CAMBRIDGE / LONDON (IT BOLTWISE) – Eine neue KI-Methode kombiniert Photoplethysmografie und Beschleunigungsdaten von einer gängigen Smartwatch, um Bluthochdruck zu erkennen. Das System arbeitet ohne Manschetten-Kalibrierung und wird gegen eine 24-Stunden-Blutdruckmessung im klinischen Goldstandard getestet. In einer prospektiven, multizentrischen Studie mit 196 Teilnehmenden erreicht es für Hypertonie eine Sensitivität von 65,8% bei 90,0% Spezifität. Gleichzeitig zeigt ein Vergleich zur initialen Praxis-Screening-Strategie, dass die Smartphone-gestützte Gelegenheitserkennung das Verhältnis aus Trefferquote und Fehlalarmen spürbar verschieben könnte.
Bluthochdruck gilt medizinisch als „stiller“ Risikofaktor, weil viele Betroffene keine klaren Symptome spüren. Genau diese Lücke ist seit Jahren ein Ziel für digitale Früherkennung: Wenn sich Hypertonie schon im Alltag abzeichnen lässt, könnten gefährdete Menschen früher in eine Bestätigungsmessung geraten. Der neue Ansatz, der auf KI-gestützte Auswertung von Wellenformen setzt, adressiert dabei ein klassisches Hardware-Problem: Übliche Verfahren mit optischen Sensoren brauchen oft eine Kalibrierung gegen Messwerte mit Manschette. In der hier beschriebenen Implementierung soll der Weg dorthin bewusst einfacher werden.
Technisch basiert das System „AI-PPG-ACC-HTN“ auf zwei Datentypen, die eine Consumer-Smartwatch ohnehin liefert: Photoplethysmografie (PPG) und Beschleunigungssignale (ACC). Während PPG typischerweise die mikro-vaskuläre Durchblutung über optische Reflexionen erfasst, liefert die Beschleunigung Information über Bewegung, Haltung und Artefakte – Faktoren, die die Pulswellen in der Praxis schnell verfälschen. Die KI wird auf „multimodale Wellenformen“ trainiert, also auf die gemeinsame Verarbeitung beider Signalströme, damit das Modell nicht nur Muster im Puls erkennt, sondern zugleich die Plausibilität im Kontext der Bewegung bewertet. Entscheidend für die praktische Nutzung ist, dass das Verfahren ohne cuff calibration auskommt, also ohne individuelle Anpassung an einen manschettenbasierten Referenzwert.
Die Validierung erfolgte als prospektive, multizentrische Untersuchung mit 196 Teilnehmenden, die weder bekannte kardiovaskuläre Erkrankungen noch antihypertensive Medikamente hatten. Als Referenz diente ein 24-Stunden-ambulantes Blutdruckmonitoring, das als Goldstandard für die Beurteilung des Blutdruckprofils gilt. Über sieben Tage im realen Alltag ließ sich so prüfen, wie stabil die KI-Erkennung unter typischen Bedingungen funktioniert – inklusive der unvermeidbaren Heterogenität von Aktivitätsmustern und Tragegewohnheiten. Für die Erkennung von Hypertonie nennt die Studie eine Sensitivität von 65,8% (95% CI, 54,0%-76,3%) bei einer Spezifität von 90,0% (95% CI, 83,2%-94,7%). Der positive Vorhersagewert (PPV) liegt bei 80,6% (95% CI, 68,6%-89,6%), was vor allem für den „nächste Schritte“-Gedanken wichtig ist: Ein positives Screening soll möglichst häufig tatsächlich zu einer klinischen Bestätigung führen.
