondere bei der Anwendung auf Gesundheitsdaten.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Von den Uhrendaten zum pers\u00f6nlichen Gesundheitsassistenten<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Anschlie\u00dfend integrierten die Forschenden die Vorhersagen von SensorFM in einen pers\u00f6nlichen Gesundheitsassistenten, der auf einem Sprachmodell basierte.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ziel war es, <strong>zu pr\u00fcfen, ob der Assistent Fragen zur Gesundheit besser beantworten kann<\/strong>, wenn ihm neben demografischen Daten und den t\u00e4glichen Zusammenfassungen des Wearables auch die von SensorFM generierten Sch\u00e4tzungen zur Verf\u00fcgung stehen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Es wurden 31 reale Profile verwendet<\/strong> und unter <strong>drei Bedingungen<\/strong> Antworten generiert:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Demografische Daten und t\u00e4gliche Wearable-Messwerte.<\/li>\n\n\n\n<li>Demografische Daten, t\u00e4gliche Messwerte und Vorhersagen von SensorFM.<\/li>\n\n\n\n<li>Demografische Daten, t\u00e4gliche Messwerte und tats\u00e4chliche klinische Werte.<\/li>\n<\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">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 zus\u00e4tzlicher Kontext zur Verf\u00fcgung gestellt werden.&nbsp;<\/p>\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image image-interface\">\n<figure class=\"aligncenter size-large\"><img decoding=\"async\" width=\"1200\" height=\"1585\" src=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica.webp\" alt=\"\" class=\"wp-image-50826\" srcset=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica-227x300.webp 227w, https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica-768x1014.webp 768w, https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica-775x1024.webp 775w, https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica-1163x1536.webp 1163w, https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/Integracion-del-SensorFM-en-un-asistente-personal-de-salud-y-diseno-de-la-evaluacion-clinica.webp 1200w\" sizes=\"(max-width: 1200px) 100vw, 1200px\" \/><figcaption class=\"wp-element-caption\"><strong>Abbildung 1.<\/strong> Integration von SensorFM in einen pers\u00f6nlichen Gesundheitsassistenten und Aufbau der klinischen Evaluation. Das System verwendet Wearable-Daten, um Vorhersagen zu generieren, die dem Sprachmodell als zus\u00e4tzlicher Kontext zur Verf\u00fcgung gestellt werden. Fachkr\u00e4fte aus dem Gesundheitswesen bewerteten die Antworten hinsichtlich Kontext, Relevanz, Personalisierung, Begr\u00fcndung und potenziellem Risiko. Abbildung nach Narayanswamy et al. (2026).\u00a0<\/figcaption><\/figure>\n<\/div>\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Vier Fachkr\u00e4fte aus dem Gesundheitswesen bewerteten die Antworten hinsichtlich Kontext, Relevanz, Personalisierung, Begr\u00fcndung und potenziellem Risiko. Insgesamt wurden <strong>1.860 klinische Bewertungen<\/strong> vorgenommen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Antworten, in die die Vorhersagen von SensorFM einbezogen wurden, waren <strong>signifikant besser als jene, die ausschlie\u00dflich auf den t\u00e4glichen Zusammenfassungen basierten<\/strong>. Au\u00dferdem wurden keine statistisch signifikanten Unterschiede zwischen den Antworten festgestellt, die mit den Modellvorhersagen generiert wurden, und jenen, bei denen tats\u00e4chliche klinische Werte verwendet wurden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dieses Ergebnis <strong>bedeutet nicht, dass SensorFM eine<\/strong> <a href=\"https:\/\/neuronup.com\/de\/neuronup-assessment\/\"><strong>medizinische Beurteilung<\/strong><\/a> ersetzen kann. Es zeigt, dass <strong>seine Vorhersagen dem Assistenten n\u00fctzlichen Zusatzkontext lieferten<\/strong>, um spezifischere und stimmigere Antworten zu generieren.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Welche Einschr\u00e4nkungen weist die Studie auf?