Demenzerkennung per Wearable: Was Smartwatches bald leisten

Viele bemerken kleine Aussetzer im Alltag: ein vergessenes Wort, verlegter Schlüssel, ein unsicherer Schritt auf dem Bürgersteig. Solche Beobachtungen sind persönlich und unsystematisch. Wearables – vor allem Smartwatches – sammeln im Hintergrund jedoch Daten, die solche Signale konsistent über Wochen und Monate sichtbar machen können. Für Betroffene und Angehörige besteht hier ein praktischer Nutzen: ein kontinuierliches, passives Monitoring kann Veränderungen früher anzeigen als punktuelle Tests in der Arztpraxis.

Gleichzeitig ist wichtig zu verstehen, was dieses Monitoring leistet: Es liefert Hinweise und Muster, nicht sofort eine medizinische Diagnose. Aktuelle Forschung zeigt, dass bestimmte Bewegungs- und Vitalmuster korrelieren mit frühen kognitiven Veränderungen; die Evidenz ist vielversprechend, aber noch nicht ausreichend standardisiert für den breiten klinischen Einsatz.

Smartwatches kombinieren mehrere Sensoren: Beschleunigungsmesser und Gyroskop (zusammen: IMU) erfassen Bewegungen, Photoplethysmographie (PPG) misst den Puls und liefert Daten für Herzfrequenzvariabilität (HRV), und Schlaftracker bilden Nachtruhe und Fragmentierung ab. Diese Rohdaten werden zu Merkmalen (Features) verdichtet: Gehgeschwindigkeit, Schrittzeit‑Variabilität, nächtliche Bewegungsereignisse oder Muster in der Herzfrequenz. Machine‑Learning‑Modelle ordnen solche Merkmale gesundheitlichen Gruppen zu oder erkennen Abweichungen vom persönlichen Normalzustand.

Digitale Signale sind Hinweise, keine Diagnosen: sie können zeigen, dass es sich lohnt, ärztlich nachzufragen.

Einige der am besten untersuchten digitalen Biomarker sind Gangparameter, Schlafqualität und HRV. Hier eine kleine Übersicht, wie solche Messwerte in Studien eingeordnet werden:

Wichtig ist die Kombination: Ein einzelner Ausreißer sagt wenig, Muster aus mehreren Sensoren liefern belastbarere Hinweise. Methodisch unterscheiden Forscher analytische Validierung (Stabilität der Messung), klinische Validierung (Zusammenhang mit Gesundheitsbefunden) und prädiktive Validierung (Vorhersage von Erkrankungsübergängen). Aktuelle Studien liefern Beispiele für alle drei Stufen, doch die komplette Kette für den Routineeinsatz ist noch nicht überall geschlossen.

Praktisch funktioniert das so: eine Smartwatch registriert tagtäglich Schritte, nächtliche Ruhe und Herzfrequenz. Aus diesen Rohwerten können Algorithmen Trends ableiten – zum Beispiel sinkende Gehgeschwindigkeit über Monate, öfteres nächtliches Aufwachen oder ein verändertes Erholungsverhalten nach Belastung. Zudem existieren aktive Tests, die Nutzer am Gerät ausführen: Ein aktuelles Beispiel ist ein tabletbasiertes Dual‑Task‑Testverfahren (Ball‑Balancing plus Gedächtnisaufgabe), das in einer validierten Studie unterschiedlich gute Ergebnisse zur Unterscheidung von gesunden Teilnehmenden, MCI und fortgeschritteneren kognitiven Störungen zeigte (Studienbeispiel: JMIR, 2024).

Im Alltag bietet das den Vorteil, subtile Veränderungen zu beobachten, die bei Einzelterminen übersehen werden. Für Forschung und klinische Studien sind solche passiven Profile attraktiv, weil sie große Zeiträume mit geringer Belastung für die Teilnehmenden abdecken. Bei der Interpretation muss man jedoch auf Messbedingungen achten: Trägt jemand die Uhr dauerhaft, sind die Daten aussagekräftiger als bei sporadischem Gebrauch; außerdem kann die Position am Handgelenk oder die Gerätemarke die Messergebnisse beeinflussen.

