KI kann bei Frauen mit chronischen Beckenschmerzen bevorstehende längere Sitzphasen anhand von Wearable-Daten vorhersagen. Das Ziel ist nicht eine allgemeine Aktivitätsbewertung, sondern ein individuell passender Zeitpunkt für mögliche Bewegungsimpulse. Die neue Methode soll unnötige Warnungen reduzieren und könnte später direkt auf tragbaren Geräten laufen.
Chronische Beckenschmerzen können den Alltag tiefgreifend verändern. Erkrankungen wie Endometriose, Adenomyose oder Uterusmyome können mit Schmerzen verbunden sein, die Bewegung, Arbeit und Erholung beeinflussen. Viele Betroffene sitzen in schmerzhaften Phasen länger, obwohl längere Inaktivität wiederum Beschwerden und körperliche Belastbarkeit ungünstig beeinflussen kann. Klassische Fitness-Tracker reagieren häufig erst, wenn eine bestimmte Zeitspanne ohne Bewegung bereits vergangen ist. Ein Warnsignal nach einer Stunde Sitzen erkennt den problematischen Zustand also erst, wenn er schon eingetreten ist. Die neue Forschung verfolgt deshalb einen anderen Ansatz: Das System soll aus individuellen Bewegungsmustern abschätzen, wann eine längere Sitzphase wahrscheinlich beginnt.
Für eine solche Vorhersage reicht ein allgemeines Modell möglicherweise nicht aus. Menschen unterscheiden sich stark in Tagesablauf, Schlaf, Aktivität und Schmerzverhalten. Eine Person sitzt morgens lange am Schreibtisch, eine andere erst abends. Auch dieselbe Patientin kann sich an Arbeitstagen anders bewegen als am Wochenende. Personalisierte Modelle versuchen, diese wiederkehrenden Muster aus wenigen Daten zu lernen. Das Ziel ist nicht, jede Minute vorherzusagen. Für eine praktische Intervention würde bereits eine zuverlässige Abschätzung ausreichen, dass in naher Zukunft mit hoher Wahrscheinlichkeit eine längere inaktive Phase beginnt.
Die in npj Women's Health veröffentlichte Studie nutzt Bewegungsdaten tragbarer Sensoren und personalisierte Modelle. Statt ein einziges allgemeines System für alle Teilnehmerinnen zu trainieren, passen sich die Modelle an das individuelle Verhalten an. Das Forschungsteam prüfte, wie gut sich bevorstehende längere sedentäre Phasen aus den unmittelbar vorhergehenden Daten ableiten lassen. Besonders relevant war dabei, dass die Modelle auch mit begrenzten persönlichen Trainingsdaten funktionieren.
Chronische Beckenschmerzen betreffen nach der Einordnung der Icahn School of Medicine at Mount Sinai schätzungsweise etwa jede siebte Frau. Die Beschwerden können aus unterschiedlichen Erkrankungen entstehen und variieren stark. Genau diese Variabilität erschwert starre Verhaltensempfehlungen. Eine Erinnerung zu einem festen Zeitpunkt kann an manchen Tagen hilfreich und an anderen störend sein. Ein personalisiertes System versucht stattdessen, den Zeitpunkt dynamisch an den tatsächlichen Tagesverlauf anzupassen.
Digitale Gesundheitsanwendungen scheitern häufig nicht daran, dass sie gar keine Informationen liefern. Sie können daran scheitern, dass sie zu viele liefern. Häufige Erinnerungen werden irgendwann ignoriert oder vollständig abgeschaltet. Dieses Phänomen wird teilweise als Alert Fatigue bezeichnet. Für ein Wearable bedeutet das: Eine Warnung ist nur dann nützlich, wenn sie in einer Situation erscheint, in der eine Handlung realistisch und sinnvoll ist. Eine Vorhersage könnte beispielsweise einen kurzen Bewegungsimpuls auslösen, bevor eine sehr lange Sitzphase beginnt. Ob dies Schmerzen tatsächlich reduziert, wurde in der aktuellen Arbeit allerdings noch nicht klinisch nachgewiesen.
Ein wichtiger technischer Schwerpunkt ist das Lernen direkt aus Daten einzelner Nutzerinnen. Große KI-Modelle benötigen häufig umfangreiche Datensätze. Ein tragbares Gesundheitsgerät muss dagegen möglicherweise mit wenigen Tagen persönlicher Daten auskommen. Die Forscher untersuchten deshalb Verfahren, die sich mit begrenzten individuellen Informationen anpassen lassen. Das ist zugleich für Datenschutz und praktische Nutzung relevant. Je mehr Berechnung direkt auf einem Gerät erfolgen kann, desto weniger Rohdaten müssen theoretisch dauerhaft an entfernte Server übertragen werden. Die Studie demonstriert diesen technischen Ansatz, untersucht aber nicht sämtliche späteren Datenschutzfragen eines kommerziellen Systems.
Die Vorhersage betrifft Sitzverhalten, nicht die Intensität des Beckenschmerzes. Ein Algorithmus kann erkennen, dass eine längere Inaktivitätsphase wahrscheinlich wird, ohne zu wissen, ob die Patientin in diesem Moment starke Schmerzen hat oder bewusst Ruhe benötigt. Deshalb wäre es problematisch, aus jeder prognostizierten Sitzphase automatisch eine Aufforderung zur Bewegung abzuleiten. Bei akuten Beschwerden kann Ruhe sinnvoll sein. Eine spätere Anwendung müsste daher Bewegungsdaten mit individuellen Symptomen und medizinischen Empfehlungen verbinden. Der Algorithmus ist ein Prognosewerkzeug, kein autonomer Therapeut.
Bei Erkrankungen wie Endometriose oder Adenomyose können Beschwerden zyklisch schwanken. Ein Verhalten, das an einem Tag gut funktioniert, kann an einem anderen deutlich schwerer fallen. Langfristig könnten personalisierte Modelle solche Muster berücksichtigen, wenn entsprechende Daten verfügbar sind. Die aktuelle Studie zeigt jedoch noch keine zyklusabhängige Therapieoptimierung. Sie demonstriert zunächst, dass aus Wearable-Daten individuell bevorstehende sedentäre Phasen vorhergesagt werden können. Genau dieser begrenzte Befund ist dennoch technisch relevant, weil er den Schritt von einer rückblickenden Aktivitätsmessung zu einer vorausschauenden Unterstützung beschreibt.
Der entscheidende nächste Test wäre eine Interventionsstudie. Dabei müsste untersucht werden, ob Vorhersagen mit gezielten Bewegungsimpulsen tatsächlich zu weniger langen Sitzphasen führen und ob sich dadurch Schmerzen, Lebensqualität oder körperliche Funktion verbessern. Ebenso wichtig wäre die Frage, wie häufig Nutzer Warnungen akzeptieren oder ignorieren. Ein mathematisch gutes Modell kann in der Praxis wenig Nutzen haben, wenn seine Empfehlungen als störend empfunden werden. Die neue Arbeit schafft daher eine technische Grundlage. Ob daraus ein wirksames Werkzeug für Frauen mit chronischen Beckenschmerzen entsteht, entscheidet erst der kontrollierte Einsatz im Alltag.
npj Women's Health, Robust forecasting of sedentary bouts in chronic pelvic pain disorders for on-device learning and real-time deployment; doi:10.1038/s44294-026-00156-5
Mit KI-Unterstützung erstellt
Wählen Sie Forschung und Wissen bei Google als bevorzugte Quelle oder folgen Sie uns per RSS-Feed.