Eine systematische Untersuchung digitaler Biomarker zur Erkennung depressiver Episoden bei bipolarer Störung

Warum Ihr Telefon und ein Ring einen Abschwung anzeigen könnten

Für viele Menschen mit bipolarer Störung können depressive Episoden scheinbar ohne Vorwarnung auftreten und Arbeit, Beziehungen und den Alltag aus der Bahn werfen. Diese Studie stellt eine einfache Frage mit weitreichenden Folgen: Können Muster in Alltagsdaten – von einem Wearable-Ring, der Aktivität und Schlaf erfasst, sowie sehr kurzen täglichen Stimmungseinschätzungen – zuverlässig signalisieren, wenn jemand von einer stabilen Phase in eine Depression abrutscht? Wenn ja, könnten Technologien, die Menschen bereits bei sich tragen, Patienten und Behandlern ermöglichen, früher zu reagieren, lange bevor eine Krise eine Behandlung erzwingt.

Das reale Leben über Monate verfolgen, nicht nur Minuten

Die Forschenden begleiteten 133 Erwachsene mit bipolarer I- oder II-Störung über eine Medianzeit von etwa acht Monaten. Die Teilnehmenden trugen einen Oura-Ring, ein kommerziell verfügbares Gerät, das kontinuierlich Bewegung und Schlaf aufzeichnet, und füllten sehr kurze tägliche Einschätzungen zu Stimmung, Energie und Angst per E-Mail aus. Einmal pro Woche bearbeiteten sie zudem einen standardisierten Depressionsfragebogen, wie er in Kliniken verwendet wird. Anhand dieser wöchentlichen Fragebögen markierte das Team, wann eine Person in eine depressive Episode eintrat – definiert als mindestens zwei Wochen in Folge mit klinisch relevanten Symptomen – und wann sie sich in einem stabilen, euthymen Zustand befand. So entstanden lange, detaillierte „Ströme“ von Verhalten und Gefühlen in guten und schlechten Zeiten.

Tausende Datenpunkte zu wenigen klaren Signalen verdichten

Aus den Rohdaten entwickelten die Wissenschaftler 49 grundlegende Variablen (wie tägliche schrittbezogene Aktivität, Einschlafdauer und durchschnittliche Stimmungsbewertung) über mehrere Zeitskalen und extrahierten dann sieben mathematische Beschreiber dafür, wie sich jede Variable über die Zeit verhielt. Diese Beschreiber erfassten nicht nur Pegel, sondern wie stark eine Messgröße von Tag zu Tag schwankte, wie extrem diese Schwankungen waren und wie ähnlich ein Tag dem nächsten war. Das Ergebnis waren 343 mögliche „digitale Biomarker“, die Muster in Schlaf, Aktivität sowie selbstberichteter Stimmung, Energie und Angst beschrieben. Anschließend nutzten sie erklärbare Machine-Learning-Methoden – Algorithmen, die sowohl klassifizieren als auch aufzeigen können, welche Eingaben am wichtigsten waren –, um zu sehen, welche Kombinationen depressive Tage am besten von stabilen Tagen trennten.

So sah Depression in täglichen Mustern aus

Unter allen Signalen waren die täglichen Selbstbewertungen die stärkste einzelne Informationsquelle. Modelle, die nur die drei täglichen Schieberegler für Stimmung, Energie und Angst nutzten, unterschieden depressive Episoden von stabilen Perioden mit hoher Genauigkeit (eine Fläche unter der ROC-Kurve von etwa 0,82, wobei 1,0 perfekt und 0,5 nicht besser als Zufall ist). Während depressiver Episoden bewerteten Menschen ihre Stimmung und Energie deutlich niedriger. Gleichzeitig schwankten ihre Werte innerhalb eines engen, niedrigen Bereichs – ein statistisches Muster, das die Autorinnen und Autoren als ein Relativ‑Absolute‑Variabilitätsparadoxon beschreiben: Stimmung und Energie wirkten relativ betrachtet variabler angesichts ihres niedrigen Mittels, absolut betrachtet fühlten sich die Menschen jedoch anhaltend niedergeschlagen und „festgefahren“. Mit anderen Worten: Depression glich hier einem langgezogenen, flachen Tal statt scharfer Auf‑ und Abwärtsbewegungen.

Subtile Veränderungen in Bewegung und Schlaf sind trotzdem relevant

Auch ohne Selbstbewertungen lieferte der Wearable-Ring nützliche Hinweise. Depressive Episoden waren mit geringerer Tag‑zu‑Tag‑Variation der Gesamtaktivität verbunden – die Bewegungslevels der Personen waren gleichmäßiger niedrig. Auch die Schlafmuster veränderten sich. Die Zeit bis zum Einschlafen variierte von Nacht zu Nacht stärker, während Messgrößen für Tiefschlaf tendenziell weniger extreme Schwankungen zeigten. Obwohl auf Aktivität und Schlaf basierende Modelle weniger genau waren als solche mit täglichen Stimmungsberichten, lagen sie dennoch deutlich über Zufall und erwiesen sich in vielen statistischen Tests als robust, was darauf hindeutet, dass sich die Körperrhythmen während depressiver Phasen starrer und weniger anpassungsfähig zeigen.

Von Beschreibung zu Frühwarnsystemen

Die Autorinnen und Autoren betonen, dass diese Arbeit ein früher, aber wichtiger Schritt ist: Sie konzentriert sich darauf, genau zu beschreiben, wann eine Person depressiv ist, und nicht darauf, Episoden im Vorfeld zu prognostizieren. Dennoch ergibt sich ein intuitiv erkennbares Bild: Während depressiver Episoden fühlen sich Menschen durchgehend schlechter und energieloser, bewegen sich weniger und monotoner und erleben unregelmäßigere Schlafenszeiten. Da die wichtigsten identifizierten digitalen Biomarker relativ einfach sind – Tag‑zu‑Tag‑Variabilität von Stimmung, Aktivität und Einschlafzeit – könnten sie schließlich in Apps oder klinische Dashboards integriert werden. Für Patientinnen und Patienten könnte das bedeuten, dass Telefon und Ring diese Muster still im Hintergrund verfolgen und sie sowie ihre Behandelnden alarmieren, wenn die Alltagsrhythmen beginnen, früheren Depressionen zu ähneln, wodurch sich rechtzeitigere und individuellere Versorgung eröffnen würde.

Zitation: Halabi, R., Mulsant, B.H., Tolend, M. et al. A systematic exploration of digital biomarkers for the detection of depressive episodes in bipolar disorder. npj Mental Health Res 5, 13 (2026). https://doi.org/10.1038/s44184-026-00195-5

Schlüsselwörter: bipolare Störung, digitale Biomarker, Wearable-Sensoren, Depressionserkennung, digitales Phänotyping