Die fehlende Interpretationsebene im Bereich Digital Health
Von Gesundheitsdaten zu physiologischer Intelligenz
Jahrelang hat sich der Bereich Digital Health auf die Messung konzentriert.
Wearables erfassen heute Herzfrequenz, Aktivität, Schlaf und Erholung mit bemerkenswerter Präzision, und die Sensoren verbessern sich von Generation zu Generation. Apple, Samsung, Garmin, Oura und WHOOP haben etwas erreicht, das der Medizin in diesem Ausmaß nie gelungen ist: Sie haben Millionen von Menschen dazu gebracht, täglich auf ihre eigene Physiologie zu achten.
Doch Gesundheit ist keine Ansammlung von Messwerten.
Gesundheit ist die Fähigkeit eines lebendigen Systems, sich selbst zu regulieren: sich an wechselnde Anforderungen anzupassen, sich nach Belastungen zu erholen und das Gleichgewicht wiederzufinden, ohne dabei an Flexibilität zu verlieren.
Die nächste Herausforderung ist also nicht ein weiterer Sensor. Es geht darum, die Bedeutung der Daten zu verstehen.
Wir haben kürzlich dargelegt, dass „ungefähr richtig“ nicht mehr ausreicht, sobald Daten aus Wearables Entscheidungen im betrieblichen Gesundheitsmanagement beeinflussen. Dieser Artikel liefert die strukturelle Antwort auf dieses Problem.
Von der Messung zur Bedeutung
Die Herzratenvariabilität (HRV) ist das deutlichste Beispiel.
Die HRV eröffnet einen dynamischen Einblick in die menschliche Regulation. Sie zeigt, wie der Organismus auf Stress, Erholung, Schlaf, Bewegung, Emotionen und wechselnde Anforderungen reagiert.
Aber die HRV ist nicht nur eine einzige Zahl.
Derselbe Wert kann bei einer Person auf eine gesunde Erholung hinweisen, bei einer anderen auf eine verringerte Aktivierung und bei einer dritten auf physiologische Erschöpfung. Seine Bedeutung hängt von Alter, Geschlecht, individuellem Ausgangsniveau, Aktivität, Tageszeit, Aufzeichnungsqualität und vor allem von dem Muster ab, in dem er auftritt.
Ein lebender Organismus lässt sich nicht anhand eines isolierten Wertes verstehen. Er muss im Kontext und im zeitlichen Verlauf betrachtet werden.
Das ist die Herausforderung für eine Branche, die zwar über eine Fülle physiologischer Daten verfügt, es ihr jedoch noch an einem gemeinsamen Verständnis der physiologischen Bedeutung dieser Daten mangelt. Wie verwandeln wir Milliarden von Messwerten in Informationen, denen ein Fachmann tatsächlich vertrauen kann?
Bei Autonom Health beschäftigen wir uns seit mehr als zwanzig Jahren mit dieser Frage.
Warum dieselbe Physiologie unterschiedliche Antworten liefert
Mittlerweile betrachten alle großen Plattformen die HRV als zentralen Bestandteil eines umfassenden Gesundheitsbildes. Dennoch kann dieselbe Person am selben Morgen eine unterschiedliche Bewertung erhalten – je nachdem, welcher Algorithmus das Signal auswertet.
Die Grundlagen sind unbestritten. Die 1996 von der European Society of Cardiology und der North American Society of Pacing and Electrophysiology eingesetzte Arbeitsgruppe setzte die Standards, die nach wie vor als wissenschaftliche Referenz dienen. Auf dieser Basis gilt das mittels Elektrokardiogramm erfasste elektrische R-R-Intervall als klinischer Goldstandard für die HRV.
Hier unterscheiden sich die verschiedenen Plattformen: wie das Signal gefiltert wird; welche Artefakte entfernt und welche fälschlicherweise als physiologische Signale interpretiert werden; welche Parameter berechnet und mit welcher Referenzpopulation verglichen werden; und wie all diese Informationen schließlich in einer einzigen Empfehlung zusammengefasst werden.