Im direkten Vergleich betrachtet die Arbeit auch die Ausgangslage klassischer Praxis-Screenings: Bei der initialen Office-BP-Screening-Strategie werden 55,3% Sensitivität (95% CI, 43,4%-66,7%) bei gleicher Spezifität von 90,0% (95% CI, 83,2%-94,7%) erreicht. Der PPV liegt hier bei 77,8% (95% CI, 64,4%-88,0%). Die Differenz ist damit weniger „Spezifität vs. Sensitivität“ als vielmehr der Anteil der tatsächlich erkannten Fälle bei vergleichsweise unveränderten Fehlalarmraten. Für Unternehmen und Entwickler ist diese Form der Gegenüberstellung besonders aufschlussreich, weil sie zeigt, wie sich eine Gelegenheitserkennung in einen bestehenden klinischen Rahmen einfügen könnte: Die KI würde nicht die Bestätigung ersetzen, sondern gezielt die Schwelle senken, ab wann eine ärztliche Abklärung angestoßen wird.
Historisch scheitern viele Ansätze zur cuffless Blutdruckmessung an der Kombination aus Signalqualität und Generalisierbarkeit. PPG ist bei Bewegung anfällig, und Beschleunigungsdaten allein sind auch kein „Ersatz für Kalibrierung“, sondern eher ein Weg, Artefakte zu erkennen und Modellfehler zu reduzieren. Genau hier setzt die Studie an, indem sie die multimodale Logik als festen Bestandteil des Modells betrachtet. Aus Industrie-Sicht ist das bemerkenswert, weil es zeigt, dass man die Hürden nicht zwangsläufig über immer aufwendigere Hardware adressieren muss, sondern über bessere Trainings- und Inferenzstrategien für reale, unruhige Sensordaten. Gleichzeitig bleibt die praktische Umsetzung anspruchsvoll: Selbst wenn „keine Manschetten-Kalibrierung“ erforderlich ist, muss das System in der Produktumgebung über Gerätegenerationen hinweg stabil liefern und dabei Datenschutzanforderungen im Gesundheitskontext berücksichtigen.
Marktseitig verschiebt ein funktionierendes cuffless-orientiertes Screening den Wettbewerb weg von „wer misst als erstes“ hin zu „wer reduziert Aufwand und wirkt trotzdem klinisch brauchbar“. Der zentrale Hebel ist dabei die Verfügbarkeit: Smartwatches sind bereits im Alltag im Einsatz, und die Studie nutzt genau diese Eigenschaft über sieben Tage Monitoring. Wenn die KI-Erkennung tatsächlich wie beschrieben at-risk Personen auf klinische Abklärung lenkt, können sich Prozesse wie Terminvergabe, Vorselektion und wiederholte Messungen organisatorisch vereinfachen – zumindest dort, wo Gesundheitssysteme bereits digitale Vorstufen erlauben. Wichtig ist aber auch die Erwartungssteuerung: Sensitivität und PPV sind Screening-Kennzahlen und keine therapeutische Entscheidung, weshalb die Bestätigungsdiagnostik weiterhin über etablierte, manschettenbasierte Methoden laufen muss.
Für die nächsten Schritte rückt damit vor allem die Produktisierung in den Fokus. Entwicklerteams müssen die Signalverarbeitung so integrieren, dass Modell-Drift, Nutzerverhalten und unterschiedliche Trage- und Bewegungsmuster robust behandelt werden. Betreiber sollten zudem klare Pfade definieren, wie aus einem KI-positiven Ergebnis eine rechtssichere, medizinisch korrekte Empfehlung zur Bestätigungsmessung entsteht. Unterm Strich liefert AI-PPG-ACC-HTN einen konkreten Fingerzeig dafür, wie sich KI-gestützte Physiologie aus dem Labor in den Alltag holen lässt: nicht als Ersatz für Diagnostik, sondern als opportunistische Vorstufe, die mit möglichst wenig Reibung möglichst vielen Menschen eine frühere Abklärung ermöglicht. Als wissenschaftliche Grundlage wird die Studie unter https: //doi.org/10.1038/s41586-026-11336-3 dokumentiert.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI auf Smartwatches erkennt Hypertonie ohne Manschetten-Kalibrierung" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI auf Smartwatches erkennt Hypertonie ohne Manschetten-Kalibrierung" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI auf Smartwatches erkennt Hypertonie ohne Manschetten-Kalibrierung« bei Google Deutschland suchen, bei Bing oder Google News!