Digitale Biomarker in der Telemedizin: Modell im Realitätscheck
Digitale Biomarker gehören seit einigen Jahren zu den spannendsten Entwicklungen der Telemedizin. Herzfrequenz, Atmung und Stressindikatoren lassen sich potenziell über Kameras, Wearables und KI-gestützte Algorithmen erfassen. Die Möglichkeiten sind vielfältig: Monitoring zu Hause, Frühwarnsysteme für chronische Erkrankungen, Unterstützung in Notfallsituationen, Entscheidungsgrundlagen für die Versorgung im ländlichen Raum.
Doch ihre Leistungsfähigkeit hängt entscheidend davon ab, wie gut die zugrunde liegenden Modelle reale Bedingungen abbilden. Viele Verfahren werden noch immer auf Datensätzen entwickelt, die idealisierte Situationen zeigen und nur einen kleinen Ausschnitt der tatsächlichen Versorgungspraxis widerspiegeln. Immer deutlicher wird, dass dieser Ansatz an Grenzen stößt, insbesondere bei der kamerabasierten Erfassung der Herzfrequenz.
Eine neue Studie zeigt, wie deutlich sich diese Lücke auswirken kann. Sie untersucht die kamerabasierte Herzfrequenzmessung unter Bedingungen, die typische Versorgungsrealitäten nachbilden, darunter dunklere Umgebungen und erhöhte Herzfrequenzen. Besonders der Bereich erhöhter Pulsraten wird zum kritischen Faktor, denn er entspricht genau den Situationen, in denen telemedizinische Anwendungen besondere Bedeutung haben. In vielen der bisher verwendeten Datensätze fehlten diese physiologisch relevanten Szenarien jedoch fast vollständig.
Ein neuer Datensatz als Realitätscheck
Die Studie stellt ein neues Kollektiv vor, das CHILL Dataset. Es enthält Video- und PPG-Daten von 45 Personen und umfasst sowohl helle als auch dunkle Beleuchtung sowie Ruhephasen und erhöhte Herzfrequenzen bis über 140 Schläge pro Minute. Damit nähert es sich stärker an das an, was im Alltag der Telemedizin vorkommt zum Beispiel Belastungszustände, Aufregung, körperliche Aktivität oder Episoden mit relevanter Symptomatik.
Die Analyse zeigt ein für die Praxis wichtiges Ergebnis. Während manche Umgebungsfaktoren vergleichsweise gut kompensiert werden können, verlieren viele Modelle deutlich an Genauigkeit, sobald die Herzfrequenz steigt. Das gilt sowohl für klassische signalverarbeitende Verfahren als auch für moderne Deep Learning Ansätze. In einigen Fällen steigen die Fehler in den hohen Frequenzbereichen so stark an, dass eine verlässliche Nutzung kaum möglich wäre.
Für digitale Biomarker heißt das: Die zentrale Herausforderung liegt weniger in der Technik der Bilderfassung, sondern in der Abbildung physiologischer Realität. Damit rückt die Frage in den Mittelpunkt, unter welchen Bedingungen Algorithmen entwickelt und evaluiert werden sollten.
Lernen aus alltagsnahen Daten
Die Studie verdeutlicht, dass große Datenmengen nur dann hilfreich sind, wenn sie die Versorgungsrealität abbilden. Zwei Punkte sind zentral:
1. Digitale Biomarker müssen auch unter erhöhter Herzfrequenz zuverlässig funktionieren. Viele telemedizinisch relevanten Situationen entstehen unter Belastung, Aufregung oder akuten Beschwerden. Modelle, die überwiegend in ruhigen Situationen entwickelt wurden, bilden diese physiologische Realität bisher nicht ausreichend ab.
2. Die Übertragbarkeit von Modellen auf den Versorgungsalltag ist entscheidend. Algorithmen, die auf idealisierten Laborbedingungen oder eng begrenzten Datensätzen trainiert wurden, funktionieren unter realen Bedingungen häufig weniger gut. Das betrifft sowohl klassische als auch KI-basierte Verfahren und zeigt, dass zukünftige Evaluationsstandards stärker alltagsnahe Daten berücksichtigen müssen.
Diese Punkte berühren zentrale Aspekte der Versorgungsqualität. Wenn digitale Biomarker Entscheidungsgrundlagen liefern sollen, müssen sie auch unter Stress, Bewegung und veränderten physiologischen Parametern robuste Ergebnisse liefern.
Bedeutung für Telemedizin und Versorgung
Telemedizin ist zunehmend ein Zusammenspiel aus Sensorik, KI, Fachwissen und Versorgungsprozessen. Kamerabasierte Vitaldatenerfassung wird dabei sowohl im häuslichen Umfeld als auch in angespannten Situationen relevant, etwa in der Triage oder im Rettungsdienst. Gerade dort treten erhöhte Herzfrequenzen besonders häufig auf und verändern die physiologische Situation erheblich. Wenn Modelle in solchen Momenten unzuverlässig werden, sinkt ihr praktischer Nutzen deutlich. Die Studie zeigt, dass dieser Punkt in bisherigen Entwicklungsansätzen unterschätzt wurde und betont, wie wichtig alltagsnahe Daten für die Bewertung digitaler Biomarker sind. Künftige KI gestützte Telemonitoring Systeme werden stärker darauf angewiesen sein, dass Trainingsdaten reale Bedingungen abbilden, von Bewegungsartefakten über variable Umgebungen bis hin zu einem breiten physiologischen Spektrum. Nur unter solchen Voraussetzungen können digitale Biomarker verlässlich in kritische Versorgungspfade eingebunden werden.
Fazit
Realweltliche Datensätze sind nicht nur ein wissenschaftlicher Mehrwert. Wenn digitale Biomarker in klinische Entscheidungswege eingebunden werden sollen, müssen sie aus regulatorischer Sicht unter Bedingungen funktionieren, die dem Versorgungsalltag entsprechen. Für Hersteller innovativer Lösungen entsteht damit die klare Anforderung, Daten einzusetzen, die den tatsächlichen Nutzungskontext verlässlich widerspiegeln. Auch aus Sicht der Patientinnen und Patienten wäre es schwer nachvollziehbar, wenn ein System, das Versorgungsbedarf erkennen soll, gerade im akuten Fall an Zuverlässigkeit verliert. Eine belastbare Datenbasis ist daher nicht nur eine regulatorische und wirtschaftliche Voraussetzung, sondern auch entscheidend für Akzeptanz und Vertrauen.
Mehr dazu Lesen?
Acharya, B., Saakyan, W., Hammer, B. et al. The reliability of remote photoplethysmography under low illumination and elevated heart rates. npj Digit. Med. 8, 744 (2025). Link im Kommentar