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Trotz des Umfangs der verwendeten Daten <strong>sind die Ergebnisse mit Vorsicht zu interpretieren<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Erstens handelt es sich bei der Arbeit um einen <strong>Preprint<\/strong>, der das \u00fcbliche Peer-Review-Verfahren noch nicht durchlaufen hat.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das Modell <strong>wurde haupts\u00e4chlich mit Fitbit- und Pixel-Watch-Ger\u00e4ten trainiert<\/strong>. Es ist nicht gew\u00e4hrleistet, dass es mit Ger\u00e4ten anderer Hersteller gleicherma\u00dfen funktioniert, da sich deren Sensoren und Verarbeitungsmethoden unterscheiden k\u00f6nnen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Au\u00dferdem <strong>wurden min\u00fctlich aggregierte Variablen und nicht die urspr\u00fcnglichen physiologischen Signale verwendet<\/strong>. So lassen sich zwar l\u00e4ngere Zeitr\u00e4ume analysieren, jedoch k\u00f6nnen dabei hochfrequente Informationen verloren gehen, die f\u00fcr bestimmte klinische Anwendungen relevant sind.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Ein Teil der Ergebnisse<\/strong>, die zur Evaluation des Modells herangezogen wurden, <strong>stammte aus selbstberichteten Diagnosen, Angaben zur Medikation oder Screening-Frageb\u00f6gen<\/strong> und nicht immer aus best\u00e4tigten klinischen Diagnosen. Zudem unterschied sich die untersuchte Population von der Allgemeinbev\u00f6lkerung: Frauen und Nutzerinnen und Nutzer von Wearables waren \u00fcberrepr\u00e4sentiert.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Schlie\u00dflich beschr\u00e4nkte sich die Evaluation des pers\u00f6nlichen Gesundheitsassistenten auf statische Antworten in einem einzelnen Dialogschritt. Eine <strong>reale klinische Interaktion w\u00fcrde zus\u00e4tzliche Fragen, eine Pr\u00fcfung des Kontexts und eine longitudinale Verlaufskontrolle erfordern<\/strong>.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Welche Bedeutung k\u00f6nnte die Studie f\u00fcr die digitale Gesundheit haben?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Diese Studie <strong>skizziert einen Wandel: weg von Algorithmen f\u00fcr jeweils eine einzelne Aufgabe, hin zu allgemeinen Modellen, deren Repr\u00e4sentationen f\u00fcr unterschiedliche Gesundheitsprobleme wiederverwendet werden k\u00f6nnen<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wearables bieten einen longitudinalen Einblick in die allt\u00e4gliche Funktionsweise, w\u00e4hrend Messungen in einer Sprechstunde nur punktuelle Momentaufnahmen liefern. In Kombination mit angemessen validierten Modellen k\u00f6nnten sie dabei helfen, physiologische oder verhaltensbezogene Ver\u00e4nderungen zu erkennen, Personen mit weiterem Abkl\u00e4rungsbedarf zu identifizieren und die Verlaufskontrolle kontinuierlicher zu gestalten.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In der Neurologie und Neuropsychologie <strong>k\u00f6nnte diese Technologie besonders interessant sein, um Ver\u00e4nderungen des Schlafs, der Aktivit\u00e4t, der Alltagsroutinen, der autonomen Reaktion oder des emotionalen Zustands zu untersuchen<\/strong>. Solche Ver\u00e4nderungen k\u00f6nnen mit verschiedenen neurologischen und psychiatrischen Erkrankungen einhergehen. Vorhersagen aus Wearables d\u00fcrfen jedoch nicht als Diagnosen betrachtet werden.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wie kann NeuronUP einen Beitrag leisten?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Passiv mit Wearables erhobene Informationen <strong>k\u00f6nnen durch kognitive Beurteilungen und strukturierte Interventionsprogramme erg\u00e4nzt werden<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Plattformen wie <a href=\"https:\/\/neuronup.com\/de\/\"><strong>NeuronUP<\/strong><\/a> <strong><\/strong>erm\u00f6glichen die Beurteilung und das Training von Bereichen wie Aufmerksamkeit, Ged\u00e4chtnis, <a href=\"https:\/\/neuronup.com\/de\/einsatzbereiche\/kognitive-funktionen\/exekutive-funktionen\/\">Exekutivfunktionen<\/a>, Sprache oder sozialer Kognition. Die k\u00fcnftige Kombination kognitiver Messwerte mit longitudinalen Daten zu Schlaf, Aktivit\u00e4t und Physiologie k\u00f6nnte <strong>ein umfassenderes Bild der Entwicklung jeder einzelnen Person vermitteln<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Diese Integration k\u00f6nnte <strong>die Personalisierung von Interventionen, die Erkennung funktioneller Ver\u00e4nderungen und die Verlaufskontrolle des Behandlungserfolgs erleichtern<\/strong>. Daf\u00fcr sind spezifische klinische Studien, interpretierbare Modelle und Protokolle erforderlich, die Datenschutz, Chancengleichheit und Sicherheit der Nutzerinnen und Nutzer gew\u00e4hrleisten.<\/p>\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<div class=\"wp-block-group\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-block-group-is-layout-constrained\">\n<div class=\"wp-block-columns br-0111 particle-bg p-5 has-primary-background-color has-background is-layout-flex wp-container-core-columns-is-layout-8f761849 wp-block-columns-is-layout-flex\">\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:66.66%\">\n<h2 class=\"wp-block-heading has-white-color has-text-color\">Testen Sie NeuronUP 7 Tage kostenlos<\/h2>\n\n\n\n<p class=\"has-white-color has-text-color wp-block-paragraph\">Probieren Sie unsere verschiedenen \u00dcbungen, erstellen Sie Sitzungen oder arbeiten Sie remote mithilfe von Online-Sitzungen<\/p>\n<\/div>\n\n\n\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:33.33%\">\n<div class=\"wp-block-buttons is-content-justification-center is-layout-flex wp-container-core-buttons-is-layout-fe48e5de wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button\" style=\"--button-color:var(--color-primary);--button-background:var(--color-white);--button-background-hover:#e6e6e6;\"><a class=\"wp-block-button__link button     wp-element-button\" href=\"https:\/\/neuronup.com\/de\/landing-store-user\/\">Kostenlos testen<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Fazit<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">SensorFM zeigt, dass ein gro\u00df angelegtes Training mit nicht annotierten Daten von Wearables Repr\u00e4sentationen hervorbringen kann, die f\u00fcr verschiedene Gesundheitsbereiche n\u00fctzlich sind.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das Modell \u00fcbertraf herk\u00f6mmliche Methoden bei den meisten untersuchten Aufgaben, konnte fehlende Daten rekonstruieren und lieferte einem pers\u00f6nlichen Gesundheitsassistenten zus\u00e4tzliche Informationen. Seine Vorhersagen sind jedoch als potenzielle Instrumente f\u00fcr Screening, Risikostratifizierung und Verlaufskontrolle zu verstehen \u2013 nicht als Ersatz f\u00fcr eine klinische Diagnose.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Ergebnisse sind <strong>ein Schritt hin zu Systemen, die gro\u00dfe Mengen allt\u00e4glicher Daten in personalisierte Informationen umwandeln k\u00f6nnen<\/strong>. Die n\u00e4chste Herausforderung besteht darin, nachzuweisen, dass diese Instrumente ihre Genauigkeit, Sicherheit und N\u00fctzlichkeit auch dann beibehalten, wenn sie bei unterschiedlichen klinischen Populationen und in realen Versorgungskontexten eingesetzt werden.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Literaturverzeichnis<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li class=\"has-sm-font-size\">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<\/li>\n<\/ul>\n\n\n\n<div style=\"height:70px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<div class=\"wp-block-group p-4 br-0111 has-alt-background-color has-background has-light-background\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-block-group-is-layout-constrained\">\n<h2 class=\"wp-block-heading\"><strong>H\u00e4ufig gestellte Fragen zu KI und Wearables in der Neurorehabilitation<\/strong><\/h2>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<div class=\"wp-block-pb-accordion-item c-accordion__item js-accordion-item no-js\" data-initially-open=\"false\" data-click-to-close=\"true\" data-auto-close=\"true\" data-scroll=\"false\" data-scroll-offset=\"0\" id=\"trabajarneuronup\"><h3 id=\"at-530317\" class=\"c-accordion__title js-accordion-controller\" role=\"button\">1. Was ist das Modell SensorFM und wie wird es in der digitalen Gesundheit eingesetzt?