Diese Entscheidungen bestimmen die Antwort. Zugleich ist dies der Aspekt, den die Branche am wenigsten veröffentlicht. Studien zur Sensorvalidierung sind weit verbreitet und oft von hervorragender Qualität; veröffentlichte Methoden zur Interpretation hingegen sind selten.
Genau da liegt die Lücke. Die Sensoren sind hervorragend. Das Problem liegt in dem Schritt zwischen dem Signal und der Empfehlung.
Die Interpretationsebene
Im Bereich der digitalen Gesundheit bedarf es einer eigenständigen Ebene zwischen der physiologischen Messung und der dem Nutzer vermittelten Erkenntnis. Nicht noch ein weiteres Wearable, nicht noch ein weiterer intransparenter Score, sondern eine Ebene zur physiologischen Interpretation.
In der Praxis funktioniert das folgendermaßen: Die Schicht verarbeitet Daten zu den Intervallen zwischen einzelnen Herzschlägen, die aus hochauflösenden 24-Stunden-EKG-Aufzeichnungen sowie aus kompatiblen Sensor-Datenströmen von Drittanbietern stammen. Sie bewertet explizit die Signalqualität und unterscheidet dabei zwischen physiologischen Veränderungen und Messrauschen. Zudem berechnet sie Parameter und Muster, die mit individuellen Referenzwerten sowie mit alters-, geschlechts- und aktivitätsspezifischen Normdaten abgeglichen werden. Als Ergebnis liefert sie diese Parameter zusammen mit einer Dokumentation ihrer Herleitung – anstatt lediglich einen einzelnen Zahlenwert auszugeben, dessen Zustandekommen auf proprietären Verfahren beruht.
Messqualität, physiologische Interpretation und Empfehlung bleiben getrennt und sichtbar.
Genau diese Trennung ist der entscheidende Punkt. Ein geschlossenes System teilt einem lediglich das Ergebnis mit. Ein dokumentiertes System hingegen lässt einen nachvollziehen, warum es zu diesem Schluss gekommen ist.
Der Standard, der der digitalen Gesundheit noch fehlt
Die Medizin ist auf Standards angewiesen. Wenn ein Arzt Blutdruck-, Glukose- oder EKG-Werte interpretiert, stützt er sich auf definierte Messverfahren, Referenzbereiche und eine gemeinsame klinische Fachsprache. Ohne diese gemeinsame Basis lassen sich Werte aus unterschiedlichen Systemen nicht vergleichen und nicht in verantwortungsvolle Entscheidungen umsetzen.
Die HRV basiert auf dem Bericht von 1996, und ihre Prinzipien haben weiterhin Bestand. Was dieser Bericht jedoch nicht vorhersehen konnte, waren die kontinuierliche Messung am Handgelenk, Wearable-Ökosysteme im Bevölkerungsmaßstab sowie physiologische KI. Die Technologie hat sich weiterentwickelt – der gemeinsame Interpretationsrahmen hingegen nicht.
Wir haben zwei Jahrzehnte damit verbracht, auf dieser Grundlage aufzubauen: Artefakterkennung, kontextbezogene 24-Stunden-Analyse, alters- und geschlechtsspezifische Referenzwerte, Aktivitäts- und zirkadiane Muster sowie die Übersetzung individueller Parameter in erkennbare physiologische Zustände.
Es mangelt auf dem Markt nicht an neuen HRV-Messwerten. Was jedoch fehlt, ist ein einheitlicher Rahmen, der eine konsistente und transparente Interpretation von HRV-Daten aus verschiedenen Geräten ermöglicht.
Unser nächstes Ziel geht also über ein weiteres Produkt hinaus. Gemeinsam mit europäischen Universitäten und wissenschaftlichen Partnern wollen wir den Grundstein für einen zeitgemäßen HRV-Standard legen – einen Standard, der gleichermaßen auf EKG, Wearables und physiologische KI ausgelegt ist.
