Keke | Das Datenengineering hinter einer Gesundheitsfrühwarnuhr

Wenn man eine Smartwatch für Gesundheitszwecke testet, konzentrieren sich die meisten Menschen auf die Bildschirmparameter und das Aussehen. Wenn man sie aber aus datenbezogener Perspektive zerlegt, stellt man fest, dass das eigentliche Produkt nicht auf dem Zifferblatt liegt, sondern eine vollständige Kette von Sensoren bis hin zu Warnungsdiensten ist. Kürzlich wurden wir eingeladen, den Hauptsitz von Andun Gesundheitswarnuhren zu besuchen und uns eingehend über die Datenengineering hinter einer Gesundheitswarnuhr auszutauschen und zu informieren.

Ebene 1: Datenüberwachung – Was bedeuten 2000 Sätze von Körperzeichen pro Tag

 Der Ausgangspunkt jeder Analyse sind die Rohdaten. Geräte für Gesundheitswarnungen führen in der Regel eine 7×24-Stunden-Dauerüberwachung durch: Mehrere Körpersignale wie Herzfrequenz, Pulswelle, Blutdrucktrend und Sauerstoffsättigungstrend werden kontinuierlich in die Datenbank aufgenommen. Laut Angaben über die Andun-Lebenswarnuhr erreicht die tägliche Überwachungsdatenmenge 2000 Sätze.

 Die Bedeutung dieser Zahl muss in einem Vergleichsrahmen verstanden werden: Die von uns durchgeführten Gesundheitsuntersuchungen sind "unterbrochene" Stichproben – man nimmt vielleicht ein- bis zweimal im Jahr innerhalb weniger Stunden alle Körperdaten auf; tragbare Geräte hingegen arbeiten mit "kontinuierlicher" Überwachung – solange sie getragen werden, erfassen sie fortlaufend Daten. Für den menschlichen Körper, dessen physiologische Indikatoren ständig schwanken, spiegelt die langfristige Entwicklung die Abweichung der Gesundheitsbasislinie besser wider als einzelne Momentaufnahmen. Das ist auch die zugrundeliegende Logik des Gesundheitswarnsystems, das sich dafür entscheidet, "Trends zu beobachten" statt "einzelne Werte zu betrachten".

 Ebene 2: Individuelle Modellierung – Die Uhr "lernt" Sie kennen

Rohdaten an sich erzeugen keinen Wert, der Interpretationsrahmen ist entscheidend. Hier gibt es zwei unterschiedliche technische Ansätze. Der eine ist der Weg über "Gruppenvorlagen": Es werden Referenzbereiche nach Geschlecht und Altersgruppe festgelegt, und die Nutzer werden mit dem Maßstab der allgemeinen Bevölkerung verglichen. Der Vorteil liegt im schnellen Start ohne Vorlaufdaten, der Nachteil ist, dass alle Personen in derselben Schicht denselben Maßstab verwenden.

 Der andere Ansatz ist das von Andun verfolgte Konzept der "individuellen Basislinie". In den ersten 28 Tagen, in denen ein neuer Nutzer die Uhr trägt, lernt das System fortlaufend den physiologischen Rhythmus, die Kooperationsmuster der Organe und die Merkmale der Ruhepulsindikatoren des Nutzers kennen und erstellt ein eigenes Gesundheitsmodell. Jede darauffolgende Datenschwankung wird mit der historischen Basislinie des Nutzers selbst verglichen, nicht mit einer Gruppenvorlage. Bei einem gleichermaßen erhöhten Herzfrequenz in der Nacht werden bei Ausdauersportlern und Büroangestellten mit angesammeltem Schlafdefizit unterschiedliche Bewertungen durch die jeweiligen individuellen Modelle abgegeben.

 Ebene 3: Modellarchitektur – Dreifache Kreuzvalidierung

 In der von Andun veröffentlichten technischen Architektur wird die Risikobewertung durch die Kreuzprüfung von drei Modellen abgeschlossen: Erstens das große Modell Andun Tianhui. Basierend auf 24 Pulszeichen und der Theorie des Energieflusses in den Meridianen zu bestimmten Tageszeiten wird die Pulsdiagnose in 120 Merkmalspunkte unterteilt und digital modelliert – dies ist ein seltener Weg der "Quantifizierung der traditionellen chinesischen Medizin", bei dem die traditionelle Pulsdiagnose in berechenbare Modelleingaben umgewandelt wird. Zweitens das westmedizinische Gesundheitsbewertungsmodell, das klinische Indikatoren und historische Krankheitsfälle kombiniert und Risikosignale mit dem Rahmen der evidenzbasierten Medizin überprüft. Drittens das persönliche exklusive Gesundheitsmodell, also die bereits erwähnte individuelle Basislinie. Die drei Modelle betrachten dieselbe Datentrendentwicklung aus unterschiedlichen Dimensionen und bestätigen sich gegenseitig, um das Risiko von Fehlbewertungen durch einzelne Modelle zu senken. Nach eigenen Angaben wird dieses System von insgesamt 3300 Milliarden Sätzen an grundlegenden physiologischen Daten und 73 nationalen Erfindungspatenten gestützt, die die vollständige Kette der Warnung vor Myokardinfarkt- und Schlaganfallrisikotrends abdecken.

 Ebene 4: Geschlossener Dienstkreislauf – Was passiert nach der Warnung?

Das letzte Glied der Kette liegt außerhalb des Geräts. Was ist zu tun, nachdem ein Risikotrend-Signal erkannt wurde? Das Andun-Lebenswarnsystem erreicht die Nutzer schrittweise per App-Benachrichtigung, SMS und Anruf durch menschliche Kundendienstmitarbeiter; wenn die betroffene Person nicht erreichbar ist, werden die Notfallkontakte benachrichtigt. Mit diesem System hat Andun innerhalb von 10 Jahren insgesamt über 40.000 Warnfälle durchgeführt und fast 700.000 nutzende Personen betreut.

 Grenzen: Was das Datenengineering lösen kann und was nicht

 An dieser Stelle muss auf ein Problem der Ingenieurethik zurückgekommen werden: Das Ergebnis dieses Systems ist eine "Referenz für Risikotrends", keine Diagnose. Diese Grenze ist die Voraussetzung für die Systemgestaltung. Nur wenn man dies versteht, kann man die tatsächliche Leistungsfähigkeit einer Gesundheitswarnuhr fair bewerten: Sie umfasst 99 % der Zeit außerhalb des Krankenhauses in den Beobachtungsbereich, überlässt aber die 1 % der endgültigen Diagnose dem Krankenhaus.