<\/h3><div id=\"ac-530317\" class=\"c-accordion__content\">\n<p class=\"wp-block-paragraph\">SensorFM ist ein von Google Research und weiteren Institutionen entwickeltes Foundation Model f\u00fcr k\u00fcnstliche Intelligenz, das mit mehr als einer Billion Minuten an Wearable-Daten trainiert wurde. Es lernt anhand von Biosignalen allgemeine Muster, um Vorhersagen f\u00fcr zahlreiche Gesundheitsaufgaben zu treffen \u2013 von der Schlafqualit\u00e4t bis hin zu Indikatoren der Stoffwechselgesundheit und psychischen Gesundheit.<\/p>\n<\/div><\/div>\n\n\n\n<div class=\"wp-block-pb-accordion-item c-accordion__item js-accordion-item no-js\" data-initially-open=\"false\" data-click-to-close=\"true\" data-auto-close=\"true\" data-scroll=\"false\" data-scroll-offset=\"0\" id=\"trabajarneuronup\"><h3 id=\"at-530318\" class=\"c-accordion__title js-accordion-controller\" role=\"button\">2. Welche Vorteile bieten digitale Biomarker f\u00fcr die Neurorehabilitation?<\/h3><div id=\"ac-530318\" class=\"c-accordion__content\">\n<p class=\"wp-block-paragraph\">Smartwatches und Fitnessarmb\u00e4nder bieten einen longitudinalen und kontinuierlichen Einblick in die allt\u00e4gliche Funktionsweise der nutzenden Person. Dabei erfassen sie Messwerte wie die Herzfrequenzvariabilit\u00e4t, Schlafphasen oder k\u00f6rperliche Aktivit\u00e4t. Diese passive \u00dcberwachung erg\u00e4nzt punktuelle Untersuchungen in der Sprechstunde und erm\u00f6glicht Neuropsychologinnen und Neuropsychologen, subtile Ver\u00e4nderungen der Alltagsroutinen, der autonomen Reaktion oder des emotionalen Zustands zu erkennen, die mit verschiedenen Erkrankungen zusammenh\u00e4ngen k\u00f6nnen.<\/p>\n<\/div><\/div>\n\n\n\n<div class=\"wp-block-pb-accordion-item c-accordion__item js-accordion-item no-js\" data-initially-open=\"false\" data-click-to-close=\"true\" data-auto-close=\"true\" data-scroll=\"false\" data-scroll-offset=\"0\" id=\"videosneuronup\"><h3 id=\"at-530319\" class=\"c-accordion__title js-accordion-controller\" role=\"button\">3. Wie kann k\u00fcnstliche Intelligenz Datenverluste bei Smartwatches ausgleichen?<\/h3><div id=\"ac-530319\" class=\"c-accordion__content\">\n<p class=\"wp-block-paragraph\">Bei Wearable-Daten kommt es h\u00e4ufig zu Unterbrechungen, wenn der Akku leer ist oder die nutzende Person das Ger\u00e4t abnimmt. Modelle wie SensorFM werden darauf trainiert, fehlende Informationen zu rekonstruieren. In Simulationen, bei denen eine vollst\u00e4ndige Stunde an Aufzeichnungen fehlte, erreichte das System bei der Sch\u00e4tzung von Tiefschlaf und t\u00e4glichen Schritten weiterhin eine Genauigkeit von \u00fcber 99 %.<\/p>\n<\/div><\/div>\n\n\n\n<div class=\"wp-block-pb-accordion-item c-accordion__item js-accordion-item no-js\" data-initially-open=\"false\" data-click-to-close=\"true\" data-auto-close=\"true\" data-scroll=\"false\" data-scroll-offset=\"0\" id=\"formaciongratuita\"><h3 id=\"at-5303110\" class=\"c-accordion__title js-accordion-controller\" role=\"button\">4. K\u00f6nnen Wearable-Vorhersagen eine klinische Diagnose ersetzen?<\/h3><div id=\"ac-5303110\" class=\"c-accordion__content\">\n<p class=\"wp-block-paragraph\">Nein. Die von Foundation Models anhand von Wearable-Daten gesch\u00e4tzten Variablen stellen f\u00fcr sich genommen weder klinische Zielgr\u00f6\u00dfen noch Diagnosen dar. Sie dienen als Screening- und Verlaufskontrollinstrumente und liefern wertvollen zus\u00e4tzlichen Kontext f\u00fcr die Personalisierung von Interventionen. Sie m\u00fcssen jedoch stets in strukturierte klinische Beurteilungen eingebettet und von einer Fachkraft aus dem Gesundheitswesen begleitet werden.<\/p>\n<\/div><\/div>\n<\/div><\/div>\n\n\n\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h3 class=\"wp-block-heading\">Wenn Ihnen dieser Artikel \u00fcber <strong>Wearables und k\u00fcnstliche Intelligenz in der Neurorehabilitation: Das klinische Potenzial von SensorFM<\/strong> gefallen hat, k\u00f6nnten Sie auch diese Artikel von NeuronUP interessieren:<\/h3>\n\n\n<div class=\"mai-grid entries entries-grid has-boxed has-image-full\" style=\"--entry-title-font-size:var(--font-size-lg);--align-text:start;--entry-meta-text-align:start;\"><div class=\"entries-wrap has-columns\" style=\"--columns-xs:1 \/ 1;--columns-sm:1 \/ 1;--columns-md:1 \/ 3;--columns-lg:1 \/ 3;--flex-xs:0 0 var(--flex-basis);--flex-sm:0 0 var(--flex-basis);--flex-md:0 0 var(--flex-basis);--flex-lg:0 0 var(--flex-basis);--column-gap:var(--spacing-lg);--row-gap:var(--spacing-lg);--align-columns:start;\"><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-forschungslinien tag-forschung tag-kunstliche-intelligenz\" style=\"--entry-index:1;\" aria-label=\"Wearables und k\u00fcnstliche Intelligenz in der Neurorehabilitation: Das klinische Potenzial von SensorFM\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/wearables-und-kuenstliche-intelligenz-in-der-neurorrehabilitation-das-klinische-potenzial-des-sensorfm\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/Wearables-e-inteligencia-artificial.-Como-el-modelo-SensorFM-utiliza-datos-de-wearables-para-analizar-patrones-fisiologicos.-Impacto-en-neurorrehabilitacion-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Wearables und k\u00fcnstliche Intelligenz: Wie das Modell SensorFM Wearable-Daten zur Analyse physiologischer Muster nutzt und welche Bedeutung dies f\u00fcr die Neurorehabilitation hat.\" srcset=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/Wearables-e-inteligencia-artificial.-Como-el-modelo-SensorFM-utiliza-datos-de-wearables-para-analizar-patrones-fisiologicos.-Impacto-en-neurorrehabilitacion-400x300.webp 400w, https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/Wearables-e-inteligencia-artificial.-Como-el-modelo-SensorFM-utiliza-datos-de-wearables-para-analizar-patrones-fisiologicos.-Impacto-en-neurorrehabilitacion-800x600.webp 800w\" sizes=\"(max-width:599px) 599px, (min-width:600px) and (max-width: 799px) 799px, (min-width:800px) and (max-width: 999px) 333px, (min-width:1000px) 400px\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/wearables-und-kuenstliche-intelligenz-in-der-neurorrehabilitation-das-klinische-potenzial-des-sensorfm\/\" rel=\"bookmark\">Wearables und k\u00fcnstliche Intelligenz in der Neurorehabilitation: Das klinische Potenzial von SensorFM<\/a><\/h3>\n<\/div><\/article><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-forschungslinien tag-forschung tag-gehirn\" style=\"--entry-index:2;\" aria-label=\"Entwicklung der Foveola und das Sehen: Mechanismen und Bedeutung f\u00fcr die altersbedingte Makuladegeneration (AMD)\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/bildung-der-fovea-und-des-sehens-mechanismen-und-implikationen-bei-der-altersbedingten-makuladegeneration-amd\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/de-Modelo-propuesto-para-la-formacion-de-la-foveola-humana-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Vorgeschlagenes Modell f\u00fcr die Entstehung der menschlichen Foveola.\" srcset=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/de-Modelo-propuesto-para-la-formacion-de-la-foveola-humana-400x300.webp 400w, https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/de-Modelo-propuesto-para-la-formacion-de-la-foveola-humana-800x600.webp 800w\" sizes=\"(max-width:599px) 599px, (min-width:600px) and (max-width: 799px) 799px, (min-width:800px) and (max-width: 999px) 333px, (min-width:1000px) 400px\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/bildung-der-fovea-und-des-sehens-mechanismen-und-implikationen-bei-der-altersbedingten-makuladegeneration-amd\/\" rel=\"bookmark\">Entwicklung der Foveola und das Sehen: Mechanismen und Bedeutung f\u00fcr die altersbedingte Makuladegeneration (AMD)<\/a><\/h3>\n<\/div><\/article><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-forschungslinien tag-forschung tag-parkinson\" style=\"--entry-index:3;\" aria-label=\"Was haben Alzheimer und Parkinson gemeinsam? Neue Erkenntnisse aus der zellul\u00e4ren Transkriptomik\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/was-haben-alzheimer-und-parkinson-gemeinsam-neue-hinweise-aus-der-zellulaeren-transkriptomik\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/de-Procesos-biologicos-compartidos-entre-alzheimer-y-parkinson-segun-el-tipo-celula-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Gemeinsame biologische Prozesse bei Alzheimer und Parkinson nach Zelltyp.