Die aufgeführten Informationen richten sich an Studierende sowie Angehörige eines Heilberufes und ersetzen keinen Arztbesuch. Disclaimer aufrufen.

banner image

amboss

Fachwissen für Mediziner im ärztlichen Alltag und Studium

Kostenfrei testen

Wearables

Letzte Aktualisierung: 7.9.2020

Abstracttoggle arrow icon

Mobile und tragbare Sensoren, sog. „Wearables“, halten insb. getrieben durch die Entwicklung auf dem Verbrauchermarkt zunehmend Einzug in Bereiche der medizinischen Diagnostik und Therapie. Im engeren Sinne versteht man darunter Smartphones, Smartwatches und Fitnesstracker. Im weiteren Sinne finden aber auch Fingerringe, „In-Ear-Kopfhörer“, Kleidung und aufklebbare Sensoren Verwendung.

Die größte Herausforderung beim Einsatz dieser Technologie im Gesundheitswesen besteht in der notwendigen Anpassung der Algorithmen und Plattformen an medizinische Anforderungen. Konkret bedeutet dies, dass die überwiegende Zahl der verwendeten Algorithmen nicht für spezifische Erkrankungen validiert ist und häufig das zugrunde liegende Modell der Datenverarbeitung, Auswertung und Weiterverwertung nicht den Regeln des Gesundheitswesens entspricht.

Autoren dieses Beitrags aus der Reihe „Digitale Medizin“ in AMBOSS

  • Dr. med. Noé Brasier
  • Fiorangelo De Ieso, MSc
  • Prof. Dr. med. Jens Eckstein, PhD
  • Editorial, Digitalisierung und Lektorat durch die AMBOSS-Medizinredaktion
  • Accelerometer: Messen die Beschleunigung und sind damit die Hauptkomponenten für eine Aktivitätserfassung
    • Auswertungsprinzip: Erkennung wiederkehrender Muster aus Rohdaten
    • Aussagekraft: Erkennung und Zuordnung körperlicher Aktivitätsarten (z.B. Gehen, Schwimmen, Joggen) zuverlässig möglich
  • Gyrometer/Gyroskop: Messen Änderungen der Lage und Richtung (senkrecht, horizontal, gekippt), die in die Aktivitätserfassung einfließen können
  • Medizinische Anwendung: Anwendung im Bereich der Prävention und Diagnostik naheliegend, bspw.
    • Morbus Parkinson: Vollautomatisierte Erfassung von Bewegungsmustern bei Morbus Parkinson mit erfolgreichen Beispielen in Forschung und Anwendung
      • Charakterisierung des Handtremors mittels iPhone-Accelerometer und eines Handschuhs [1]
      • Auswertung der Alltagsmobilität mittels am Körper getragener Accelerometer [2]
    • Gangmusteranalyse: Betrachtung unterschiedlicher Gangbilder verschiedener Personen und den Unterschieden zwischen Gesunden und Kranken

Für den Einsatz im Bereich akut und chronisch kranker Menschen müssen Validierungsstudien erst zeigen, welcher Mehrwert für die Patienten durch den Einsatz erzielt werden kann!

  • Messprinzip: Form der Pulswellenanalyse mit Messung von Veränderungen der Lichtabsorption bei Durchleuchtung der Haut mittels einer Lichtquelle
  • Aussagekraft und Anwendungsbeispiele
  • Ausblick und Forschungsschwerpunkte: Bisher nicht ausreichend klinisch validierte Algorithmen streben eine Bestimmung der Atemfrequenz und des Blutdrucks mittels Photoplethysmographie an
  • Limitationen der Auswertung: Breite Heterogenität der Bewegungsmuster im Rahmen unterschiedlicher Erkrankungen mit einhergehenden, spezifischen Bewegungseinschränkungen

Im Falle einer erfolgreichen Entwicklung fortgeschrittener Algorithmen könnten durch den Einsatz der Photoplethysmographie voll automatisiert Herzfrequenz, Herzrhythmus, Herzfrequenzvariabilität, Atemfrequenz und Blutdruck kontinuierlich überwacht werden!

