Google-KI erkennt Anzeichen von Bluthochdruck über Smartwatch-Sensoren
Laut THE DECODER erkennt ein KI-System von Google Anzeichen von Bluthochdruck anhand von Smartwatch-Sensoren.
Google Research hat ein KI-System entwickelt, das abschätzt, ob eine Person Bluthochdruck hat. Dafür nutzt es ausschließlich die Sensoren, die ohnehin in einer handelsüblichen Smartwatch stecken. Eine Kalibrierung mit einer Oberarmmanschette ist nicht nötig. Die Arbeit erschien am 5. November 2026 in Nature, und laut Google sind die Erkenntnisse in die Funktion für Blutdrucktrends in der Google Health App eingeflossen. Die Studie selbst formuliert vorsichtiger: Die Autoren bezeichnen ihre Arbeit als frühe Machbarkeitsforschung, die Methoden seien explorativ und deuteten nicht auf eine bestehende oder bevorstehende kommerzielle Funktion hin.
Das System greift auf zwei Sensoren zurück. Der erste ist die Photoplethysmografie, ein optischer Sensor, der Licht ins Handgelenk schickt und misst, wie viel davon zurückgeworfen wird. So lässt sich verfolgen, wie sich das Blutvolumen mit jedem Pulsschlag verändert. Der zweite ist ein Beschleunigungssensor: Hält die Trägerin oder der Träger still, registriert er die feinen Vibrationen am Handgelenk, die entstehen, wenn das Herz Blut in die Aorta pumpt. Dieses Signal heißt Ballistokardiogramm. Zunächst trainierten die Forschenden ein eindimensionales Convolutional Neural Network mit selbstüberwachtem kontrastivem Lernen auf 492.347 Stunden ungelabelter Sensordaten von 2.109 Teilnehmenden. Das Modell lernte, überlappende 15-Sekunden-Abschnitte der Wellenform derselben Person nahe beieinander einzuordnen, wofür keine medizinischen Labels nötig waren. Diese Abschnitts-Embeddings werden anschließend über mehrere Tage Tragezeit gemittelt, um Störungen wie plötzliche Bewegungen auszugleichen. Kombiniert mit der Körpergröße als Näherungswert für die Länge der Arterienstrecke fließen sie in eine regularisierte logistische Regression, die eine kontinuierliche Wahrscheinlichkeit für Bluthochdruck ausgibt.
Diese Designentscheidung ist entscheidend dafür, wie das Ergebnis zu lesen ist. Statt exakte systolische und diastolische Werte aus einem einzelnen Moment abzuleiten, die laut Studie sehr anfällig für kurzfristige Störungen sind, zielt das System auf einen anhaltenden hypertensiven Zustand. Bestehende kommerzielle Wearables ohne Manschette müssen nach Darstellung der Studie meist regelmäßig mit einer Oberarmmanschette kalibriert werden. Sie verfolgen Veränderungen gegenüber einem Ausgangswert, statt absoluten Bluthochdruck zu erkennen, was ihren Einsatz als eigenständiges Screening-Werkzeug einschränkt.
Validiert wurde das System in einer prospektiven Multicenter-Studie mit 196 Teilnehmenden an fünf Standorten in den USA, die keine bekannte Herz-Kreislauf-Erkrankung hatten und keine blutdrucksenkenden Medikamente nahmen. Als Referenzstandard diente eine 24-Stunden-Langzeitblutdruckmessung. Im Szenario des Erstscreenings erreichte das Smartwatch-Modell eine Sensitivität von 65,8 Prozent, eine Spezifität von 90,0 Prozent und einen positiven Vorhersagewert von 80,6 Prozent. Die Blutdruckmessung in der Praxis kam in derselben Gruppe auf eine Sensitivität von 55,3 Prozent, eine Spezifität von 90,0 Prozent und einen positiven Vorhersagewert von 77,8 Prozent. Die Konfidenzintervalle der Studie sind breit: Die Sensitivität der Uhr reicht von 54,0 bis 76,3 Prozent, die der Praxismessung von 43,4 bis 66,7 Prozent. Die beiden Intervalle überschneiden sich also.
Das Bestätigungsszenario stützt sich auf eine kleinere Gruppe. Nur 48 Teilnehmende mit erhöhten Erstwerten in der Praxis wurden einbezogen. Die Smartwatch erreichte hier eine Sensitivität von 78,4 Prozent, eine Spezifität von 90,9 Prozent und einen positiven Vorhersagewert von 96,7 Prozent. Die mehrtägige Heimmessung kam in dieser Teilgruppe auf eine Sensitivität von 89,2 Prozent und eine Spezifität von 81,8 Prozent. Die Uhr war also spezifischer als die Heimmessung, aber weniger sensitiv. Die Studie bezeichnet die Uhr als konkurrenzfähig gegenüber der Heimmessung, nicht als überlegen. Zudem hält sie fest, dass die Spezifität beim Erstscreening mit 90,0 Prozent jener der Praxismessung entspricht. Die Verbesserung liegt also bei der Sensitivität, nicht bei weniger Fehlalarmen.
Laut den Autoren soll das Modell Menschen mit erhöhtem Risiko zu einer ärztlichen Abklärung bewegen, nicht aber eine Diagnose stellen. Googles Beschreibung der Funktion in der Google Health App ist weniger konkret. Die Studie erläutert nicht, wie die Funktion für Blutdrucktrends das Modell nutzt oder was Nutzerinnen und Nutzern angezeigt wird. Die Analyse zur Interpretierbarkeit liefert einige physiologische Erklärungsansätze. Wellenformen mit höherem Risiko zeigten eine schmalere Pulsbreite, einen langsameren systolischen Anstieg und ein niedrigeres d/a-Verhältnis, ein Maß für die reflektierte Pulswelle im Verhältnis zur vorwärts laufenden Welle. Der Beschleunigungssensor zeigte tiefere K-Wellen und breitere IJK-Komplexe. Die Autoren deuten das als mögliche Anzeichen steiferer Arterien. Die Abbildungen zeigen jedoch Korrelationen zwischen Modellwerten und Wellenformen, keinen nachgewiesenen ursächlichen Mechanismus.
Was sich ändert
Art: Forschung · Betrifft: Google Health app
Warum es wichtig ist
KI-basierte Gesundheitssignale aus Wearables könnten verändern, wie Produktteams im Gesundheitsbereich Funktionen gestalten. Details zur klinischen Validierung werden hier allerdings nicht genannt.
Originalquelle
Weitere Berichte
Wo wir es gesehen haben
Matthias from THE DECODER
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es