\" srcset=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/de-Procesos-biologicos-compartidos-entre-alzheimer-y-parkinson-segun-el-tipo-celula-400x300.webp 400w, https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/de-Procesos-biologicos-compartidos-entre-alzheimer-y-parkinson-segun-el-tipo-celula-800x600.webp 800w\" sizes=\"(max-width:599px) 599px, (min-width:600px) and (max-width: 799px) 799px, (min-width:800px) and (max-width: 999px) 333px, (min-width:1000px) 400px\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/was-haben-alzheimer-und-parkinson-gemeinsam-neue-hinweise-aus-der-zellulaeren-transkriptomik\/\" rel=\"bookmark\">Was haben Alzheimer und Parkinson gemeinsam? Neue Erkenntnisse aus der zellul\u00e4ren Transkriptomik<\/a><\/h3>\n<\/div><\/article><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-forschungslinien tag-forschung tag-parkinson\" style=\"--entry-index:4;\" aria-label=\"Stammzelltransplantation bei Parkinson: Erste Ergebnisse der STEM-PD-Studie\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/transplantation-von-stammzellen-bei-parkinson-erste-ergebnisse-der-stem-pd-studie\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/11\/terapia-celular-parkinson-pet-18f-fdopa-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Stammzelltransplantation bei Parkinson: Erste Ergebnisse der STEM-PD-Studie\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/transplantation-von-stammzellen-bei-parkinson-erste-ergebnisse-der-stem-pd-studie\/\" rel=\"bookmark\">Stammzelltransplantation bei Parkinson: Erste Ergebnisse der STEM-PD-Studie<\/a><\/h3>\n<\/div><\/article><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-forschungslinien tag-demenz tag-forschung\" style=\"--entry-index:5;\" aria-label=\"Schlafen, um das Gehirn zu reinigen: Der Zusammenhang zwischen Schlaf, glymphatischem System und Demenz\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/schlafen-um-das-gehirn-zu-reinigen-die-verbindung-zwischen-schlaf-dem-glymphatischen-system-und-der-demenz\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/09\/Dormir-para-limpiar-el-cerebro-el-vinculo-entre-sueno-sistema-glinfatico-y-demencia.-El-papel-del-sistema-glinfatico-y-el-sueno-NREM-en-la-eliminacion-de-amiloide-y-tau.-Implicaciones-clinicas-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Schlafen, um das Gehirn zu reinigen: Zusammenhang zwischen Schlaf, glymphatischem System und Demenz. Die Rolle des glymphatischen Systems und des NREM-Schlafs beim Abbau von Amyloid und Tau. Klinische Implikationen.\" srcset=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/09\/Dormir-para-limpiar-el-cerebro-el-vinculo-entre-sueno-sistema-glinfatico-y-demencia.-El-papel-del-sistema-glinfatico-y-el-sueno-NREM-en-la-eliminacion-de-amiloide-y-tau.-Implicaciones-clinicas-400x300.webp 400w, https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/09\/Dormir-para-limpiar-el-cerebro-el-vinculo-entre-sueno-sistema-glinfatico-y-demencia.-El-papel-del-sistema-glinfatico-y-el-sueno-NREM-en-la-eliminacion-de-amiloide-y-tau.