Bewertung der Machbarkeit, Smartphone-Daten zur Identifikation des Risikos einer idiopathischen pulmonalen arteriellen Hypertonie zu nutzen

Warum Ihr Telefon dabei helfen könnte, stilles Herz-Lungen-Problem zu erkennen

Die meisten von uns tragen ein Smartphone bei sich und viele haben eine Uhr, die leise Schritte, Herzfrequenz und Schlaf protokolliert. Diese Studie stellt eine einfache, aber weitreichende Frage: Könnten diese alltäglichen digitalen Spuren Ärztinnen und Ärzten helfen, eine seltene, ernsthafte Herz‑Lungen-Erkrankung namens idiopathische pulmonale arterielle Hypertonie (IPAH) früher zu erkennen, lange bevor Betroffene endlich eine Spezialklinik aufsuchen? Die Forschenden werteten Jahre realer Daten von Telefonen, Uhren und In-App‑Fragebögen aus, um zu prüfen, ob subtile Muster in täglichen Bewegungs‑ und Herzsignalen zeigen können, wer ein höheres Risiko hat.

Eine schwer zu entdeckende Erkrankung

Bei IPAH verengen sich die Blutgefäße, die das Blut vom Herzen zu den Lungen transportieren. Mit der Zeit werden Betroffene kurzatmig, rascher erschöpft und haben ein erhöhtes Risiko für Herzversagen. Die frühen Warnzeichen sind jedoch unspezifisch – Müdigkeit, Luftnot bei Belastung – und der definitive Test erfordert ein invasives Herzkatheter‑Verfahren in einer Spezialklinik. Viele Patientinnen und Patienten warten etwa drei Jahre von den ersten Symptomen bis zur Diagnose, wobei die Krankheit dann weiter fortgeschritten und schwerer behandelbar ist. Das Team dieser Studie wollte wissen, ob kontinuierliches, passives Monitoring Alltagsaktivitäten früher einen Hinweis darauf geben könnte, dass etwas nicht stimmt.

Alltägliche Bewegung in Gesundheitsindikatoren verwandeln

Die Forschenden nutzten die iPhone‑App My Heart Counts, die mit Apple Health‑Daten von Telefonen und Apple Watches verknüpft ist. Sie rekrutierten 109 Personen im Vereinigten Königreich, die bereits ein iPhone besaßen, darunter 33 mit bestätigter IPAH, 14 mit anderen schwerwiegenden Erkrankungen (hauptsächlich nach schwerem COVID‑19) und 61 gesunde Freiwillige. Bei einigen Patientinnen und Patienten konnten sie Monate oder sogar Jahre vor der Diagnose in den historischen, auf dem Telefon gespeicherten Daten zurückblicken. Untersucht wurden einfache Messgrößen wie die Anzahl der Schritte, Gehgeschwindigkeit, absolvierte Treppenstufen, das Verhalten der Herzfrequenz in Ruhe und bei Bewegung sowie Schlafmuster. Die Teilnehmenden beantworteten außerdem Fragen zu Lebensstil, Stimmung und Einstellungen zu Bewegung und Krankheit.

Was die Daten über den Alltag verrieten

Personen, bei denen sich IPAH entwickelte, bewegten sich bereits weniger und langsamer als gesunde Freiwillige, noch bevor sie diagnostiziert wurden. Sie gingen weniger Schritte, stiegen weniger Treppen und hatten ein geringeres Gehtempo. Ihre Ruheherzfrequenz war tendenziell höher und die Schlag‑zu‑Schlag‑Variabilität der Herzfrequenz geringer – Anzeichen dafür, dass der Körper härter arbeiten und sich weniger gut anpassen musste. Sie verbrachten außerdem mehr Zeit wach in der Nacht. Nach Diagnose und Behandlung verbesserten sich diese Messwerte im Allgemeinen: Patientinnen und Patienten gingen mehr, stiegen mehr Treppen und ihre Herzfrequenz wurde ruhiger und flexibler, was den Verbesserungen in standardisierten sechsminütigen Gehtests in der Klinik entspricht. Antworten auf Fragen zu Einstellung und Lebensstil lieferten eine zusätzliche Ebene: Menschen mit IPAH zweifelten häufiger daran, dass ihr aktuelles Aktivitätsniveau nützlich sei, und sahen Krankheit eher als etwas Festgelegtes oder Genetisches an, statt als etwas, das der Lebensstil beeinflussen könnte.

Computern beibringen, Risiko zu erkennen

Um zu testen, ob diese digitalen Signale helfen könnten, IPAH zu markieren, trainierte das Team maschinelle Lernmodelle mit den App‑Daten. Mit Informationen ausschließlich aus der Zeit vor der Diagnose konnten Modelle, die auf Uhrdaten (einschließlich Herzfrequenz) basierten, IPAH relativ gut von gesunden und erkrankten Kontrollen unterscheiden, mit einem Genauigkeitsmaß (ROC AUC) von etwa 0,87. Nur mit Telefonaktivitätsdaten erzielten die Modelle weiterhin starke Ergebnisse, und das Hinzufügen ausgewählter Fragebogenantworten – insbesondere zu Lebensstil und Lebenszufriedenheit – steigerte die Leistung auf bis zu 0,94. Beim Versuch, den gleichen Ansatz in einer separaten Gruppe von US‑App‑Nutzern anzuwenden, schnitten die Modelle zunächst schlechter ab, hauptsächlich weil Aktivitätsmuster und Gesundheitsvorgeschichten zwischen den Ländern unterschieden. Nach einem erneuten Training des Systems mit einem kleinen Anteil US‑Daten, um diese Unterschiede zu berücksichtigen, erreichte das Modell wieder eine nützliche Genauigkeit (ROC AUC etwa 0,74), was darauf hindeutet, dass solche Werkzeuge an unterschiedliche Populationen angepasst werden könnten.

Was das für Patientinnen und Patienten bedeuten könnte

Für eine allgemeine Leserschaft lautet die Kernbotschaft: Die Schritte, die Sie machen, das Tempo, in dem Sie gehen, und wie Ihre Herzfrequenz im Alltag reagiert, tragen bedeutsame Gesundheitsinformationen – selbst wenn Sie sich nur vage unwohl fühlen. Diese Studie, wenn auch noch klein und explorativ, zeigt, dass einfache Daten, die passiv von Verbrauchertechnologie gesammelt werden, kombiniert mit wenigen kurzen Umfragen, Krankenhausuntersuchungen widerspiegeln und helfen können, Menschen mit einer ernsthaften, aber versteckten Erkrankung von Gesunden oder von Menschen mit anderen Problemen zu unterscheiden. Die Autorinnen und Autoren betonen, dass deutlich größere und diversere Studien nötig sind, bevor solche Instrumente die Versorgung steuern können, und dass die beobachteten Muster nicht einzigartig für IPAH sind. Trotzdem weist ihre Arbeit in eine Zukunft, in der Telefone und Wearables als Frühwarn‑Begleiter fungieren und Patientinnen und Ärzten ermöglichen, gefährliche Veränderungen der Herz‑Lungen‑Gesundheit früher zu erkennen, mit weniger invasiven Tests und zeitnaherer Behandlung.

Zitation: Delgado-SanMartin, J.A., Keles, M., Errington, N. et al. Assessing the feasibility of using smartphone data to identify risk of idiopathic pulmonary arterial hypertension. npj Cardiovasc Health 3, 16 (2026). https://doi.org/10.1038/s44325-026-00114-9

Schlüsselwörter: digitale Gesundheit, pulmonale Hypertonie, tragbare Sensoren, Smartphone-Überwachung, Machine Learning in der Medizin