Überwindung von Datenverlust bei der Krankheits­erkennung mit Wearables durch GAN-basierte Imputation

Warum fehlende Daten von Wearables wichtig sind

Fitness‑Tracker und Smartwatches bieten ein verlockendes Versprechen: Was wäre, wenn sie uns Tage bevor wir uns krank fühlen vor einer Infektion warnen könnten? In vielen Teilen der Welt, vor allem in ländlichen Regionen mit wenigen Kliniken und Laboren, könnte so eine Frühwarnung den Unterschied zwischen einer harmlosen Erkrankung und einer gefährlichen Verlaufsform ausmachen. In der Praxis aber vergessen Menschen Geräte, Batterien gehen leer und Internetverbindungen brechen ab. Diese Studie geht einer einfachen, aber entscheidenden Frage nach: Lassen sich diese unterbrochenen Datenströme so weit retten, dass frühe Krankheitsanzeichen dennoch erkannt werden können?

Lücken in ein nützliches Signal verwandeln

Die Forschenden konzentrierten sich auf Herzfrequenzdaten von Armbandgeräten, weil die nächtliche Ruheherzfrequenz tendenziell subtil ansteigt, bevor Symptome auftreten. Anstatt Nächte mit fehlenden Messwerten zu verwerfen, nutzten sie eine Form künstlicher Intelligenz, ein generatives kontradiktorisches Netzwerk (GAN), um die Lücken zu füllen. Man kann sich das GAN als einen sehr versierten Rater vorstellen, der typische tägliche Herzrhythmus‑Muster gelernt hat und rekonstruieren kann, was wahrscheinlich in den fehlenden Stunden geschah, während es dennoch ungewöhnliche Veränderungen, etwa durch eine Infektion, zulässt.

Die Idee an zwei sehr unterschiedlichen Krankheiten testen

Um zu prüfen, ob der Ansatz im echten Leben funktioniert, untersuchte das Team zwei große Kohorten. Die eine war eine COVID‑19‑Kohorte in den Vereinigten Staaten mit über 3.000 Teilnehmenden, die im Allgemeinen verlässliche Wearable‑Daten lieferten. Die andere war eine deutlich kleinere Malaria‑Kohorte in ländlichen Gegenden Westkenias, wo nur etwa die Hälfte der erwarteten Herzfrequenzmessungen tatsächlich aufgezeichnet wurde — verursacht durch Ladeprobleme, Konnektivität und Tragezeit‑Herausforderungen. Bemerkenswerterweise wurde das GAN ausschließlich mit den COVID‑19‑Daten trainiert, und dennoch konnte es in der Malaria‑Gruppe glaubwürdige Herzfrequenzmuster rekonstruieren, ohne neu trainiert zu werden.

Verborgene Infektionen in ländlichen Regionen Kenias finden

In der kenianischen Malaria‑Studie trugen 300 Erwachsene Armbänder, während Feldmitarbeitende sie regelmäßig auf Malaria testeten und Symptommorgenbücher sammelten. Die Autorinnen und Autoren kombinierten die vom GAN rekonstruierten nächtlichen Herzfrequenzen mit einem einfachen regelbasierten System, das nach anhaltenden Erhöhungen über dem individuellen Baseline‑Wert sucht. Von 161 Malaria‑Infektionen löste ihr System in 100 Fällen frühe Warnungen aus, und in 42 dieser Fälle wäre ohne das Auffüllen der fehlenden Daten überhaupt keine Warnung erfolgt. Im Durchschnitt traten diese Warnungen etwa 12 Tage auf, bevor die Personen Symptome meldeten — nahezu im Einklang mit der bekannten Zeitspanne, die Malaria‑Parasiten benötigen, um sich im Blut aufzubauen. Selbst bei erheblichem Datenverlust tauchten Warnungen typischerweise an 3,5 aufeinanderfolgenden Tagen während des Infektionsfensters auf, wodurch die Wahrscheinlichkeit steigt, dass Gesundheitsarbeiterinnen und ‑arbeiter sie bemerken und handeln.

Balance zwischen Genauigkeit, Transparenz und Praxisnähe

Das Team verglich das GAN mit gängigen Lückenfüllmethoden, von sehr einfachen Ansätzen wie dem Mitführen des letzten Werts bis hin zu fortgeschrittenen statistischen Modellen. In beiden Krankheitsgruppen lieferte das GAN im Allgemeinen die genauesten Rekonstruktionen und bewahrte besser natürliche Tag‑Nacht‑Herzfrequenzrhythmen, selbst wenn mehr als 70 Prozent der Daten fehlten. Wenn diese verbesserten Signale in automatisierte Infektionserkennungs‑Modelle eingespeist wurden, stiegen sowohl Sensitivität (Erkennen echter Fälle) als auch Präzision (Vermeidung von Fehlalarmen). Gleichzeitig wurde das GAN so konzipiert, dass es leichtgewichtig und schnell ist, sodass es schließlich auf einfachen Computern oder Edge‑Geräten an Orten mit begrenzter Strom‑ und Konnektivitätsinfrastruktur laufen könnte.

Was das für die alltägliche Versorgung bedeuten könnte

Für Nichtfachleute ist die zentrale Erkenntnis, dass fehlende Daten von Wearables nicht einfach Rauschen sind, das weggeworfen werden sollte. Mit der richtigen Form intelligenter Rekonstruktion lassen sich diese Lücken wieder in ein sinnvolles Warnsignal verwandeln. Die Studie zeigt, dass ein KI‑Modell, das an einer Krankheit (COVID‑19) trainiert wurde, dabei helfen kann, eine andere (Malaria) in einem sehr unterschiedlichen Umfeld zu erkennen und Gesundheitsarbeiterinnen und ‑arbeitern in vielen Fällen eine Woche oder länger Vorlaufzeit zu verschaffen. Wenn solche Systeme sicher und ethisch eingesetzt werden, könnten sie Gemeindegesundheitsmitarbeitenden helfen zu entscheiden, wen sie testen, wann sie aufsuchen und wie knappe Ressourcen priorisiert werden — also die Versorgung von reaktivem Handeln bei voller Erkrankung hin zu frühzeitiger Erkennung, solange noch Zeit für Maßnahmen ist.

Zitation: Wallner, J., Berbuir, S., Birner, L. et al. Overcoming Data Loss in Wearable Disease Detection with GAN-Based Imputation. npj Digit. Med. 9, 275 (2026). https://doi.org/10.1038/s41746-026-02518-4

Schlüsselwörter: Wearable‑Sensoren, Erkennung übertragbarer Krankheiten, Malaria, Imputation fehlender Daten, digitale Gesundheit in ressourcenarmen Regionen