Apple Watch wird dank KI zum Werkzeug für Krankheitsprognosen

Dieser Beitrag kann Partnerlinks enthalten. Mehr dazu im Partnerprogramm.

Apfelpatient bei Google bevorzugen 1 Klick – so siehst du uns häufiger bei Google

Die Apple Watch liefert seit Jahren eine große Menge an Gesundheitsdaten, doch erst jetzt zeigt sich, wie weitreichend ihr Potenzial ist. Eine neue Studie des MIT und von Empirical Health nutzt rund 3 Millionen Personentage Apple-Watch-Daten, um ein KI-Basismodell zu entwickeln, das verschiedene Krankheiten zuverlässig vorhersagt. Die Ergebnisse machen deutlich, dass alltägliche Wearable-Daten für die medizinische Forschung wertvoller sind, als bisher angenommen.

Wearable-Daten gelten oft als lückenhaft, unregelmäßig oder schwer einzuordnen. Die Apple Watch wird nicht immer getragen, viele Messwerte sind unvollständig und unterschiedliche Sensoren liefern Daten in sehr verschiedenen Abständen. Genau hier setzt die Studie an. Statt diese Daten auszuschließen, zeigt sie, dass selbst große Lücken verwertbar sind, wenn eine KI lernt, die Bedeutung der fehlenden Abschnitte aus dem vorhandenen Kontext abzuleiten. Damit öffnet sich ein neuer Weg, um aus realen Gesundheitsdaten Muster zu erkennen, ohne dass vollständige Aufzeichnungen notwendig sind.

Hintergrund: Von JEPA zu einem Modell für Zeitreihen

Die Grundlage bildet die Joint-Embedding Predictive Architecture (JEPA), ein Konzept von Yann LeCun aus seiner Zeit als Chief AI Scientist bei Meta. JEPA verfolgt die Idee, fehlende Daten nicht zu rekonstruieren, sondern ihre Bedeutung zu schätzen. Bei Bildern bedeutet das: Ein Modell soll nicht erraten, was exakt hinter einem verdeckten Bereich liegt, sondern wie dieser Bereich in den sichtbaren Kontext passt.

Dieses Prinzip wurde auf Zeitreihen übertragen, also auf Daten, wie sie die Apple Watch liefert. Herzfrequenz, Aktivität, Schlafphasen und Atemdaten werden unregelmäßig erfasst. Genau für solche Lücken wurde die JEPA-Idee weiterentwickelt.

LeCuns Ansatz gilt heute als Ausgangspunkt für sogenannte Weltmodelle, die nicht nur Vorhersagen treffen, sondern ein Verständnis dafür entwickeln sollen, wie Systeme funktionieren. Meta veröffentlichte 2023 das Modell I-JEPA, und LeCun gründete inzwischen ein eigenes Unternehmen, das sich vollständig auf solche Weltmodelle konzentriert.

Die Studie: 3 Millionen Tage Apple-Watch-Daten

Die aktuelle Arbeit trägt den Titel „JETS: A Self-Supervised Joint Embedding Time Series Foundation Model for Behavioral Data in Healthcare“ und wurde für einen Workshop bei NeurIPS angenommen. Das Modell JETS nutzt die JEPA-Idee für unregelmäßige, multivariate Zeitreihen, wie sie bei Wearables üblich sind.

Für die Studie wurden Daten von 16.522 Personen ausgewertet. Insgesamt kamen rund 3 Millionen Personentage zusammen. Die Apple Watch lieferte dafür 63 unterschiedliche Messwerte in fünf Bereichen:

Herz-Kreislauf-Gesundheit
Atemwegsgesundheit
Schlaf
Körperliche Aktivität
Allgemeine Statistiken

Bemerkenswert ist, dass nur 15 % der Teilnehmer eine dokumentierte Krankengeschichte hatten. Üblicherweise wären daher 85 % der Daten für ein klassisches, überwachtes KI-Modell unbrauchbar gewesen. JETS nutzt jedoch ein selbstüberwachtes Vortraining. Das Modell lernt dabei zunächst aus allen Daten, auch ohne Beschriftung, und wird erst danach mit den vorhandenen Diagnosen verfeinert.

Wie JETS aus Apple-Watch-Daten lernt

Für jede Messung wurde ein Datentriplett gebildet, bestehend aus Tag, Wert und Typ der Metrik. Diese Tripletts wurden als Tokens verarbeitet, von denen ein Teil maskiert wurde. Das Modell lernte anschließend, die Bedeutung der fehlenden Abschnitte zu schätzen. So entsteht ein gemeinsamer Einbettungsraum, in dem alle Zeitreihen miteinander vergleichbar sind – unabhängig davon, wie viele Lücken bestehen.

Die Qualität des Modells wurde mit AUROC und AUPRC bewertet. Diese Kennzahlen messen, wie gut eine KI positive und negative Fälle voneinander unterscheiden kann, nicht wie oft sie richtig liegt. Die Ergebnisse:

Bluthochdruck: 86,8 % AUROC
Vorhofflattern: 70,5 %
Chronisches Erschöpfungssyndrom: 81 %
Sick-Sinus-Syndrom: 86,8 %

JETS übertraf dabei mehrere Basismodelle, darunter eine ältere, transformerbasierte JETS-Version. Besonders auffällig: Manche Werte lagen nur an 0,4 % der Tage vor, andere an 99 %. Trotzdem konnte das Modell aus beiden Situationen verwertbare Muster ziehen.

Warum die Ergebnisse für die Apple Watch wichtig sind

Die Studie zeigt, dass die Apple Watch viel mehr leisten kann, als einzelne Messwerte im Alltag zu dokumentieren. Selbst wenn Daten unvollständig sind, können moderne Modelle Zusammenhänge erkennen, die zuvor verborgen blieben. Wearables liefern damit nicht nur Momentaufnahmen, sondern wertvolle Langzeitinformationen, aus denen sich Risiken und potenzielle Krankheiten früher identifizieren lassen.

Potenzial alltäglicher Apple Watch Daten

Die Forschung rund um JEPA, Weltmodelle und das JETS-Modell macht sichtbar, wie viel Potenzial in den Daten steckt, die die Apple Watch täglich sammelt. Selbst unregelmäßige Zeitreihen enthalten ausreichend Struktur, um verlässliche Vorhersagen zu ermöglichen. Die Studie zeigt, dass moderne KI-Architekturen Wearable-Daten aufwerten und zu einem Werkzeug machen können, das langfristig zur besseren Erkennung von Krankheiten beiträgt. Damit rückt eine Medizin näher, die Warnsignale früher erkennt und Gesundheitsentwicklung präziser versteht – allein durch die Daten, die im Alltag entstehen. (Bild: Wongphoto / DepositPhotos.com)