„Wearables könnten helfen, Post-COVID früher zu erkennen und die Behandlung individueller anzupassen“

Prof. Dr. Dirk Brockmann erklärt in diesem Interview, wie in dem von ihm geleiteten Projekt Synergy of Wearable Data Systems for Post COVID (SynoSys.PC) Wearable-Daten aus der Corona-Datenspende-App und künstliche Intelligenz für die Erforschung postinfektiöser Erkrankungen genutzt werden – und wie daraus künftig bessere Erkenntnisse für Patientinnen und Patienten entstehen könnten. Prof. Dr. Dirk Brockmann ist Direktor des Center Synergy of Systems an der Technischen Universität Dresden.
 

Prof. Brockmann, welche Veränderungen bei Herzfrequenz, körperlicher Aktivität oder Schlaf erwarten Sie bei Menschen mit postinfektiösen Erkrankungen und welche könnten besonders zuverlässige Marker sein?
 

Die Studien, die wir in unserem Projekt SynoSys.PC bisher durchgeführt haben, zeigen, dass nach einer Covid-Infektion typischerweise die Herzfrequenz steigt, die körperliche Aktivität abnimmt und sich der Schlaf verschlechtert. Das ist bei allen Menschen so. Bei Menschen, die Long COVID oder eine Post-COVID-Condition entwickeln, halten diese Effekte jedoch länger an. Das heißt, die Herzfrequenz kann noch Wochen bis Monate nach der Infektion deutlich vom normalen Wert abweichen. Auch die Schlafqualität kann schlechter werden oder schlechter bleiben. Das konnten wir in den Daten feststellen, die wir über die Wearables innerhalb der Corona-Datenspende-App gewonnen haben.
 

Ihr Projekt greift auf Daten von über 500.000 Personen zurück. Wie stellen Sie sicher, dass daraus belastbare Aussagen über Menschen mit Post-COVID abgeleitet werden können?
 

Das ist eine gute Frage. Es ist keine repräsentative Kohorte, aber sie ist sehr groß. Etwa eine halbe Million Menschen haben mitgemacht. Zunächst schaut man, wie viele dieser Spenderinnen und Spender überhaupt zuverlässige Daten gespendet haben. Das reduziert sich auf etwa 130.000 Menschen, die über einen langen Zeitraum Daten gespendet haben. 

Zusätzlich haben wir über den Verlauf der Pandemie regelmäßig Fragebögen von etwa 50.000 Menschen ausfüllen lassen. Darin waren auch Fragen zur Befindlichkeit und zu anderen Symptomen enthalten. Gerade bei der Langzeitsymptomatik können wir anhand dieser Surveys schauen, welche Menschen besonders betroffen waren. Anschließend können wir deren Wearable-Daten analysieren und sehen: Bei diesen Menschen sehen auch die Herzfrequenzmuster, Schlafmuster und die körperliche Aktivität anders aus.

Dadurch reduziert sich natürlich die Zahl der Menschen, die wir analysieren können. Aber weil die Kohorte immer noch so groß ist, können wir relativ genau und statistisch signifikant solche Aussagen treffen.
 

Welche Rolle können künstliche Intelligenz und maschinelles Lernen bei der Analyse der Wearable-Daten spielen? Und wie verhindern Sie, dass Zusammenhänge fälschlicherweise als Ursachen interpretiert werden?
 

KI und maschinelles Lernen sind letztendlich statistisch sehr komplexe Algorithmen, die versuchen, in Zeitreihen wie Herzfrequenz, Schlafmuster und körperlicher Aktivität systematische Zusammenhänge zu erkennen. Wir können sie aber natürlich nicht als Blackbox-Algorithmen verwenden, die uns ein Ergebnis liefern, das wir anschließend nicht verstehen.

Wir verwenden solche Tools deshalb eher, um eine Richtung vorzugeben, die wir dann mit anderen, besser verständlichen Techniken analysieren können. Es sind also exploratorische Tools, die uns dabei helfen, Muster aus diesen Zeitreihen zu extrahieren. Diese Muster analysieren wir anschließend mit einfacheren Methoden, sodass wir die Zusammenhänge auch verstehen können.
 

Ein besonderes Ziel des Projekts ist es, das Risiko für Post-COVID und insbesondere für Post-Exertional Malaise (PEM) besser vorherzuagen. Wie könnte eine solche individuelle Risikoprognose künftig aussehen?
 

Das ist ein ganz wichtiger Punkt. Die bisherigen publizierten Analysen zielen zunächst darauf ab, überhaupt verschiedene Gruppen von Menschen zu unterscheiden. Wir schauen uns an: Wie sieht es bei den Menschen aus, die Long COVID entwickelt haben? Wie können wir sie anhand ihrer Wearable-Daten charakterisieren?

Eine Sache, die wir ebenfalls untersucht haben, ist, dass wir durch die langen Zeitreihen auch die statistischen Signale in den Wearable-Daten vor einer Infektion anschauen können. Wir nehmen also Menschen, die Long COVID entwickelt haben, und schauen uns an, wie ihre Signale beziehungsweise Daten vor der Infektion aussahen. Das vergleichen wir mit Menschen, die ein geringeres Risiko haben. 