  • Mobile EKG-Aufzeichnung: Ableitung eines EKG ohne das Anbringen kabelgebundener Klebeelektroden durch Smartwatches bzw. drahtlose Elektroden in Kleidung
  • Auswertung per Smartwatch und/oder Smartphone: Signale werden i.d.R. unmittelbar durch Algorithmen ausgewertet und den Nutzenden zur Verfügung gestellt
  • Aussagekraft und medizinische Anwendung: In den kardiologischen Leitlinien inzwischen zum Screening von Vorhofflimmern empfohlen [5], Forschungsarbeiten sprechen für großes Potential [6]
  • Messprinzip: Messung und Auswertung des elektrischen Widerstandes nach Applikation eines niedrigen Wechselstroms bei einer oder mehrerer Frequenzen
  • Anwendung und Aussagekraft: Im Verbrauchermarkt und in den Ernährungswissenschaften sog. „Körperfettwaagen“
  • Implantierbare Impedanzsensoren: Werden bspw. in Herzschrittmacheraggregaten und in speziellen Sonden bei der Langzeit-pH-Metrie (GERD) eingesetzt
  • Messprinzipien: Analyse der Schweißflüssigkeit mittels unterschiedlicher Arten von Biosensoren, unterschieden wird nach Rezeptortyp
    • Antikörperbasierte Sensoren mit sog. Spot-ELISA-Tests [7]
    • Elektrochemische Sensoren
    • Sog. Aptamer-Rezeptoren
  • Anbringung der Sensoren: I.d.R. auf den Unterarm, da sich hierbei im Vergleich zum restlichen Körper homogen fast ausschließlich ekkrine Schweißdrüsen befinden
  • Geräte- und Internetanbindung: Schweißanalyse mittels Smartphone-Anbindung, sog. „internet-enabled sudorology“ als neue, aufstrebende Analysemethode
  • Ermittlung kontinuierlicher Standortinformationen mittels verschiedener Technologien
    • GPS-Funktion von Smartphones bzw. Wearables
    • Mobilfunk- und WLAN-Daten
  • Medizinische Anwendung: Modulare Anwendung von Ortungsdiensten ermöglicht vielfältige Nutzungsformen
    • Pandemiebekämpfung: Auswertung geographischer Bewegungsmuster können zur Nachverfolgung von Infektionsketten genutzt werden [8]
      • Alternativ ohne Ortungsdienste: Tracking von Nahkontakten zwischen Smartphones/Wearables mit anderen Geräten mittels der technologischen Standards Bluetooth oder NFC
    • Plausibilitätskontrolle erfasster Symptome: In Kombination mit der Aktivitätserfassung kann die Zuordnung von bspw. Herzfrequenzanstiegen zur Anzahl der erwanderten Höhenmeter erfolgen
    • Rückschluss auf Krankheitsmuster: Es zeigte sich, dass durch Änderungen im Mobilitätsverhalten (z.B. bei schizophrenen Patienten) Rückschlüsse auf Krankheitsmuster möglich sind [9]
  • Standards für Medizinprodukte: Sind im Vergleich zum Verbrauchermarkt wesentlich anspruchsvoller, erforderlich sind
    • CE-Zertifizierung der Geräte und Algorithmen
    • Zertifizierung nach dem Medizinproduktegesetz
  • Datenschutz und Datenverarbeitung: Ein weiteres, äußerst relevantes Feld ist der Umgang mit den erhobenen Daten. Für das Gesundheitswesen müssen jedoch für Apps und Smart Devices dieselben Maßstäbe angelegt werden wie für die gesamte medizinische Dokumentation sensibler Patientendaten
    • Erhobene Daten dürfen in keinem Falle automatisch und nicht anonymisiert an kommerzielle Anbieter transferiert werden, die nicht den spezifischen Datenschutzbedingungen des Gesundheitswesens verpflichtet sind
    • Interpretation der Daten erfordert Fachkenntnis
  • Erforderlichkeit der Validierung und Evidenz: Bzgl der Validierung von Sensoren und Apps bestehen dieselben Anforderungen wie bisher für neue Medizingeräte. Dementsprechend müssen klinische Studien den Mehrwert belegen und die Daten entsprechend in Fachzeitschriften publiziert werden
  • Sorge vor Überdiagnostik: Durch die wesentlich höhere Verfügbarkeit von Screening-Möglichkeiten muss auch das Risiko einer Überdiagnostik einzelner Erkrankungen im Auge behalten und durch klinische Studien unter den nun veränderten Rahmenbedingungen validiert werden

