Validierung von SocialBit als Smartwatch‑Algorithmus zur Erkennung sozialer Interaktion in einer klinischen Population

Warum das Zählen von Gesprächen wichtig ist

Nach einer schweren Erkrankung wie einem Schlaganfall können kleine Alltagsmomente – etwa ein Gespräch mit einer Pflegekraft oder ein Scherz mit der Familie – still und leise den Verlauf der Erholung beeinflussen. Soziale Bindungen sind bekannt dafür, die Gehirngesundheit zu schützen und sogar die Lebensdauer zu verlängern, doch Ärztinnen und Ärzte haben selten ein verlässliches Mittel, um zu messen, wie sozial engagiert eine Patientin oder ein Patient im Alltag tatsächlich ist. Diese Studie stellt SocialBit vor, ein Smartwatch‑basiertes System, das in datenschutzbewusster Weise nach Gesprächen lauscht, und prüft, ob es realweltliche soziale Interaktionen bei stationären Schlaganfallpatienten genau nachverfolgen kann.

Eine Smartwatch, die hört, aber nicht ausspioniert

SocialBit ist ein Software‑Algorithmus, der auf einer handelsüblichen Smartwatch läuft. Anstatt Gespräche aufzuzeichnen oder die gesprochenen Worte zu analysieren, nutzt er kurze Ausschnitte der Umgebungsgeräusche, um Muster wie Lautstärke, Rhythmus und andere akustische Merkmale zu erfassen. Daraus entscheidet er, ob eine Minute wahrscheinlich eine Interaktion enthielt – definiert als jedes Geräusch, das von einer anderen Person für oder gegenüber der Patientin bzw. dem Patienten gemacht wurde, einschließlich fragmentierter oder nicht‑verbaler Äußerungen, die nach einem Schlaganfall häufig sind. Da das System weder Roh‑Audio noch transkribierten Text speichert, ist es darauf ausgelegt, die Privatsphäre zu wahren und dennoch Klinikern eine kontinuierliche Einsicht in das soziale Umfeld der Patientinnen und Patienten zu geben.

Test des Geräts im echten Krankenhausalltag

Um zu prüfen, ob SocialBit außerhalb des Labors funktioniert, schrieben die Forschenden 153 Erwachsene mit ischämischem Schlaganfall an zwei Krankenhäusern in Boston ein. Die Patientinnen und Patienten trugen die Smartwatch tagsüber bis zu acht Tage lang, während geschulte Beobachter sichere Live‑Videos verfolgten und jede Minute als sozial oder nicht sozial kennzeichneten. So entstanden fast 89.000 Minuten von menschlich kodierten Daten, von denen etwa 14.000 Minuten auch SocialBit‑Messwerte enthielten. Die Patientengruppe war sehr unterschiedlich: Die Schlaganfallschwere reichte von sehr mild bis schwer, die Denk‑ und Gedächtnismesswerte deckten nahezu die gesamte Skala ab, und 24 Teilnehmende hatten verschiedene Formen von Aphasie, einer Sprachstörung, die normale Konversation oft stört. Diese Vielfalt ermöglichte es dem Team zu prüfen, ob das System auch dann zuverlässig arbeitet, wenn die Sprache stockend, verschliffen oder minimal ist.

Wie gut der Algorithmus abgeschnitten hat

Verglich man die Einschätzungen von SocialBit mit den minutengenauen Labels der menschlichen Kodierenden, erkannte die beste Version des Algorithmus soziale Interaktion in etwa 87 Prozent der Minuten, in denen tatsächlich eine Interaktion stattfand, und erkannte Nicht‑Interaktion in 88 Prozent der Fälle korrekt. Statistisch lag SocialBit damit vor bestehenden allgemeinen Spracherkennungs‑ und Gesprächsdetektoren. Wichtig ist, dass die Zusammenfassung, wie viel Zeit die Patientinnen und Patienten tagsüber mit Interaktionen verbrachten, eng mit den menschlichen Schätzungen übereinstimmte, obwohl die Smartwatch aus Energiespargründen nur eine von fünf Minuten abtastete. Die Leistung blieb auch unter vielen realen Störfaktoren robust, etwa Hintergrundfernsehen, Nebengespräche im Zimmer, Telefon‑ und Videoanrufe, verschiedene Stationen des Krankenhauses und zwei Arten von Smartwatch‑Hardware.

Auch Patientinnen und Patienten mit Sprechproblemen einbeziehen

Eine zentrale Frage war, ob SocialBit bei Menschen mit Aphasie versagen würde, die weniger sprechen oder nicht‑standardmäßige Sprachäußerungen produzieren. In dieser Untergruppe arbeitete der Algorithmus weiterhin gut, mit nur einem moderaten Rückgang der Genauigkeit gegenüber Patientinnen und Patienten ohne Sprachprobleme. Das System verhielt sich auch klinisch plausibel: Patientinnen und Patienten mit schwereren Schlaganfällen hatten weniger Minuten erkannter Interaktion, was den Beobachtungen der menschlichen Kodierenden entsprach. Jeder Punkt Anstieg im Schlaganfallschwerewert hing ungefähr mit einem einprozentigen Rückgang des Anteils der Zeit zusammen, die mit Interaktion verbracht wurde. Das deutet darauf hin, dass SocialBit nicht nur Geräusche erkennt, sondern eine bedeutsame Dimension des sozialen Lebens der Patientinnen und Patienten erfasst.

Was das für die Versorgung bedeuten könnte

Die Autorinnen und Autoren argumentieren, dass ein Werkzeug wie SocialBit soziale Interaktion zu einer Art „Vitalzeichen“ machen könnte, das neben Blutdruck oder Herzfrequenz verfolgt wird. In der Forschung könnte es ein objektives Ergebnismaß für klinische Studien liefern, die darauf abzielen, Lebensqualität zu verbessern oder Isolation zu verringern. Im Alltag könnte es Klinikerinnen, Kliniker und Betreuende alarmieren, wenn eine Patientin oder ein Patient sozial weniger engagiert wird, und so frühere Unterstützung oder Veränderungen der Umgebung anstoßen. Zwar ist weitere Arbeit nötig, um das System für den Einsatz zu Hause anzupassen und nicht nur die Häufigkeit von Interaktionen, sondern auch deren Bedeutung zu erfassen, doch zeigt diese Studie, dass eine einfache Smartwatch zuverlässig eine kraftvolle, bisher oft unsichtbare Zutat der Erholung messen kann: menschliche Verbindung.

Zitation: Dhand, A., Tate, S., Mack, C. et al. Validation of SocialBit as a smartwatch algorithm for social interaction detection in a clinical population. Sci Rep 16, 4529 (2026). https://doi.org/10.1038/s41598-026-37746-x

Schlüsselwörter: Erholung nach Schlaganfall, soziale Interaktion, Smartwatch‑Sensorik, digitaler Biomarker, Aphasie