Forscher der Icahn School of Medicine at Mount Sinai haben ein KI-Modell entwickelt, das mithilfe von Wearable-Daten bevorstehende Phasen längeren Sitzens bei Frauen mit chronischen Beckenschmerzen vorhersagt. Die am 30. September 2026 in der Fachzeitschrift npj Women’s Health veröffentlichte Studie soll künftig passgenaue, digitale Bewegungsimpulse im Alltag ermöglichen.
Wearable-Daten und Methodik der Mount-Sinai-Studie
Das neue Prognosesystem basiert auf einer sekundären Analyse von Daten, die im Rahmen einer laufenden Beobachtungsstudie der Icahn School of Medicine at Mount Sinai erhoben wurden. Die zugrundeliegende Arbeit wird durch das National Institutes of Health unter dem Förderkennzeichen R01HD108263 unterstützt. An der Datenerhebung nahmen 134 Frauen mit klinisch diagnostizierten chronischen Beckenschmerzstörungen wie Endometriose sowie eine Vergleichsgruppe aus 61 gesunden Personen teil.
Die Probandinnen trugen über einen Zeitraum von bis zu 90 Tagen Fitbit Inspire 2 Geräte. Das System verarbeitete die minutengenauen Aufzeichnungen zu körperlicher Aktivität, Herzfrequenz und Schlafmustern, um präzise Vorhersagen über das Verhalten in der jeweils nächsten Stunde zu treffen. Um stabile Modelle zu erhalten, reichten den Forschern pro Teilnehmerin etwa zehn Tage an Daten aus.
Technische Effizienz und der Ansatz der leichten KI-Modelle
Bei der Entwicklung des Algorithmus zeigte sich überraschend, dass aufwendige Deep-Learning-Verfahren keinen signifikanten Vorteil gegenüber deutlich einfacheren Rechenmodellen boten. Die verhältnismäßig leichtgewichtigen und interpretierbaren Algorithmen lieferten präzise Ergebnisse und bieten den großen Vorzug, direkt auf den Endgeräten der Anwenderinnen lauffähig zu sein.
Wie die Forscher erläutern, schützt diese lokale Datenverarbeitung auf dem Smartphone oder Wearable die Privatsphäre der Nutzerinnen und reduziert die Notwendigkeit, sensible Gesundheitsdaten an externe Server zu übermitteln.
„We were surprised by how well the simplest models performed. More complex AI is not always better. Lightweight, interpretable models can accurately forecast sedentary behavior while being practical enough to run directly on a person’s own device, which also helps protect privacy.“
Zudem erwies sich die Software als robust gegenüber unvollständigen Datenreihen, wie sie im Alltag entstehen, wenn Geräte vorübergehend abgenommen werden oder die Synchronisation ausbleibt.
Hintergrund zu chronischen Beckenschmerzen und Inaktivität
Schätzungen zufolge ist rund eine von sieben Frauen von chronischen Beckenschmerzstörungen betroffen, die häufig im Zusammenhang mit Endometriose, Adenomyose oder Uterinen Myomen auftreten. Schmerzen, Erschöpfung und weitere Symptome führen im Alltag oft zu langen Sitzphasen. Zwar gilt regelmäßige Bewegung als hilfreich, doch greift allgemeine Ratschläge gebende Lebensstilberatung bei Patientinnen mit chronischen Schmerzen meist zu kurz.
Das neue System soll daher als elektronisches Frühwarnsystem dienen, das Inaktivität voraussieht, bevor sie sich verfestigt.
Das Team konzentrierte sich bei der Auswertung auf Zeitfenster von 15 Minuten, um gezielt kurze und machbare Bewegungseinheiten – sogenannte exercise snack
– vorzubereiten.
Nächste Schritte und klinische Validierung
Obwohl die retrospektive Auswertung der Wearable-Daten die technische Machbarkeit der Vorhersage belegt, stehen praktische Anwendungen noch aus.
„The next step is determining whether delivering personalized movement prompts based on those predictions actually helps reduce sedentary time, improves symptoms, and enhances quality of life. Those questions will require prospective clinical trials.“
Auch interessant
