Tragbare Sensoren und Big-Data-Technologie für die kardiovaskuläre Gesundheitsversorgung: Aktueller Stand und zukünftige Perspektiven

Kardiovaskuläre Erkrankungen (CVD) bleiben die weltweit führende Ursache für Morbidität und Mortalität und waren im Jahr 2016 für etwa 17,6 Millionen Todesfälle verantwortlich. Diese Zahl wird voraussichtlich um 14,5 % steigen, was die dringende Notwendigkeit innovativer Ansätze zur Prävention, Früherkennung und Behandlung unterstreicht. Traditionelle Strategien zur Risikobewertung und Lebensstilmodifikation bei CVD stützen sich stark auf sporadische klinische Besuche und subjektive Selbstberichte, die oft dynamische physiologische und verhaltensbezogene Parameter, die für den Krankheitsverlauf entscheidend sind, nicht erfassen. Tragbare Sensortechnologie in Kombination mit Big-Data-Analysen hat sich als transformative Lösung herausgestellt, die eine kontinuierliche, nicht-invasive Überwachung vitaler Gesundheitsmetriken in realen Umgebungen ermöglicht.

Entwicklung tragbarer Technologie

In den letzten zwei Jahrzehnten haben sich tragbare Geräte von einfachen Schrittzählern zu fortschrittlichen Multisensor-Plattformen entwickelt, die eine Vielzahl physiologischer und verhaltensbezogener Parameter erfassen können. Frühe Geräte wie der Nike-Apple-Fitness-Tracker (2006) und Fitbit (2008) konzentrierten sich auf körperliche Aktivität (PA) wie Schrittzahl, Distanz und Intensität. Seit 2013 haben Smartwatches (z. B. Apple Watch, Huawei GT-Serie) und Biosensor-Pflaster (z. B. iRhythm Zio) ihre Funktionen auf Herzfrequenz (HR), Elektrokardiogramm (EKG), Photoplethysmographie (PPG), Schlafmuster und Blutsauerstoffsättigung erweitert. Diese Geräte sind nun in verschiedenen Formen erhältlich – Armbanduhren, Brustpflaster, Ringe, intelligente Kleidung und Ohrhörer – und passen sich damit unterschiedlichen Benutzerpräferenzen und klinischen Anforderungen an.

Zu den wichtigsten Parametern, die von tragbaren Geräten überwacht werden, gehören:

1. Körperliche Aktivität: Beschleunigungsmesser und Gyroskope klassifizieren Aktivitäten (Gehen, Laufen, Radfahren) und quantifizieren Schrittzahlen. Studien validieren die Genauigkeit tragbarer Geräte, wobei Fitbit-Geräte einen mittleren absoluten prozentualen Fehler (MAPE) von <5 % beim langsamen Gehen zeigen und die Apple Watch bei höheren Intensitäten überzeugt.
2. Herzfrequenz/-rhythmus: EKG-Pflaster (z. B. Polar H7) bleiben der Goldstandard für Genauigkeit, während PPG-basierte Geräte (z. B. Apple Watch) bei normalem Sinusrhythmus gut mit dem EKG korrelieren. Die Genauigkeit von PPG nimmt jedoch bei Arrhythmien ab, wobei die Apple Watch und Fitbit Blaze bei Vorhofflimmern eine Abweichung von −5 bzw. −18 Schlägen pro Minute aufweisen.
3. Schlafüberwachung: Geräte wie Fitbit Charge 2 und Oura Ring schätzen die Gesamtschlafzeit (TST) und die Wachzeit nach dem Schlafbeginn (WASO) mit angemessener Genauigkeit (±9–24 Minuten im Vergleich zur Polysomnographie), schneiden jedoch bei der Unterscheidung von Schlafphasen (z. B. REM vs. Tiefschlaf) schlecht ab.

Klinische Anwendungen in der kardiovaskulären Versorgung

Arrhythmie-Erkennung

Vorhofflimmern (AF), das 0,51 % der Weltbevölkerung betrifft, profitiert erheblich von der frühzeitigen Erkennung durch tragbare Geräte. Das Zio-EKG-Pflaster, analysiert durch Deep Neural Networks (DNNs), erreichte eine Fläche unter der Kurve (AUC) von 0,97 für die Klassifizierung von 12 Arrhythmien. In der Apple Heart Study hatte die PPG-basierte AF-Erkennung einen positiven prädiktiven Wert (PPV) von 84 %, während die Huawei Heart Study einen PPV von 91,6 % mit am Handgelenk getragenen Geräten berichtete. Smartwatch-EKG-Kombinationen wie die KardiaBand zeigten eine Sensitivität von 93 % und eine Spezifität von 84 % für die AF-Diagnose.

