Kann man das Risiko neurologischer oder psychischer Erkrankungen mit Hilfe seines Smartphones oder seiner Smartwatch vorbeugen? Ein Team der Universität Genf (UNIGE) hat eine Kohorte von "vernetzten" Freiwilligen begleitet und mithilfe einer künstlichen Intelligenz Daten analysiert, die unter anderem die Herzfrequenz, körperliche Aktivität, Schlaf oder Luftverschmutzung betreffen.
Die Ergebnisse zeigen, dass diese Geräte mit einer geringen Fehlermarge die affektiven und kognitiven Schwankungen der Teilnehmerinnen und Teilnehmer vorhersagen können und den Weg für eine frühere Erkennung von Veränderungen der Hirngesundheit ebnen. Diese Arbeit wurde in
npj Digital Medicine veröffentlicht.
Illustrationsbild Pixabay
Die Hirngesundheit, die kognitive und affektive Funktionen vereint, ist eine der großen Herausforderungen für die öffentliche Gesundheit im 21. Jahrhundert. Laut der Weltgesundheitsorganisation (WHO) ist mehr als jede dritte Person von neurologischen Störungen betroffen (wie Schlaganfall, Epilepsie oder Parkinson, zum Beispiel) und mehr als jede zweite Person wird im Laufe ihres Lebens von einer psychischen Erkrankung (Depression, Angststörungen, Schizophrenie) betroffen sein. Mit der alternden Bevölkerung nehmen diese Zahlen ständig zu.
Selbst bei gesunden Erwachsenen variiert die Hirngesundheit häufig im Laufe der Zeit und spiegelt die Wechselwirkungen zwischen verschiedenen Faktoren wider, zum Beispiel Umweltfaktoren oder solche, die mit der individuellen Lebensweise zusammenhängen. Die Analyse der Schwankungen von Kognition und Affekt von einem Tag zum anderen oder von einer Woche zur nächsten ist daher entscheidend, um proaktive und individualisierte Präventionsstrategien zu entwickeln.
Ein Team der UNIGE wollte wissen, ob tragbare und mobile Technologien zur kontinuierlichen und nicht-invasiven Überwachung der Hirngesundheit genutzt werden können. Dafür wurden 88 Freiwillige im Alter von 45 bis 77 Jahren mit einer speziellen Smartphone-App und einer Smartwatch ausgestattet. Über zehn Monate sammelten diese Geräte "passive" Daten, ohne Eingriff oder Änderung der Gewohnheiten der Freiwilligen, wie Herzfrequenz, körperliche Aktivität, Schlaf, aber auch Wetter und Luftverschmutzung. Insgesamt wurden 21 Indikatoren berücksichtigt.
Alle drei Monate mussten die Freiwilligen außerdem "aktive" Daten liefern, indem sie Fragebögen zu ihrem Gemütszustand ausfüllten und kognitive Leistungstests absolvierten.
Datenanalyse durch KI
"Am Ende des Experiments wurden die passiven Daten von einer im Rahmen der Studie entwickelten künstlichen Intelligenz analysiert. Das Ziel war zu überprüfen, ob die KI die Schwankungen der kognitiven und affektiven Gesundheit der Teilnehmerinnen und Teilnehmer auf der Grundlage dieser Daten vorhersagen konnte", erklärt Igor Matias, Doktorand und Assistent am Research Institute for Statistics and Information Science der Geneva School of Economics and Management (GSEM) der UNIGE und Erstautor der Studie.
Die Vorhersagen der KI wurden anschließend mit den Ergebnissen der Fragebögen und Tests verglichen. "Im Durchschnitt lag die Fehlerrate bei nur 12,5 %, was neue Perspektiven für den Einsatz vernetzter Geräte bei der Früherkennung von Anomalien oder Veränderungen der Hirngesundheit eröffnet", freut sich der Forscher.
Affektive Zustände leichter vorherzusagen
Die affektiven Zustände erwiesen sich als die am leichtesten von der künstlichen Intelligenz vorherzusagenden, mit Fehlerraten, die überwiegend zwischen 5 % und 10 % lagen. Die kognitiven Zustände wurden hingegen weniger präzise vorhergesagt, mit Fehlerraten zwischen 10 % und 20 %. Mit anderen Worten: Die KI sagt die Ergebnisse der affektiven Fragebögen effektiver vorher als die der kognitiven Tests.
Was die Relevanz der passiven Indikatoren betrifft, so sind Luftverschmutzung, Wetter, die tägliche Herzfrequenz und die Schlafvariabilität die aussagekräftigsten Faktoren für die Kognition. Für die affektiven Zustände erweisen sich hauptsächlich das Wetter, die Schlafvariabilität und die Herzfrequenz während des Schlafs als die entscheidendsten Faktoren.
Quelle: Universität Genf