Wir untersuchen, welche Eigenschaften Menschen bereits vor der Entwicklung von Long COVID hatten. Haben sie sich weniger bewegt? Hatten sie schon vor der Infektion eine erhöhte Herzfrequenz? Solche Fragen helfen dabei, individuelle Risikofaktoren abzuleiten.

Aber wir sind noch nicht am Ziel. Bisher können wir vor allem Aussagen über Kohorten treffen. Wir versuchen natürlich, auf eine individuelle Ebene zu kommen, aber das erfordert noch viel Arbeit. Gerade bei PEM ist auch interessant, ob sich solche Veränderungen in den Wearable-Daten erkennen lassen. Wenn sich beispielsweise nach körperlicher Belastung bestimmte Veränderungen bei Herzfrequenz, Schlaf oder Aktivität zeigen, kann das Hinweise darauf geben, wie der Körper auf Belastung reagiert. Aber auch hier müssen wir noch genauer untersuchen, welche Muster tatsächlich zuverlässig mit PEM zusammenhängen und wie gut sich solche Signale individuell nutzen lassen.
 

Wie wollen Sie kontinuierlich erhobene Wearable-Daten mit klinischen Daten zusammenführen? Welche Herausforderungen gibt es dabei bei Datenschutz und Vergleichbarkeit?
 

Die Zusammenführung mit klinischen Daten funktioniert so, dass die Kohorten in klinischen Studien viel kleiner sind. Oft werden die Betroffenen und Patientinnen und Patienten aber auch dabei begleitet, Wearables zu tragen, deren Daten über den Zeitraum der klinischen Studie erhoben werden. Ein Ziel ist es, aus der gigantischen Kohorte, die wir haben, Muster abzuleiten und diese gegebenenfalls in den klinischen Studien wiederzuerkennen. Das ist die Zusammenführung. Man hat einerseits eine sehr große Kohorte, die keine klinische Studie und auch nicht repräsentativ ist, aus der man aber gegebenenfalls Muster extrahieren kann, die man auf individueller Basis wiederfinden kann. Das kann Informationen liefern, die für klinische Studien sehr hilfreich sind. 

Was den Datenschutz angeht, ist dies ein wichtiges Thema bei der Corona-Datenspende-App. Die Daten sind anonymisiert. Das birgt gewisse Nachteile. Wir können zum Beispiel die Menschen nicht mehr kontaktieren. Das ist anders bei klinischen Studien, bei denen die Patientinnen und Patienten bekannt sind und einwilligen, ihre Wearable-Daten aufzunehmen. Diese gehören dann zum Datensatz der jeweiligen Person. Mit der Corona-Datenspende können wir also nur die entsprechenden Muster einbringen, um dabei zu helfen, spezielle klinische Studien auf ein stärkeres Datenfundament zu stellen. Natürlich sind Wearable-Daten wie ein Fingerabdruck – genauso wie eine Patientenakte. Sie müssen daher stark geschützt werden.  
 

Ihr Projekt könnte langfristig die Grundlage für eine medizinische Leitlinie zur Nutzung von Wearables bei Long COVID bilden. Was müsste am Ende Ihrer Projektlaufzeit nachgewiesen sein, damit Sie eine Anwendung in der Praxis empfehlen würden?
 

Ich glaube, das sind die ersten Schritte in diese Richtung: Wearable-Geräte oder Smartwatches werden verwendet, um auf individueller Basis Gesundheitsmonitoring zu betreiben. Wir sind dabei grundsätzlich wissenschaftlich unterwegs. Wir versuchen herauszufinden, welche Informationen man überhaupt daraus gewinnen kann und ob sich auch Echtzeit-Vorhersagen machen lassen. Da sind wir aber noch in einer frühen Phase. 

Wir müssen nach dem Ende der Projektlaufzeit zeigen, dass es sich lohnt, Wearable-Geräte einzusetzen. Sie sind relativ billig, kosten also nicht sehr viel und liefern dafür sehr wertvolle Daten. Deshalb sollte man in klinischen Studien immer mitdenken, solche Geräte einzubringen. So können die Informationen aus unserem Projekt einfließen und dazu beitragen, ein Gesamtbild zu schaffen und komplexe Krankheitsbilder wie Long COVID besser zu verstehen. Natürlich geht es darum, dass diese Forschung auch den Patientinnen und Patienten zugutekommt. Wenn wir mithilfe von Wearables Veränderungen frühzeitig erkennen und besser verstehen können, könnte das langfristig dazu beitragen, Risiken früher einzuschätzen, Verläufe besser zu beobachten und die Behandlung individueller anzupassen. 

Gerade bei komplexen Krankheitsbildern wie Long COVID, bei denen Beschwerden im Alltag schwanken können, könnten kontinuierliche Daten ein differenzierteres Bild des individuellen Verlaufs liefern, als es einzelne Untersuchungstermine ermöglichen. Solche Daten könnten langfristig auch die Kommunikation zwischen Betroffenen und Behandelnden unterstützen und eine zusätzliche Grundlage für Therapieentscheidungen liefern. Bis dahin müssen wir aber noch wissenschaftlich zeigen, wie zuverlässig diese Daten dafür tatsächlich sind.