„Mit unserem Projekt wollen wir das Wissen und die Aufklärung über Long COVID verbessern“

In diesem Interview beschreibt Prof. Dr. Christian Puta, einer der Leiter des Projekts Synergy of Wearable Data Systems for Post COVID (SynoSys.PC), die Arbeit mit Wearable-Daten und erläutert, welche Kriterien für die Erforschung postinfektiöser Erkrankungen entscheidend sind. Professor Puta ist außerdem kommissarischer Leiter des Lehrstuhls für Sportmedizin und Gesundheitsförderung an der Friedrich-Schiller-Universität Jena und forscht am Universitätsklinikum Jena in der Klinik für Innere Medizin IV am Zentrum für postinfektiöse Langzeitfolgen.
 

Professor Puta, wie nutzt Ihr Projekt Wearable-Daten, um neue Erkenntnisse über Post-COVID-Verläufe zu gewinnen?

Das SynoSys-PC-Projekt wird von Prof. Dr. Dirk Brockmann aus Dresden und mir geleitet. Ein zentraler Vorteil des Projekts ist, dass wir auf drei unterschiedliche Datenebenen zurückgreifen können. Erstens haben wir die Möglichkeit, die Daten der Corona-Datenspende-App zu nutzen. Dabei handelt es sich um einen sehr großen Datensatz mit mehr als 500.000 Nutzerinnen und Nutzern, die ihre Daten freiwillig zur Verfügung gestellt haben. Neben Wearable-Daten liegen hier auch zeitsynchron erhobene Fragebogendaten vor. Diese Daten eignen sich besonders für Analysen im großen Maßstab, sind jedoch für eine sehr genaue klinische Charakterisierung der Stichprobe nur eingeschränkt geeignet.

Deshalb ergänzen wir diese Daten durch zwei weitere Quellen. Eine davon ist das BioSig-PEM-Projekt (BMFTR gefördert, Leitung Prof. Puta), in dem wir gezielt schwer betroffene Patientinnen und Patienten mit postinfektiösen Langzeitfolgen – konkret ME/CFS – untersuchen. Die Stichprobe umfasst 40 ME/CFS-Patientinnen und -Patienten, 40 Patientinnen und Patienten mit chronisch-entzündlichen Darmerkrankungen sowie 40 gesunde Kontrollen. Diese Gruppe ist klinisch sehr gut charakterisiert. Die Teilnehmenden werden sowohl im Rahmen eines einwöchigen stationären Aufenthalts als auch in einer Nachbeobachtung zwölf Wochen später untersucht.

Als dritte Datenquelle nutzen wir das WATCH-Projekt, das von Prof. Dr. Andreas Stallmach geleitet wird. In diesem Projekt können wir über einen Zeitraum von 24 Wochen Wearable-Daten im Sinne einer Langzeitbeobachtung erheben, die es uns erlaubt, Krankheitsverläufe über längere Zeiträume hinweg zu analysieren. Durch die Kombination dieser drei Datenquellen mit unterschiedlicher Tiefe, Charakterisierung und Präzision können wir im SynoSys-PC-Projekt beispielsweise Vorhersagemodelle für Symptomverschlimmerungen entwickeln. Das ist besonders relevant, da diese Verschlechterungen nach Belastung eines der Hauptprobleme darstellen.
 

Warum sind kontinuierlich erhobene Alltagsdaten – etwa Herzfrequenz, Schlaf oder Aktivität – für die Erforschung von Post COVID besonders wichtig?

Zunächst ist es wichtig, zwischen zwei Arten von Alltagsdaten zu unterscheiden. Wenn man ein Wearable nutzt – etwa einen Ring, eine Smartwatch oder einen Fitness-Tracker – erhält man zum einen sogenannte tagesaggregierte Daten. Das sind beispielsweise der niedrigste Herzfrequenzwert in der Nacht, die maximale Herzfrequenz oder die tägliche Schrittzahl – also jeweils ein Wert pro Tag.
Zum anderen gibt es sogenannte epochale, also hochaufgelöste, kontinuierlich aufgezeichnete Daten. Diese bilden den Verlauf innerhalb eines Tages oder einer Nacht detailliert ab, etwa die kontinuierlichen Veränderungen der Herzfrequenz während des Schlafs.

Gerade diese kontinuierlichen Daten sind besonders wertvoll, weil sie es ermöglichen, beispielsweise diurnale Rhythmen – also Tag-Nacht-Rhythmen – zu analysieren. Diese Rhythmen sind biologisch vorgegeben, etwa durch Hormone wie Melatonin, durch Licht, durch das Gehirn und genetische Faktoren. Wir können untersuchen, wie sich diese Rhythmen bei Personen mit postinfektiösen Langzeitfolgen im Vergleich zu gesunden Personen verändern – auf Tages-, Wochen- oder längeren Zeitskalen.

Für die Detektion von Veränderungen, etwa von Symptomverschlimmerungen, sind diese hochaufgelösten Daten entscheidend. Ein Beispiel: In einer gemeinsamen Studie mit Katharina Ledebur (siehe hier) konnten wir zeigen, dass es eine typische Signatur bei Infektionen gibt. Der Ruhepuls steigt zunächst an, fällt danach überraschenderweise unter das Ausgangsniveau und bleibt dort für eine gewisse Zeit. Die Dauer, bis sich der Ruhepuls wieder normalisiert, könnte ein prädiktiver Marker dafür sein, wie gut eine Infektion verarbeitet wurde – etwa im Hinblick darauf, wann wieder körperliche Aktivität oder Belastung sinnvoll ist.

