Lesezeit: ca. 8 Minuten

Millionen Menschen tragen heute eine Smartwatch. Sie misst Herzfrequenz, Schlafqualität, Schritte, Blutsauerstoff, manchmal sogar ein EKG. Die Daten fließen, jede Minute, jede Stunde.

Und trotzdem weiß die überwiegende Mehrheit dieser Menschen am Ende des Tages nicht mehr über ihre Gesundheit als vorher. Vielleicht wissen sie, dass sie schlecht geschlafen haben – das wussten sie aber auch ohne Sensor. Und vielleicht ist ein Wert einmal auffällig, aber niemand kann sagen, ob das relevant ist oder nicht.

Der Engpass digitaler Gesundheit ist nicht die Datensammlung. Der Engpass ist die Interpretation.

Was Wearables wirklich leisten

Wearables erzeugen kontinuierliche Datenströme aus Sensoren: Photoplethysmographie (PPG) für die Herzfrequenz, Beschleunigungssensoren (IMU) für Bewegung, elektrodermale Aktivität (EDA) für Stressreaktionen, Temperatursensoren, Gyroskope. Moderne Geräte liefern dabei nicht einzelne Messpunkte, sondern Zeitreihen über Stunden und Tage.

Diese Datenmenge ist manuell kaum auszuwerten. Das ist nicht nur eine praktische Einschränkung – es ist strukturell so. Kein Arzt kann täglich Stunden von Herzfrequenzdaten eines Patienten durchsehen. Das war nie das Modell der Medizin und es wird es auch nicht werden.

Was also?

Warum klassisches maschinelles Lernen hier die erste Wahl ist

Für die Verarbeitung von Sensor-Rohdaten sind spezialisierte Modelle am besten geeignet: klassisches maschinelles Lernen und Deep-Learning-Ansätze, die auf Zeitreihenanalyse ausgelegt sind. Sie können Muster erkennen, Anomalien detektieren und Scores berechnen – zum Beispiel Schlafphasen klassifizieren, Vorhofflimmern erkennen oder Stresslevel schätzen.

Das ist der erste Schritt: aus Rohdaten werden Features, Scores, Signale.

Aber dieser Schritt erzeugt noch keine Erkenntnis. Er erzeugt strukturierte Information. Der Unterschied ist entscheidend.

Wo generative KI eine Rolle spielen kann

Hier kommt generative KI ins Spiel – aber mit einer klar definierten Rolle.

Ein Sprachmodell kann das „Kontext- und Sprach-Interface” zwischen den Ergebnissen der Signalverarbeitung und dem Menschen sein. Das bedeutet konkret:

Ergebnisse erklären: „Dein Schlafrhythmus zeigt diese Woche eine kürzere Tiefschlafphase als der Durchschnitt deiner letzten 30 Tage. Das kann durch verschiedene Faktoren bedingt sein.”

Trends in Alltagssprache übersetzen: Aus einem Zeitreihenverlauf wird eine verständliche Beschreibung, die Patienten einordnen können.

Fragen für den Arzttermin generieren: „Welche Fragen könnte ich meinem Arzt bei der nächsten Kontrolle stellen, basierend auf meinen Herzratenvariabilität-Daten?”

Mehrere Datenquellen verbinden: Laborwerte, Wearable-Daten, Medikamentenplan – ein Sprachmodell kann daraus eine kohärente Übersicht formulieren, die den nächsten Arztbesuch vorbereitet.

Genau das beschreibt OpenAI für ChatGPT Health explizit als Funktion: Laborwerte besser verstehen, Wearable-Daten interpretieren, Terminfragen vorbereiten.

Das ist eine sinnvolle und real nützliche Rolle. Sie setzt aber voraus, dass die vorgelagerte Signalverarbeitung bereits geleistet wurde – und dass das Sprachmodell auf gesicherten Ergebnissen operiert, nicht auf Rohdaten.

Das organisatorische Problem: Wer reagiert auf welchen Alarm?

Es gibt noch eine weitere Dimension, die in Wearable-Diskussionen oft fehlt: die organisatorische Integration.

Selbst wenn ein Wearable ein relevantes Signal erkennt – was passiert dann? Wer bekommt die Information? Wer bewertet sie? Wer entscheidet, ob gehandelt werden muss?

Ohne klare Schwellenwerte, definierte Zuständigkeiten und klinische Pfade wird Datenfülle schnell zu zusätzlicher Last. Mehr Alarme bedeuten nicht automatisch bessere Versorgung. Im Gegenteil: In Krankenhäusern ist „Alarm fatigue” – die Abstumpfung gegenüber zu vielen Warnmeldungen – ein bekanntes Sicherheitsproblem.

Das bedeutet: Digitale Gesundheitsanwendungen mit Wearable-Integration brauchen nicht nur gute Algorithmen und gute Sprachinterfaces. Sie brauchen klare organisatorische Rahmenbedingungen.

Daten müssen aufbereitet sein, bevor sie in einen klinischen Prozess eingespeist werden. Rohdaten-Flut ist kein Mehrwert.

Was wirklich gefragt ist

Die Digitalisierung der Gesundheit beginnt tatsächlich im Alltag, auf dem Handgelenk, in der Tasche. Aber sie endet nicht dort.

Der Weg von der Messung zur medizinisch relevanten Erkenntnis führt über Signalverarbeitung, Mustererkennung, Kontextualisierung, Sprachaufbereitung und – am Ende – eine Fachperson, die das Gesamtbild bewertet.

Generative KI kann in diesem Weg einen wichtigen Schritt übernehmen: den des Übersetzers zwischen Maschine und Mensch. Nicht mehr. Aber auch nicht weniger.

Der Engpass ist Interpretation. Und genau dort liegt die Chance.

Dieser Artikel ist Teil der Serie „Generative KI im Gesundheitswesen” auf kuersatcifci.de.

Quellen: