Wearable-Modelle brauchen mehr als statische Encoder – für langfristige Prognosen

Wearable‑Foundation‑Models (WFMs) nutzen die riesigen Datenmengen, die von günstigen, ständig tragbaren Geräten gesammelt werden. Sie haben bereits beeindruckende Ergebnisse bei kurzzeitigen, klar definierten Gesundheitsaufgaben erzielt – etwa bei Aktivitätserkennung, Fitness‑Tracking oder der Analyse von Herz‑ und Blutdrucksignalen.

Der aktuelle Ansatz vieler WFMs beschränkt sich jedoch auf statische Encoder, die kurze Zeitfenster in vordefinierte Labels übersetzen. Dadurch liegt der Fokus auf retrospektiven Vorhersagen, während die Modelle kaum in der Lage sind, über die sich entwickelnde persönliche Vorgeschichte, den Kontext und zukünftige Risikostrategien zu denken. Das macht sie ungeeignet für chronische, fortschreitende oder episodische Erkrankungen, die sich über Wochen, Monate oder Jahre entfalten.

Um diese Lücke zu schließen, fordern die Autoren drei grundlegende Veränderungen: Erstens muss die Datengrundlage strukturell reich sein – nicht nur isolierte Datensätze, sondern integrierte multimodale, langfristige persönliche Trajektorien mit Kontext‑Metadaten, idealerweise in offenen, interoperablen Ökosystemen. Zweitens sollten die Modelle langfristig orientiert sein, mit Fokus auf lange Kontext‑Inference, zeitlicher Abstraktion und Personalisierung statt auf Querschnitts‑ oder Populationsvorhersagen. Drittens sollen die Systeme agentisch werden, also über reine Vorhersagen hinaus Planung, Entscheidungsfindung und klinisch fundierte Interventionen unter Unsicherheit ermöglichen.

Diese drei Schiftsätze versetzen die Wearable‑Gesundheitsüberwachung von einer reinen retrospektiven Signalverarbeitung in ein zukunftsorientiertes, personalisiertes und proaktives Gesundheitsmanagement.