Die zwanzig Jahre sind der Teil, der sich nicht beschleunigen lässt.
Sensoren verbessern sich rasch. Physiologisches Wissen wächst langsam – und auf andere Weise.
Hinter unserer Arbeit steht:
- mehr als 2,2 Millionen Stunden EKG-Messung
- 41 Millionen Gesundheitsindex-Datensätze
- mehr als 30.000 einzelne Nutzer
- mehr als 1.000 Fachpartner setzen die Analyse in klinischen, beruflichen und leistungsbezogenen Kontexten ein.
Eine Referenzpopulation lässt sich nicht in einem Entwicklungs-Sprint erschaffen. Sie wächst über Jahre hinweg durch sorgfältige Messungen, den praktischen Einsatz und die kritische Prüfung durch Menschen, die offen ansprechen, wenn etwas nicht stimmt. Hardware lässt sich bauen. Eine Schnittstelle kann neu gestaltet werden. Ein Modell lässt sich neu trainieren. Physiologische Intelligenz hingegen muss erst aufgebaut werden.
Wissen muss auch das Unternehmen verlassen, in dem es entstanden ist. Deshalb ist Wissensvermittlung von Anfang an Teil unserer Arbeit. Über die Autonom Health Academy vermitteln wir Wissen zur HRV weit über den Rahmen unserer eigenen Software hinaus, und wir haben die Fachbücher verfasst, die in diesem Bereich als Standardwerke gelten.
Je besser Fachleute verstehen, wie eine Interpretation zustande kommt, desto verantwortungsvoller wird die Technologie eingesetzt.
Von Grund auf geräteunabhängig
Die Zukunft der digitalen Gesundheit wird nicht einem einzelnen Sensor gehören.
Apple, Samsung, Garmin, Oura, WHOOP und andere liefern physiologische Daten in einer Qualität und Kontinuität, die vor zehn Jahren noch unvorstellbar waren. Das kommt dem gesamten Bereich zugute.
Es bietet sich die Gelegenheit, physiologische Intelligenz über diese Ökosysteme hinweg mobil zu machen, anstatt sie in einem einzelnen davon gefangen zu halten.
Über der Hardware ist eine neutrale Interpretationsebene angesiedelt. Verschiedene Sensoren liefern Daten, die von einem einheitlichen Framework in physiologische Aussagen übersetzt werden. Ein in regelmäßigen Abständen erstelltes, hochauflösendes EKG liefert eine individuelle Referenzbasis, mit der sich die kontinuierlich erfassten Wearable-Daten abgleichen lassen. Alltagstauglichkeit, untermauert durch physiologische Tiefenanalyse.
Der Sensor misst, die Plattform sammelt, die Interpretationsebene schafft Bedeutung.
Von der Beobachtung der Gesundheit zum Erlernen von Regulation
Das Verständnis der Physiologie ist nicht der Endpunkt. Es geht darum, Menschen bei der Regulation zu unterstützen.
Im richtigen Kontext betrachtet, zeigen die Daten nicht nur, dass sich etwas verändert hat, sondern auch, wie der Organismus darauf reagiert hat. Aktiviert sich die Person angemessen, oder verharrt sie noch lange nach Abklingen der Belastung in einem Zustand der Mobilisierung? Führt der Schlaf zu echter Erholung? Stärkt das Training die Regulationsfähigkeit oder erhöht es schleichend die Belastung? Handelt es sich bei einer niedrigeren HRV um eine vorübergehende Reaktion, ein individuelles Muster oder den Beginn eines längerfristigen Abwärtstrends? Und welche Maßnahme – sei es Atmung, Bewegung, Erholung oder eine Anpassung des Schlafzeitpunkts – verbessert tatsächlich die Regulationsfähigkeit dieser Person?