-Implicaciones-clinicas-800x600.webp 800w\" sizes=\"(max-width:599px) 599px, (min-width:600px) and (max-width: 799px) 799px, (min-width:800px) and (max-width: 999px) 333px, (min-width:1000px) 400px\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/schlafen-um-das-gehirn-zu-reinigen-die-verbindung-zwischen-schlaf-dem-glymphatischen-system-und-der-demenz\/\" rel=\"bookmark\">Schlafen, um das Gehirn zu reinigen: Der Zusammenhang zwischen Schlaf, glymphatischem System und Demenz<\/a><\/h3>\n<\/div><\/article><article class=\"entry entry-grid is-column has-entry-link has-image has-image-first type-post category-forschungslinien tag-forschung\" style=\"--entry-index:6;\" aria-label=\"Beta-Amyloid bei Alzheimer abbauen: Modulation der Blut-Hirn-Schranke\" itemscope itemtype=\"https:\/\/schema.org\/CreativeWork\"><a class=\"entry-image-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/beta-amyloid-bei-alzheimer-modulation-der-blut-hirn-schranke\/\" tabindex=\"-1\" aria-hidden=\"true\"><img decoding=\"async\" width=\"400\" height=\"300\" src=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/10\/Beta-amiloide-y-alzheimer.-Como-el-uso-de-nanoparticulas-A40-POs-para-eliminar-beta-amiloide-modulando-la-barrera-hematoencefalica-abre-nuevas-vias-para-entender-y-tratar-la-enfermedad-400x300.webp\" class=\"entry-image size-landscape-sm\" alt=\"Beta-Amyloid und Alzheimer. Wie A40-POs-Nanopartikel durch Modulation der Blut-Hirn-Schranke neue Wege zum Verst\u00e4ndnis und zur Behandlung der Erkrankung er\u00f6ffnen.\" srcset=\"https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/10\/Beta-amiloide-y-alzheimer.-Como-el-uso-de-nanoparticulas-A40-POs-para-eliminar-beta-amiloide-modulando-la-barrera-hematoencefalica-abre-nuevas-vias-para-entender-y-tratar-la-enfermedad-400x300.webp 400w, https:\/\/neuronup.com\/de\/wp-content\/uploads\/2026\/10\/Beta-amiloide-y-alzheimer.-Como-el-uso-de-nanoparticulas-A40-POs-para-eliminar-beta-amiloide-modulando-la-barrera-hematoencefalica-abre-nuevas-vias-para-entender-y-tratar-la-enfermedad-800x600.webp 800w\" sizes=\"(max-width:599px) 599px, (min-width:600px) and (max-width: 799px) 799px, (min-width:800px) and (max-width: 999px) 333px, (min-width:1000px) 400px\" \/><\/a><div class=\"entry-wrap entry-wrap-grid\"><h3 class=\"entry-title\" itemprop=\"headline\"><a class=\"entry-title-link\" href=\"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/beta-amyloid-bei-alzheimer-modulation-der-blut-hirn-schranke\/\" rel=\"bookmark\">Beta-Amyloid bei Alzheimer abbauen: Modulation der Blut-Hirn-Schranke<\/a><\/h3>\n<\/div><\/article><\/div><\/div>","protected":false},"excerpt":{"rendered":"<p>Kann eine Smartwatch Gesundheitsrisiken vorhersagen? Die Doktorandin Marta Arbizu G\u00f3mez 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 k\u00fcnstlicher Intelligenz und von Wearables ver\u00e4ndert die kontinuierliche Erfassung von Gesundheitsdaten. Dieser Artikel untersucht das klinische Potenzial von SensorFM, &hellip;<\/p>\n","protected":false},"author":230,"featured_media":50827,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_genesis_hide_title":false,"_genesis_hide_breadcrumbs":false,"_genesis_hide_singular_image":false,"_genesis_hide_footer_widgets":false,"_genesis_custom_body_class":"","_genesis_custom_post_class":"","_genesis_layout":"","footnotes":""},"categories":[438],"tags":[370,474],"class_list":["type-post","category-forschungslinien","tag-forschung","tag-kunstliche-intelligenz","entry"],"acf":[],"_links":{"self":[{"href":"https:\/\/neuronup.com\/de\/wp-json\/wp\/v2\/posts\/50828","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/neuronup.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/neuronup.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/neuronup.com\/de\/wp-json\/wp\/v2\/users\/230"}],"replies":[{"embeddable":true,"href":"https:\/\/neuronup.com\/de\/wp-json\/wp\/v2\/comments?post=50828"}],"version-history":[{"count":0,"href":"https:\/\/neuronup.com\/de\/wp-json\/wp\/v2\/posts\/50828\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/neuronup.com\/de\/wp-json\/wp\/v2\/media\/50827"}],"wp:attachment":[{"href":"https:\/\/neuronup.com\/de\/wp-json\/wp\/v2\/media?parent=50828"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/neuronup.com\/de\/wp-json\/wp\/v2\/categories?post=50828"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/neuronup.com\/de\/wp-json\/wp\/v2\/tags?post=50828"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}