Home
Medizin & Technik
Forschung
Healthcare
Unternehmen
Archiv

Home
Medizin & Technik
Forschung
Healthcare
Unternehmen
Archiv

Archiv September 2026

Medizin & Technik

Netzhaut-Chip bei AMD stellt begrenzte zentrale...

Wer Leistungen plant, muss auch die Medizintechnik...

Medizin & Technik

E-Rezept in der Pflege: Pilot soll Medienbrüche...

Medizin & Technik

Autonomer Medikamententransport: Roboter fährt durch...

Menschliches Herz

Wearables bei Long COVID: Herzfrequenzdaten zeigen...

DMEA 2027: Gesundheitsminister Linnemann übernimmt...

Internationale Pflegekräfte

Pflegepool im Krankenhaus soll Personalengpässe...

KI bei T-ALL soll Leukämie-Subtypen und Risiken...

KI in der Krankenhauskodierung soll bei steigenden MD...

Seniorin im Bett

Digitalisierung in der Pflege: Unbesetzte Stellen...

Ältere Artikel

Backgrounder

Wie Krankenhäuser ihre digitalen Abwehrkräfte stärken
KI-Buddy: Prävention im richtigen Moment

DIGITAL HEALTH NEWS Newsletter

Forschung

Wearables bei Long COVID: Herzfrequenzdaten zeigen Verlaufsmuster

Wearables bei Long COVID könnten helfen, körperliche Veränderungen über längere Zeiträume sichtbar zu machen. Forschende analysieren dafür Herzfrequenz-, Aktivitäts- und Schlafdaten aus der Corona-Datenspende-App. Frühere Auswertungen zeigen Unterschiede sogar schon vor der SARS-CoV-2-Infektion. Smartwatches und Fitness-Tracker erfassen physiologische Daten über Wochen und Monate unter Alltagsbedingungen. Genau diese zeitliche Dimension will das Forschungsprojekt SynoSys.PC nutzen, um Long- und Post-COVID-Verläufe besser zu verstehen. Analysiert werden unter anderem Herzfrequenz, körperliche Aktivität und Schlaf sowie Angaben der Teilnehmenden zu Symptomen, Wohlbefinden und Lebensqualität. „Die Herzfrequenz ist ein sehr dynamisches Signal. Sie reagiert auf Veränderungen des körperlichen Zustands und lässt sich mit Wearables über lange Zeiträume im Alltag beobachten“, erläutert Prof. Dr. Dirk Brockmann, Leiter des Forschungsprojekts SynoSys.PC und Direktor des Center Synergy of Systems an der Technischen Universität Dresden. „Genau diese zeitliche Dimension ist für die Erforschung von Long COVID besonders interessant.“ Grundlage sind unter anderem Daten der während der Pandemie gestarteten Corona-Datenspende-App des Robert Koch-Instituts. Mehr als 500.000 Menschen hatten daran teilgenommen. Für einen großen Teil stehen Wearable-Daten über längere Zeiträume zur Verfügung. Das Projekt SynoSys.PC läuft von 2025 bis Ende 2028 und wird vom Bundesgesundheitsministerium gefördert. Wearables bei Long COVID erfassen Veränderungen im Verlauf Welches Potenzial solche Langzeitdaten haben, zeigt eine bereits 2025 in npj Digital Medicine veröffentlichte Untersuchung. Aus einem Datensatz von 20.815 Personen identifizierten die Forschenden 50 Menschen, die nach einer SARS-CoV-2-Infektion wiederholt über anhaltende Fatigue und Atemnot berichteten. Verglichen wurden sie mit jeweils 150 Personen mit positivem Test ohne länger anhaltende Beschwerden sowie mit negativ getesteten Kontrollen. Dabei zeigte sich ein überraschender Unterschied bereits vor der Infektion: Die spätere Symptomgruppe hatte im Mittel einen um 2,37 Schläge pro Minute höheren Ruhepuls als die positiv getestete Vergleichsgruppe ohne anhaltende Beschwerden. Nach der Infektion waren die Veränderungen des Ruhepulses stärker ausgeprägt und hielten länger an. Die Ergebnisse bedeuten allerdings nicht, dass ein höherer Ruhepuls Long COVID verursacht oder zuverlässig vorhersagt. Die Autoren weisen vielmehr darauf hin, dass bereits bestehende gesundheitliche Unterschiede oder eine geringere körperliche Fitness eine Rolle spielen könnten. Zudem basiert die untersuchte Gruppe auf selbst berichteter anhaltender Fatigue und Atemnot und nicht auf einer einheitlichen klinischen Long-COVID-Diagnose. Von großen Datensätzen zum individuellen Verlauf SynoSys.PC geht deshalb über solche Gruppenvergleiche hinaus. Mithilfe von Zeitreihenanalysen und maschinellem Lernen sollen individuelle Muster erkannt und Wearable-Daten mit klinisch genauer charakterisierten Patientengruppen kombiniert werden. Untersucht wird beispielsweise, ob sich Symptomverschlechterungen nach körperlicher Belastung oder Hinweise auf eine autonome Dysfunktion in den Daten erkennen lassen. Eine aktuelle systematische Übersichtsarbeit zur Nutzung kommerzieller Wearables bei postakuten Infektionssyndromen kommt zu dem Ergebnis, dass die Messgenauigkeit je nach Gerät und Parameter stark variiert und die klinische Nutzbarkeit noch begrenzt belegt ist. Für die Herzfrequenz ist die Evidenz allerdings vergleichsweise gut. Damit könnten Wearables vorerst vor allem als Forschungsinstrument interessant sein: Statt nur einzelne Messzeitpunkte abzubilden, liefern sie kontinuierliche Daten darüber, wie sich körperliche Parameter im Alltag verändern. TMF e.V. ►
[…]
KI bei T-ALL soll Leukämie-Subtypen und Risiken genauer bestimmen