Hier wird aus digitaler Gesundheit Gesundheitskompetenz. Der Mensch wird nicht mehr nur beobachtet. Er beginnt, seinen eigenen Organismus zu verstehen und auf ihn einzuwirken.
Warum Transparenz wichtig sein wird
Je leistungsfähiger physiologische KI-Systeme werden, desto wichtiger – und nicht weniger wichtig – wird die Transparenz.
Dabei handelt es sich um mehr als nur eine philosophische Präferenz. Die Transparenzpflichten des EU-KI-Gesetzes traten im August 2026 in Kraft; weitere Anforderungen für bestimmte Hochrisikoanwendungen im Beschäftigungskontext sollen folgen.
Wenn eine automatisierte Bewertung erhebliche Auswirkungen auf die Gesundheit, das Beschäftigungsverhältnis oder den Zugang zu wesentlichen Dienstleistungen haben kann, muss eine Organisation darlegen, was gemessen wurde, wie die Qualität beurteilt wurde, wie die Interpretation zustande kam und ab welchem Punkt die Zuverlässigkeit nicht mehr gegeben ist.
Wir haben diese Anforderungen in unserem kürzlich erschienenen Artikel über Wearable-Daten im betrieblichen Gesundheitsmanagement detailliert dargelegt. Sie gewinnen noch stärker an Bedeutung, wenn eine Interpretation medizinische Ratschläge, berufsbezogene Entscheidungen oder versicherungstechnische Bewertungen beeinflussen kann.
Einer dieser Aspekte geht am leichtes verloren und ist daher besonders hervorzuheben: Der Einzelne muss die Hoheit über seine eigenen physiologischen Daten behalten. Ein System, das für Fachleute transparent, für die gemessene Person jedoch undurchschaubar ist, hat das Problem nur zur Hälfte gelöst.
Transparenz ist kein Feind hochentwickelter Technologie. Sie ist vielmehr die Voraussetzung dafür, dass solche Technologien in einem verantwortungsvollen Gesundheitssystem sinnvoll eingesetzt werden können – und sie lässt sich nur schwer nachträglich in ein System integrieren, das nicht von Grund auf darauf ausgelegt war.
Ergänzen, nicht konkurrieren
Unser Ziel ist es, die weltweit führenden Sensoren und Gesundheitsplattformen zu ergänzen, anstatt mit ihnen zu konkurrieren.
Autonom Health bietet eine neutrale, wissenschaftlich fundierte Interpretationsebene für jede Plattform, die physiologische Tiefe anstrebt, ohne dabei zwei Jahrzehnte an HRV-Forschung, Referenzdaten und professioneller Praxis neu aufbauen zu müssen.
Für eine Plattform, die über erstklassige Sensorik, große Reichweite, eine solide Datenschutzarchitektur und eine tägliche Interaktion mit dem Nutzer verfügt, eröffnet sich damit ein nächster Schritt: weg von der bloßen Anzeige von Veränderungen, hin zur Unterstützung der Nutzer dabei, die Regulationsprozesse ihres Körpers zu verstehen und entsprechend zu handeln.
Denn bei der Zukunft der digitalen Gesundheit geht es nicht darum, mehr Daten zu sammeln. Es geht darum, den Menschen als dynamisches, selbstregulierendes System zu verstehen.
Die wichtigste Technologie dieser Zukunft ist womöglich nicht der Sensor am Handgelenk. Es ist vielmehr die Intelligenz, die aus diesen Daten Verständnis schafft – und aus diesem Verständnis die Fähigkeit zur Selbstregulation.
Dr. Alfred Lohninger
Gründe, Autonom Health
Referenz: Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Heart rate variability: standards of measurement, physiological interpretation, and clinical use. Circulation 1996;93(5):1043–1065. Also published in European Heart Journal 1996;17:354–381.
Symbolbild (erstellt mit Unterstützung von KI / Google Gemini unter Einbindung von Markenkomponenten) | © Autonom Health