Wenn eine Smartwatch wiederholt auffällige Muster liefert, kann das ein Anlass für weitere ärztliche Abklärung sein — etwa kognitive Tests in der Praxis oder eine Vorstellung in einer Memory‑Klinik. Solche Workflows sind Gegenstand aktueller Pilotprojekte, die Integration in klinische Routinen aber hängt von Validierung, Haftungsfragen und Datenschutz ab.

Die Chancen liegen auf der Hand: kontinuierliche Daten können frühe Veränderungen zeigen, Patient:innen werden weniger durch Tests belastet, und klinische Studien lassen sich effizienter anreichern. Forschungsergebnisse bis 2025 deuten darauf hin, dass multimodale Signale bessere Differenzierung erlauben als Einzelmessungen; erste Feldstudien berichten Klassifikationswerte im brauchbaren Bereich, sind aber oft noch nicht prospektiv prädiktiv validiert.

Die Risiken sind beträchtlich: Algorithmen können falsch positive Signale liefern, was unnötige Sorgen oder medizinische Tests zur Folge haben kann. Gerätedefizite, unterschiedliche Messprotokolle und algorithmische Verzerrungen erschweren die Generalisierbarkeit. Datenschutz ist ein weiteres zentrales Thema: sensible Gesundheitsdaten dürfen nicht unkontrolliert weitergegeben werden; in Europa greifen die Vorgaben der DSGVO, die Unternehmen und Kliniken frühzeitig berücksichtigen müssen.

Hinzu kommt eine methodische Spannung: Viele Publikationen nutzen maschinelles Lernen und melden gute interne Ergebnisse, doch externe Validierung auf unabhängigen Kohorten fehlt oft. Einige Arbeiten legen zudem kommerzielle Verbindungen offen; das beeinflusst nicht automatisch die Qualität, reduziert aber das Vertrauen, solange unabhängige Replikationen fehlen.

In den kommenden Jahren ist mit drei parallelen Entwicklungen zu rechnen: erstens mehr multimodale Studien, die IMU‑Daten, PPG‑Signale, Schlafmetriken und Sprachdaten kombinieren; zweitens stärkere Vorwärtsvalidierung in längsschnittlichen, multizentrischen Kohorten; drittens technische Verbesserungen wie On‑device‑Inference, die Datenschutzrisiken mindern können, weil rohe Daten das Gerät nicht mehr verlassen müssen.

Für die klinische Praxis wären standardisierte Metriken und transparente Reporting‑Standards nötig, damit Praxen entscheiden können, welche Signale als Anlass für Abklärung gelten. Auch regulatorische Pfade werden klarer: Medizinprodukt‑Regelungen verlangen zunehmend Nachweise für klinischen Nutzen, nicht nur technische Machbarkeit.

Für Menschen, die eine Smartwatch nutzen, heißt das konkret: Geräte können ein Frühwarninstrument sein, das zu einem Arztgespräch führen sollte, wenn wiederholt Auffälligkeiten auftreten. Wer solche Funktionen nutzt, sollte auf Transparenz der Anbieter achten (welche Daten werden gespeichert, wie werden Modelle validiert?) und die Geräte‑Nutzungsdauer möglichst stabil halten, damit Trends erkennbar werden.

Smartwatches und andere Wearables eröffnen eine neue Ebene der Beobachtung: kontinuierliche, alltagsnahe Daten, die frühe Hinweise auf kognitive Veränderungen liefern können. Forschungsergebnisse zeigen, dass Gangmuster, Schlafprofile und Herzfrequenzmuster kombinierbar sind, um signifikante Unterschiede zu identifizieren. Dennoch fehlt noch die durchgängige Evidenzkette von der Messung bis zur zuverlässigen Vorhersage einzelner Erkrankungsübergänge; Standardisierung, unabhängige Validierung und Datenschutz sind die zentralen Baustellen. Kurz gesagt: Wearables mögen bald mehr leisten als reine Fitnesswerte, aber sie sind derzeit ein Zusatzinstrument im Versorgungsweg, nicht der Ersatz für ärztliche Diagnostik.