Apple Studie zeigt Potenzial moderner Herzsensor Technik

Apple untersucht seit Jahren, wie optische Sensoren in der Apple Watch mehr über die Herzgesundheit liefern können. Eine neue Studie zeigt nun, wie künstliche Intelligenz tiefere Herzdaten aus einfachen PPG Signalen gewinnen könnte. Diese Ergebnisse knüpfen an Funktionen an, die Apple bereits eingeführt hat, und öffnen gleichzeitig den Blick auf mögliche zukünftige Entwicklungen.

Mit watchOS 26 hat Apple Bluthochdruck Benachrichtigungen auf der Apple Watch eingeführt. Die Funktion nutzt den optischen Herzsensor und prüft über einen Zeitraum von 30 Tagen, wie die Blutgefäße auf Herzschläge reagieren. Der Algorithmus sucht nach konstanten Anzeichen für Bluthochdruck und benachrichtigt bei entsprechenden Mustern. Apple weist darauf hin, dass es keine medizinische Diagnosefunktion ist und nicht alle Fälle erkannt werden. Trotzdem rechnet das Unternehmen damit, im ersten Jahr über eine Million unerkannte Fälle sichtbar zu machen.

Wichtig ist der Ansatz, nicht punktuelle Messungen auszuwerten, sondern langfristige Trends im Hintergrund zu analysieren. Genau an diesem Punkt setzt die neue Studie von Apple an, die zeigt, wie KI mehr aus optischen Daten herausholen könnte.

Mehr Daten aus dem optischen Sensor

Die Studie nennt die Apple Watch nicht direkt. Wie in anderen Veröffentlichungen im Machine Learning Research Blog von Apple konzentriert sich die Arbeit auf Grundlagenforschung und mögliche technische Ansätze. Der Titel lautet „Hybrid Modeling of Photoplethysmography for Non Invasive Monitoring of Cardiovascular Parameters“. Die Forscher schlagen einen hybriden Ansatz vor, der hämodynamische Simulationen und unbeschriftete klinische Daten kombiniert, um kardiovaskuläre Biomarker direkt aus PPG Signalen zu schätzen.

PPG steht für Photoplethysmographie und ist die gleiche optische Sensortechnik, die auch in der Apple Watch zum Einsatz kommt. Die Signale unterscheiden sich etwas von denen eines Finger Sensors, dennoch basiert alles auf derselben Methode, nämlich Veränderungen im Blutvolumen optisch zu erfassen.

Wie Apple das Modell aufgebaut hat

Das Forschungsteam hat zwei Datensätze erstellt. Einer enthält simulierte arterielle Druckwellenformen, sogenannte APWs. Der zweite umfasst reale Messungen, bei denen gleichzeitig PPG und APW Daten erhoben wurden. Anschließend wurde ein generatives Modell trainiert, um zu lernen, wie sich PPG Signale den entsprechenden Druckwellen zuordnen lassen.

Das Modell erzeugt aus einem PPG Segment mehrere plausible APW Wellenformen. Diese werden in einem zweiten Modell weiterverarbeitet. Dieses zweite Modell wurde mit simulierten APW Daten trainiert, denen bekannte kardiovaskuläre Parameter zugeordnet waren. Dazu gehören etwa Schlagvolumen und Herzzeitvolumen. Auf dieser Grundlage kann das Modell die entsprechenden Herzwerte für jedes PPG Segment ableiten. Danach werden die Ergebnisse gemittelt, um eine finale Schätzung zu erhalten, inklusive einer Unsicherheitsangabe.

Die Ergebnisse im Detail

Für die Auswertung kam ein neuer Datensatz zum Einsatz. Er enthält PPG und APW Signale von 128 Patienten, die sich einer nicht kardialen Operation unterzogen haben und bei denen kardiovaskuläre Biomarker vorlagen. Als die Daten durch die Pipeline liefen, zeigte sich, dass die Methode zeitliche Trends von Schlagvolumen und Herzzeitvolumen genau nachverfolgen konnte. Die absoluten Werte lagen nicht exakt, doch die Trenddarstellung war zuverlässig.

Gegenüber klassischen Techniken lieferte die hybride KI Methode bessere Ergebnisse. Die Studie zeigt, dass die Kombination aus Simulation und echten Messwerten helfen kann, die Aussagekraft eines einfachen optischen Sensors deutlich zu erhöhen. Gleichzeitig umgeht der Ansatz die Notwendigkeit invasiver, teurer und umfangreicher Annotationen.

Was die Forscher als nächstes sehen

In der Schlussfolgerung betont das Team, dass der hybride Ansatz vielversprechend ist, da er physikalisches Wissen in das Modell integriert und nicht allein auf gekennzeichnete Daten angewiesen ist. Das macht die Methode robuster, denn gekennzeichnete medizinische Daten sind oft schwer zu bekommen. Die Forscher sehen trotzdem noch Herausforderungen. Besonders die Vorhersage absoluter Werte bleibt schwierig. Genau darin sehen sie eine wichtige Aufgabe für zukünftige Arbeiten.

Weitere Verbesserungen könnten durch alternative generative Modelle entstehen oder durch neue architektonische Varianten der Netzwerke. Außerdem könnte die gleiche Lernstrategie, die hier mit Finger PPG genutzt wurde, auf tragbare PPG Sensoren übertragen werden. Das würde langfristig eine passive und dauerhafte Überwachung von Herzbiomarkern ermöglichen.

Potenzial optischer Sensoren für zukünftige Apple Anwendungen

Auch wenn unklar bleibt, ob Apple diese Verfahren jemals in Produkte wie die Apple Watch integriert, zeigt die Studie deutlich, dass die bestehende Sensortechnik viel Potenzial besitzt. Optische Sensoren könnten künftig weit mehr als Herzfrequenz oder Sauerstoffsättigung liefern. Mit KI gestützten Modellen wäre es möglich, komplexe Herzparameter im Alltag zu beobachten. Das würde Apples Rolle im Gesundheitsbereich weiter stärken und könnte einen wichtigen Beitrag zur Früherkennung und Überwachung von Herzproblemen leisten. (Bild: Shutterstock / Gabo_Arts)