Ein maschinelles Lernmodell zur Erkennung von Gebrechlichkeit basierend auf Messungen von tragbaren Geräten

Warum Alltagsbewegung im Alter wichtig ist

Da immer mehr Menschen in ihre 70er, 80er und darüber hinaus leben, suchen Ärztinnen und Ärzte nach besseren Wegen, um früh zu erkennen, wer Gefahr läuft, schwach zu werden, seine Unabhängigkeit zu verlieren oder dringendere Versorgung zu benötigen. Der medizinische Begriff für diese Verwundbarkeit ist Gebrechlichkeit, doch die heutigen Tests dafür sind zeitaufwendig, oft subjektiv und schwer regelmäßig zu wiederholen. Diese Studie untersucht, ob einfache Bewegungsdaten von einem am Handgelenk getragenen Aktivitätsmesser diese Tests ersetzen und sogar die Fähigkeit von Ärztinnen und Ärzten verbessern können, schwerwiegende Folgeereignisse wie Krankenhausaufenthalte und Tod vorherzusagen.

Von Klemmbrettern zu Armbändern

Traditionelle Gebrechlichkeitsskalen fragen nach Müdigkeit und Gewichtsverlust, messen Gehgeschwindigkeit und Griffstärke und zählen viele Gesundheitsprobleme zusammen. Diese Instrumente sind nützlich, aber zeitintensiv, und einige beruhen auf dem Gedächtnis der Person oder der Einschätzung einer beschäftigten Klinikperson. Die Forschenden fragten sich, ob ein objektiveres Fenster ins tägliche Leben – wie viel Menschen sich tatsächlich bewegen, sitzen und schlafen – dieselben Informationen effizienter erfassen könnte. Mit einem smartwatch-ähnlichen Gerät, einem Beschleunigungssensor, zeichneten sie jeden Schritt, jede Pause und jede Aktivitätsphase älterer Erwachsener über den Verlauf einer Woche auf.

Eine Woche Bewegung wurde zu Risikowerte

Das Team griff auf die Toledo-Studie zum gesunden Altern in Spanien zurück, die Hunderte von über 65-Jährigen begleitet. Nach Interviews, körperlichen Untersuchungen, Bluttests und Körperuntersuchungen wurden 437 Teilnehmende gebeten, das Aktivitätsgerät sieben Tage lang zu tragen. Spezialisierte Software verwandelte die rohen Bewegungssignale in numerische Merkmale wie Gesamtschritte, Abschnitte mit kräftiger Bewegung und lange sitzende Perioden sowie Muster im Zusammenhang mit Schlaf und Wachheit. Diese Merkmale wurden dann in ein Modell des maschinellen Lernens eingespeist – ein Computerprogramm, das Muster aus Daten lernt –, um zu prüfen, ob es mehrere etablierte Gebrechlichkeitsskalen und verwandte Gesundheitsrisikofaktoren rekonstruieren konnte.

Dem Computer beibringen, Gebrechlichkeit zu erkennen

Die Forschenden verwendeten einen Ansatz namens gradientenverstärkte Entscheidungsbäume, der viele einfache Entscheidungsregeln zu einem leistungsstarken Prädiktor kombiniert. Sie teilten ihren Datensatz wiederholt in zwei Hälften, trainierten das Modell mit der einen Hälfte und testeten es an der anderen, um sicherzustellen, dass die Ergebnisse auch bei unbekannten Personen Bestand haben. Das Modell konnte einen detaillierten Gebrechlichkeitswert, bekannt als Frailty Trait Scale, mit guter Genauigkeit allein anhand von Aktivitätsmustern schätzen. Ähnliche Erfolge zeigten sich bei anderen Gebrechlichkeitsmaßen und bei einzelnen Risikofaktoren des Alterns, wie Bluttestergebnissen und Griffstärke. Bemerkenswert war, dass zwei Tage – etwa 48 Stunden – sorgfältig ausgewählter Daten fast genauso aussagekräftig waren wie die gesamte Woche, was darauf hindeutet, dass eine kurze, gezielte Überwachung ausreichen könnte.

Blick auf Krankenhausaufenthalte und Überleben

Über das Nachbilden bestehender Gebrechlichkeitsskalen hinaus wurde das aktivitätsbasierte Modell an Konsequenzen getestet, die Patienten und Familien besonders wichtig sind: einer Krankenhausaufnahme und dem Sterberisiko über die Zeit. Hier lagen die bewegungsbasierten Vorhersagen oft über den traditionellen Gebrechlichkeitswerten selbst. Mit anderen Worten: Wie sich jemand im Alltag tatsächlich bewegt und erholt, lieferte ein klareres Signal für drohende Probleme als punktuelle klinische Tests allein. Dieser Befund deutet darauf hin, dass Wearables Ärztinnen und Ärzten helfen könnten, Hochrisikopatienten früher zu identifizieren und Nachsorge oder Unterstützungsleistungen gezielt einzusetzen, bevor es zu Krisen kommt.

Was das für gesundes Altern bedeuten könnte

Die Studie legt nahe, dass kurze Überwachungszeiträume mit einem einfachen Armbandgerät eine effiziente, objektive Alternative zu komplexen Gebrechlichkeitsexamen bieten und zugleich Vorhersagen schwerer gesundheitlicher Ereignisse schärfen können. Für ältere Menschen könnte das schließlich weniger lange Klinikbesuche und mehr kontinuierliche, häusliche Einsicht in Veränderungen ihres Gesundheitszustands bedeuten. Für Gesundheitssysteme eröffnet es die Möglichkeit, Gebrechlichkeit in großen Populationen zu verfolgen und knappe Ressourcen denen zuzuteilen, die sie am dringendsten benötigen. Die Autorinnen und Autoren warnen, dass vielfältigere Gruppen und zusätzliche biologischen Messungen erforderlich sein werden, um das vollständigste Bild des Alterns zu erstellen. Dennoch deuten ihre Ergebnisse auf eine Zukunft hin, in der Alltagsbewegung, still aufgezeichnet, zu einem starken Instrument zum Schutz der Unabhängigkeit und zur Verlängerung gesunder Lebensjahre wird.

Zitation: Culos, A., Manas, A., Shidara, K. et al. A machine learning model for frailty based on wearable device measurements. Commun Med 6, 173 (2026). https://doi.org/10.1038/s43856-026-01419-7

Schlüsselwörter: Gebrechlichkeit, tragbare Sensoren, ältere Erwachsene, maschinelles Lernen, gesundes Altern