Blutdruck (BP)-Überwachung

Die kuffenlose BP-Schätzung mittels Pulstransitzeit (PTT) und maschinellem Lernen zeigt vielversprechende Ergebnisse, steht jedoch vor Validierungsherausforderungen. Laborprototypen mit PPG und Kraftsensoren erreichten mittlere absolute Differenzen (MAD) von 6,1 mmHg (systolisch) und 7,7 mmHg (diastolisch). Kommerzielle Geräte wie die InBodyWATCH zeigten eine Genauigkeit von 71,4 % innerhalb von ±5 mmHg für den systolischen BP, obwohl Inkonsistenzen in realen Umgebungen bestehen bleiben.

Diabetes- und metabolische Risikoerkennung

Smartphone-PPG-Algorithmen, die auf 53.879 Personen trainiert wurden, erkannten Diabetes mit einer AUC von 0,766, während Multigerätesysteme (Fitbit, Apple Watch) hohen Cholesterinspiegel, Bluthochdruck und Schlafapnoe mit Genauigkeiten zwischen 74 % und 85 % identifizierten.

Kardiovaskuläre Risikostratifizierung

Wearable-abgeleitete PA-Daten aus der Women’s Health Study zeigten eine Reduktion des Risikos für Gesamtmortalität um 60–70 % bei höheren Aktivitätsvolumina – weit über den selbstberichteten Schätzungen liegend. Maschinelle Lernmodelle, die PA, Stresslevel und emotionale Zustände integrieren, erreichten eine Genauigkeit von 96 % in der kurzfristigen Risikovorhersage.

Herausforderungen und Einschränkungen

Trotz Fortschritten behindern Barrieren die breite Einführung:

1. Genauigkeit und Signalqualität: Bewegungsartefakte, Variabilität des Hautkontakts und Algorithmusbeschränkungen verringern die Zuverlässigkeit. Beispielsweise verdoppelten sich die Fehler des Fitbit Charge 2 beim Nordic Walking im Vergleich zum normalen Gehen.
2. Datenredundanz: Kontinuierliche Überwachung erzeugt große Datensätze mit geringem klinischen Wert. Redundante oder korrupte Daten (z. B. während sitzender Phasen) erschweren Speicherung und Analyse.
3. Fehlende klinische Kriterien: Das Fehlen standardisierter Protokolle für wearable-abgeleitete Metriken (z. B. BP während des Trainings) begrenzt die klinische Anwendung.
4. Datensicherheit: Fragen zu Eigentum, Privatsphäre und Missbrauch erfordern Blockchain- oder Verschlüsselungsframeworks für sichere Datenteilung.
5. Geräteminiaturisierung: Aktuelle Formfaktoren können die Compliance beeinträchtigen; flexible Elektronik und energieeffiziente Chips sind für eine nahtlose Integration in den Alltag erforderlich.

Zukünftige Richtungen

1. Groß angelegte Validierung: Standardisierte Studien zur Bewertung der Gerätegenauigkeit im Vergleich zu klinischen Goldstandards.
2. Kohortenstudien: Prospektive Studien, die langfristige Wearable-Daten (z. B. HR-Variabilität, Schlafmuster) mit CVD-Ergebnissen verknüpfen.
3. Akute Ereignisvorhersage: Identifizierung prämonitorischer Biomarker (z. B. HR-Instabilität vor Herzstillstand) durch kontinuierliche Überwachung.
4. KI-gestützte Personalisierung: Adaptive Algorithmen, die individuelle Baselines und kontextuelle Faktoren (z. B. Stress, Umgebung) berücksichtigen.
5. Regulatorische Rahmenbedingungen: Zertifizierungsprozesse für tragbare Geräte und Datenverwaltungsrichtlinien zur Sicherstellung ethischer Nutzung.

Schlussfolgerung

Tragbare Sensoren und Big-Data-Analysen stellen einen Paradigmenwechsel in der kardiovaskulären Gesundheitsversorgung dar und bieten beispiellose Möglichkeiten für Früherkennung, dynamische Risikobewertung und personalisierte Intervention. Während technologische Fortschritte in der Multiparameter-Überwachung und KI Machbarkeit demonstriert haben, bleiben klinische Validierung, Standardisierung und ethische Datenverwaltung entscheidend, um ihr volles Potenzial zu realisieren. Mit der Verbesserung der Miniaturisierung und Batterielebensdauer könnten zukünftige tragbare Geräte zu unverzichtbaren Werkzeugen für die lebenslange CVD-Prävention werden und sich nahtlos in den Alltag integrieren, um Patienten und Kliniker gleichermaßen zu befähigen.

doi.org/10.1097/CM9.0000000000002117