Beim Einsatz von Wearables in der Medizin ist auf eine ausreichende Spezifität zu achten, da bei einer derart hohen Verfügbarkeit von Devices in der breiten Bevölkerung wegen falsch-positiver Verdachtsfälle ökonomisch signifikante Mehrkosten entstehen können!

  1. Lemoyne et al.: Implementation of an iPhone for characterizing Parkinson's disease tremor through a wireless accelerometer application. In: Conference proceedings : ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference. Band: 2010, 2010, doi: 10.1109/IEMBS.2010.5627240 . | Open in Read by QxMD p. 4954-8.
  2. Weiss et al.: Toward automated, at-home assessment of mobility among patients with Parkinson disease, using a body-worn accelerometer. In: Neurorehabilitation and neural repair. Band: 25, Nummer: 9, 2011, doi: 10.1177/1545968311424869 . | Open in Read by QxMD p. 810-8.
  3. Brasier et al.: Detection of atrial fibrillation with a smartphone camera: first prospective, international, two-centre, clinical validation study (DETECT AF PRO). In: Europace : European pacing, arrhythmias, and cardiac electrophysiology : journal of the working groups on cardiac pacing, arrhythmias, and cardiac cellular electrophysiology of the European Society of Cardiology. Band: 21, Nummer: 1, 2019, doi: 10.1093/europace/euy176 . | Open in Read by QxMD p. 41-47.
  4. V. Perez et al.: Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation In: New England Journal of Medicine. Band: 381, Nummer: 20, 2019, doi: 10.1056/nejmoa1901183 . | Open in Read by QxMD p. 1909-1917.
  5. Mairesse et al.: Screening for atrial fibrillation: a European Heart Rhythm Association (EHRA) consensus document endorsed by the Heart Rhythm Society (HRS), Asia Pacific Heart Rhythm Society (APHRS), and Sociedad Latinoamericana de Estimulación Cardíaca y Electrofisiología (SOLAECE) In: EP Europace. Band: 19, Nummer: 10, 2017, doi: 10.1093/europace/eux177 . | Open in Read by QxMD p. 1589-1623.
  6. Halcox et al.: Assessment of Remote Heart Rhythm Sampling Using the AliveCor Heart Monitor to Screen for Atrial Fibrillation In: Circulation. Band: 136, Nummer: 19, 2017, doi: 10.1161/circulationaha.117.030583 . | Open in Read by QxMD p. 1784-1794.
  7. Orro et al.: Development of TAP, a non-invasive test for qualitative and quantitative measurements of biomarkers from the skin surface. In: Biomarker research. Band: 2, 2014, doi: 10.1186/2050-7771-2-20 . | Open in Read by QxMD p. 20.
  8. Vazquez-Prokopec et al.: Using GPS Technology to Quantify Human Mobility, Dynamic Contacts and Infectious Disease Dynamics in a Resource-Poor Urban Environment In: PLoS ONE. Band: 8, Nummer: 4, 2013, doi: 10.1371/journal.pone.0058802 . | Open in Read by QxMD p. e58802.
  9. Depp et al.: GPS mobility as a digital biomarker of negative symptoms in schizophrenia: a case control study In: npj Digital Medicine. Band: 2, Nummer: 1, 2019, doi: 10.1038/s41746-019-0182-1 . | Open in Read by QxMD .