Google Research schlägt Framework für CKM-Gesundheitscoaching mit Wearables vor
Google Research hat ein experimentelles Machine-Learning-Framework vorgestellt, das passive Signale von Wearables in ein veränderbares „coachbares Gesundheitsalter“ umwandelt und personalisierte Veränderungen von Gewohnheiten über 12 Wochen simuliert. Das System soll die frühe kardiovaskuläre, renale und metabolische Gesundheit, kurz CKM, überwachen und maßgeschneiderte Coaching-Pläne erstellen.
- Google Research hat ein experimentelles, auf Wearables basierendes CKM-Gesundheitsframework vorgestellt.
- Das coachbare Gesundheitsalter nutzt veränderbare Wearable-Signale wie Schritte, Schlaf und Ruhepuls.
- SensorWM simuliert Gewohnheitsverläufe über 12 Wochen auf Grundlage von 2.28 Millionen Personenwochen Fitbit-Daten.
- Coaches bevorzugten in 71.4% der Bewertungen Pläne auf Basis von Gegenfaktualen.
- Das Framework kann verfügbare routinemäßige Blut-Biomarker einbeziehen.
Vom Wearable-Tracking zu konkreten Gesundheitswerten
Google Research zufolge verbindet das CKM-Syndrom Herzerkrankungen, Nierenerkrankungen und Stoffwechselstörungen wie Typ-2-Diabetes. Die Entwicklung kann Jahre vor dem Auftreten von Symptomen beginnen und durch alltägliche Verhaltensweisen wie Bewegung, Schlaf und kardiovaskuläre Aktivität beeinflusst werden.
Das Framework basiert auf einem Modell des coachbaren Gesundheitsalters, das passiv von Wearables erfasste, veränderbare Signale nutzt. Die vier zentralen Eingaben sind der Ruhepuls, die Zahl der täglichen Schritte, die Schlafdauer und die wöchentlichen Active Zone Minutes. Wenn verfügbar, können optionale Eingaben wie VO2max, die Regelmäßigkeit des Schlafrhythmus und die Insulinresistenz hinzukommen.
Das daraus resultierende Delta des Gesundheitsalters vergleicht das vom Modell berechnete Gesundheitsalter mit dem chronologischen Alter einer Person. Google Research zufolge weist ein negatives Delta darauf hin, dass das physiologische Profil einer Person jünger erscheint als ihr chronologisches Alter, während ein positives Delta auf eine beschleunigte Alterung hindeutet. Das Modell berücksichtigt Überschneidungen zwischen den Signalen, damit jedes Verhalten seinen eigenständigen Anteil beiträgt.
Ein Modell zum Testen von Gewohnheitsänderungen über 12 Wochen
Die Forschenden entwickelten außerdem das Sensor World Model, kurz SensorWM, ein aktionsabhängiges Modell, das mit 2.28 Millionen Personenwochen anonymisierter Daten von etwa 100,000 zustimmenden Fitbit-Nutzern trainiert wurde. Auf Grundlage von Wearable-Daten aus zwei Wochen ermittelt es, wie sich 20 physiologische Marker in den folgenden 12 Wochen bei unterschiedlichen Schritt-, Schlaf- und Cardio-Routinen verändern könnten.
SensorWM vergleicht 125 mögliche Kombinationen von Gewohnheiten über 12 Wochen mit einer Projektion des Status quo. Ein Optimierer mit Einschränkungen hinsichtlich der Umsetzbarkeit berücksichtigt anschließend die projizierten Verringerungen des Gesundheitsalters, die historische Flexibilität der Gewohnheiten einer Person und klinische Sicherheitsgrenzen. Das System kann für eine Person mit hoher Flexibilität ein ambitionierteres Ziel wie −2.3 Jahre auswählen oder ein moderateres Ziel von −1.3 Jahren für jemanden mit einem stärker eingeschränkten Tagesablauf.
Ein Coaching-Agent auf Basis eines Sprachmodells wandelt die ausgewählten Pfade in einen schrittweisen Coaching-Plan um. Google Research zufolge übertraf SensorWM allgemeine Foundation-Modelle für Zeitreihen wie TimesFM und bewahrte dabei klinische Muster im Zusammenhang mit Diabetes, Bluthochdruck und Insulinresistenz.
Erkenntnisse aus Kohorten und Expertenbewertungen
Google Research validierte das Modell des coachbaren Gesundheitsalters in drei unabhängigen Kohorten. Im Forschungsprogramm All of Us, an dem 22,748 Personen beteiligt waren und das mehr als 68,000 Personenjahre an Fitbit- und elektronischen Gesundheitsdaten umfasste, entwickelten Teilnehmer, deren Gesundheitsalter über ihrem Kalenderalter lag, in den folgenden acht Jahren mit höherer Wahrscheinlichkeit Bluthochdruck, Herz-Kreislauf-Erkrankungen oder Typ-2-Diabetes. Die Ergänzung des Maßes zu Alter, Geschlecht und BMI verbesserte die Vorhersage des Erkrankungsrisikos, insbesondere bei Erwachsenen unter 50 Jahren.
In einer longitudinalen Fitbit-Kohorte mit 1,464 Nutzern sank das coachbare Gesundheitsalter bei Personen mit anhaltenden Gewohnheitsänderungen über aufeinanderfolgende Zeitfenster von drei Monaten innerhalb von zwei Jahren. Das Maß stimmte außerdem mit dem modifizierten kardiovaskulären Score Life’s Essential 8 der American Heart Association, dem Schweregrad des metabolischen Syndroms und der selbst eingeschätzten Gesundheit in der WEAR-ME-Studie überein.
In einer verblindeten Bewertung durch fünf zertifizierte Lifestyle-Coaches sowie fünf Fachärzte für Allgemeinmedizin und Lifestyle-Medizin wählten die Coaches den auf Gegenfaktualen basierenden Plan in 71.4% der Bewertungen als insgesamt besten Plan und bewerteten ihn in 71.0% als wahrscheinlich besser geeignet, eine langfristige Einhaltung zu unterstützen. Die Ärzte stuften laut Google Research 99.2% der Pläne als innerhalb sicherer Grenzen für die Trainingsintensität ein und bewerteten 97.6% der physiologischen Aussagen als korrekt.
Erweiterung auf Blut-Biomarker
Wenn routinemäßige Bluttests verfügbar sind, kann das Framework laut Google Research Wearable-Datenströme mit Labor-Biomarkern kombinieren. Ziel ist es, eine frühe, subklinische Belastung des Herz-Kreislauf-, Nieren- und Stoffwechselsystems zu erkennen und den Ansatz über die passive Überwachung hinaus zu einem personalisierten CKM-Risikoprofil zu erweitern.
Die Arbeit befindet sich weiterhin in der Erprobungsphase. Der vorgeschlagene Nutzen für Nutzer besteht in einer Rückkopplungsschleife: Alltägliche Verhaltensweisen fließen in einen Messwert für das Gesundheitsalter ein, Simulationen zeigen mögliche Folgen einer Änderung dieser Verhaltensweisen, und ein Coaching-Agent erstellt daraus einen Plan, der Umsetzbarkeit und Sicherheit berücksichtigt.