Auch andere Marker, wie Herzfrequenz und Herzfrequenzvariabilität, haben sich als geeignet erwiesen, um sogenannte „Crashes“ oder Post-Exertionelle Malaise (PEM) vorherzusagen. Solche kontinuierlich erhobenen Daten sind daher essenziell, um entsprechende Algorithmen zu entwickeln. Diese können später wie eine Art „Symptomradar“ genutzt werden, um Alltagsaktivitäten individuell anzupassen.
 

Welche Rolle spielen künstliche Intelligenz und Mustererkennung bei der Analyse der Daten?

Maschinelle Lernverfahren spielen eine zentrale Rolle, insbesondere in der Arbeitsgruppe von Dirk Brockmann. Sie sind notwendig, um Muster in den Daten zu erkennen. Ein Beispiel: Man kann ein individuelles Tag-Nacht-Muster über eine Woche hinweg betrachten. Tritt eine Infektion auf, verändert sich dieses Muster. Solche Veränderungen lassen sich in einfachen Fällen visuell erkennen. Wirklich relevant wird es aber, wenn man diese Muster algorithmisch erfasst und mit Methoden des maschinellen Lernens automatisiert erkennt und nutzt.

Dabei ist wichtig zu betonen, dass solche Algorithmen nicht „von allein“ entstehen. Sie müssen zunächst auf Basis von Beobachtungen entwickelt und trainiert werden. Genau hier profitieren wir von unserem Projekt, da wir sowohl Daten aus klinischen als auch aus Alltagskontexten haben und somit ein breites Spektrum abdecken.
 

Welche Herausforderungen bestehen bei der Identifikation objektiver Marker für Post COVID?

Eine zentrale Herausforderung ist der Datenschutz. Das macht die Zusammenführung der Daten komplex. Ein weiterer wichtiger Punkt ist die technische Verarbeitung der Daten. Unterschiedliche Wearables – etwa von Garmin, Fitbit oder Apple – nutzen unterschiedliche Algorithmen und Messmethoden. Diese Daten müssen zunächst harmonisiert und in eine vergleichbare Form gebracht werden.
Dafür arbeiten wir mit spezialisierten Partnern zusammen, etwa der Firma Thryve unter Leitung von Paul Burggraf. Diese unterstützen uns dabei, die Wearable-Daten wissenschaftlich auswertbar zu machen. Dieser Schritt ist sehr aufwendig und kann im Rahmen eines Forschungsprojekts allein kaum geleistet werden.
 

Wie werden Wearable-Daten mit klinischen Studien verknüpft?

Ein gutes Beispiel ist das Posturale Orthostatische Tachykardiesyndrom (POTS). Normalerweise steigt die Herzfrequenz beim Aufstehen kurz an und reguliert sich wieder. Bei POTS bleibt sie jedoch erhöht – oft um mehr als 30 Schläge pro Minute – und führt zu Symptomen wie Schwindel oder Kreislaufproblemen.

In der Klinik wird POTS üblicherweise mit einem Kipptischtest diagnostiziert. Dieser ist jedoch aufwendig und nicht für alle Betroffenen praktikabel. Mit Wearables können wir dieses Phänomen im Alltag erfassen, da der Übergang vom Liegen zum Stehen jeden Morgen stattfindet. Wir haben einen Algorithmus entwickelt, mit dem wir über längere Zeiträume – etwa zwölf Wochen – erkennen können, wie häufig solche Auffälligkeiten auftreten. Das ermöglicht eine deutlich realitätsnähere Einschätzung als ein einmaliger Test. Ein zweites Beispiel ist die Post-Exertionelle Malaise (PEM). Hier konnten wir bereits einen Schweregrad-Score entwickeln, der mit Herzfrequenzdaten und Schritten korreliert. Das ist ein wichtiger Schritt, um klinische Entscheidungen zu unterstützen und möglicherweise auch Therapieeffekte zu bewerten.
 

Welches langfristige Ziel verfolgt Ihr Projekt?

Ein zentrales Ziel ist die Verbesserung von Wissen und Aufklärung. Dafür entwickeln wir ein sogenanntes Educational Dashboard, das es Anwenderinnen und Anwendern ermöglicht, Wearable-Daten besser zu verstehen und einzuordnen. Darüber hinaus wollen wir langfristig personalisierte Empfehlungen ermöglichen, insbesondere im Hinblick auf Belastungssteuerung („Pacing“). Wenn man weiß, ob jemand beispielsweise POTS hat oder wie stark PEM ausgeprägt ist, lassen sich deutlich individuellere Empfehlungen geben.

Ein weiterer wichtiger Aspekt ist die Prävention. Durch die Analyse von Daten vor, während und nach einer Infektion können wir potenzielle Risikomarker identifizieren. Dazu gehört beispielsweise eine verlängerte Erholungsphase der Herzfrequenz. Solche Marker könnten helfen, Personen frühzeitig zu erkennen, die ein erhöhtes Risiko für Long COVID haben und entsprechend intensiver betreut werden sollten.