KI SpotlightNewsKI sagt lange Sitzphasen bei Beckenschmerz-Patientinnen voraus
Forschende am Mount Sinai nutzen Fitbit-Daten für Vorhersagen eine Stunde im Voraus – ohne komplexe Deep-Learning-Modelle.
Mit KI erstellt◆ Fakten auf einen Blick
- Forschende der Icahn School of Medicine at Mount Sinai haben ein KI-Framework zur Vorhersage längerer Sitzphasen bei Frauen mit chronischen Beckenschmerzen entwickelt.
- Die Studie wurde am 30. September in npj Women's Health veröffentlicht.
- Analysiert wurden minütliche Aktivitäts-, Herzfrequenz- und Schlafdaten über 90 Tage von 134 Teilnehmerinnen mit chronischem Beckenschmerz und 61 gesunden Kontrollen, erhoben mit Fitbit-Geräten.
- Die Modelle wurden mit zehn Tagen individueller Daten pro Teilnehmerin trainiert, um Aktivitätslevel eine Stunde im Voraus zu prognostizieren, speziell für 15-minütige Wachfenster.
- Leichtgewichtige, interpretierbare Machine-Learning-Modelle erreichten eine vergleichbare Genauigkeit wie rechenintensive Netzwerke.
KI sagt lange Sitzphasen bei Beckenschmerz-Patientinnen voraus
Forschende der Icahn School of Medicine at Mount Sinai haben ein KI-Framework entwickelt, das anhand von Wearable-Daten längere Sitzphasen bei Frauen mit chronischen Beckenschmerzen vorhersagt. Die Studie wurde am 30. September in der Fachzeitschrift npj Women's Health veröffentlicht. Sie zeigt, wie alltägliche Wearable-Technologie als prädiktives Frühwarnsystem für körperliche Inaktivität fungieren kann, um rechtzeitige adaptive Gesundheitsinterventionen zu ermöglichen. Chronische Beckenschmerzen betreffen nach Angaben der Forschenden etwa eine von sieben Frauen und sind häufig mit Endometriose und Uterusmyomen verbunden. Schmerzen und Erschöpfung zwingen Betroffene oft zu ausgedehntem Sitzen. Herkömmliche digitale Gesundheitsempfehlungen bieten dafür nicht die nötige zeitliche Präzision. Das neue Framework soll als prädiktives Frühwarnsystem dienen und rechtzeitige, adaptive Bewegungsinterventionen ermöglichen, indem es bevorstehende längere Sitzphasen erkennt, bevor sie eintreten. Dafür nutzt es alltägliche Wearable-Technologie wie Fitbit-Geräte. Ziel ist es, Patientinnen rechtzeitig zu kurzen Bewegungspausen zu motivieren, um den negativen Folgen langen Sitzens entgegenzuwirken. Die Forschenden betonen, dass das System ohne komplexe Deep-Learning-Architekturen auskommt und dennoch eine hohe Genauigkeit erreicht.
Zehn Tage Training, eine Stunde Vorlauf, 15-Minuten-Fenster
Für die Studie analysierte das Team minütliche Aktivitäts-, Herzfrequenz- und Schlafdaten über einen Zeitraum von 90 Tagen. Die Daten stammten von 134 Teilnehmerinnen mit chronischem Beckenschmerz und 61 gesunden Kontrollpersonen, die Fitbit-Geräte trugen. Die Modelle wurden mit zehn Tagen individueller Daten pro Teilnehmerin trainiert, um das Aktivitätsniveau eine Stunde im Voraus zu prognostizieren. Der Fokus lag auf 15-minütigen Wachfenstern, die sich für kurze Bewegungspausen eignen. Durch die minütliche Erfassung der Daten konnten die Forschenden kurze Zeitfenster präzise modellieren. Die Forschenden stellten fest, dass leichtgewichtige, interpretierbare Machine-Learning-Modelle eine vergleichbare Genauigkeit wie rechenintensive Netzwerke erreichten. Dies stellt die Annahme der Industrie infrage, dass für genaue Gesundheitsvorhersagen fortgeschrittene Deep-Learning-Architekturen notwendig seien. Der personalisierte Ansatz mit wenigen Trainingstagen pro Person könnte den Einsatz in der Praxis erleichtern, da er weniger Rechenressourcen benötigt und zugleich nachvollziehbar bleibt.