KI bei T-ALL könnte künftig helfen, die molekular sehr unterschiedlichen Formen der kindlichen Leukämie genauer einzuordnen und individuelle Risiken abzuschätzen. Das Forschungswerkzeug clinTALL verbindet dafür Genexpressions-, Genom- und klinische Daten. In einer Studie erreichte das System bei der Subtyp-Klassifikation eine hohe Genauigkeit – zeigte bei seltenen Formen und längerfristigen Prognosen aber noch Grenzen. Die T-zellige akute lymphoblastische Leukämie (T-ALL) macht etwa 15 bis 20 Prozent der ALL-Erkrankungen bei Kindern aus. Anders als bei der besser charakterisierten B-ALL stehen bislang nur wenige etablierte molekulare Marker für die Risikoeinschätzung zur Verfügung. Gleichzeitig lassen sich nach neueren Genomanalysen bis zu 17 molekulare T-ALL-Subtypen unterscheiden. Forschende des Universitätsklinikums Würzburg haben deshalb gemeinsam mit Partnern aus Deutschland und Italien die Software clinTALL entwickelt. Das Deep-Learning-System soll unterschiedliche Datenebenen gemeinsam auswerten und zwei Aufgaben verbinden: die Zuordnung zu molekularen Subtypen und die Abschätzung bestimmter Behandlungsverläufe. Trainiert wurde das Modell mit Daten von 1.309 Patientinnen und Patienten mit pädiatrischer T-ALL. Einbezogen wurden unter anderem klinische Merkmale, Genexpressionsdaten und genetische Veränderungen. KI bei T-ALL kombiniert mehrere Datenquellen Bei der Klassifikation erzielte ein ausschließlich mit Genexpressionsdaten arbeitendes Modell in der Kreuzvalidierung eine Genauigkeit von 92,2 Prozent. Das Modell, das mehrere Datenarten kombinierte, erreichte 91,7 Prozent. Dafür verbesserte die multimodale Analyse die Vorhersage des ereignisfreien Überlebens gegenüber der alleinigen Nutzung von Genexpressionsdaten. Die Leistungsfähigkeit unterschied sich allerdings deutlich zwischen den einzelnen Leukämieformen. Neun der 17 untersuchten Subtypen wurden mit mehr als 90 Prozent Genauigkeit erkannt. Bei mehreren seltenen Subtypen lag die Trefferquote dagegen deutlich niedriger; drei erreichten lediglich rund 40 Prozent. Als wesentlichen Grund nennen die Forschenden die geringe Zahl entsprechender Fälle in den Trainingsdaten. Eine zusätzliche Prüfung erfolgte mit unabhängigen T-ALL-Daten. In einer italienischen Kohorte mit 120 Proben standen bei 33 Fällen genügend genetische Informationen für eine eindeutige Vergleichszuordnung zur Verfügung. Davon klassifizierte clinTALL 27 korrekt – entsprechend 81,8 Prozent. Diese Zahl bildet damit eine realitätsnähere externe Prüfung ab als die höhere Genauigkeit aus der Kreuzvalidierung des Trainingsdatensatzes. Vorhersage von Krankheitsverläufen noch unterschiedlich zuverlässig Neben der Subtypisierung versucht clinTALL auch abzuschätzen, bei welchen Patientinnen und Patienten beispielsweise ein Therapieversagen während der Induktion oder ein späterer Rückfall wahrscheinlicher ist. Besonders gut funktionierte das Modell in der Studie bei der Vorhersage eines frühen Induktionsversagens. Bei Rückfällen war die Trennschärfe dagegen deutlich geringer und nahm mit zunehmendem zeitlichem Abstand ab. Die Forschenden sehen deshalb weiteren Validierungsbedarf. Insbesondere für seltene T-ALL-Subtypen werden größere Datensätze benötigt. Für längerfristige Prognosen könnten zudem Verlaufsdaten erforderlich sein, die erst während der Behandlung entstehen. clinTALL ist bislang ein Forschungswerkzeug und kein für die klinische Routinediagnostik etabliertes System. Quellcode und Anwendung stellen die Forschenden öffentlich zur Verfügung, sodass andere Arbeitsgruppen das Verfahren überprüfen und weiterentwickeln können. Universitätsklinikum Würzburg ►
[…]

Unternehmen

Mit Telemedizin gegen unerfüllten Kinderwunsch

Ein telemedizinisches Kinderwunschprogramm haben Medgate und VivoSensMedical nun gemeinsam gestartet. Lunara+ ist den Anbietern zufolge das erste Programm dieser Art in Deutschland.
[…]
DMEA zieht nach München

Die DMEA verlegt ihren Veranstaltungsort: Ab April 2027 findet Europas führende Messe für Digitalisierung im Gesundheitswesen erstmals in München statt. Der Wechsel von Berlin zur Messe München soll für eine strategische Neuausrichtung mit dem Ziel stehen, die internationale Sichtbarkeit, technologische Skalierbarkeit und Marktrelevanz der Veranstaltung weiter auszubauen. Mit jährlich über 20.000 Besucherinnen und Besuchern sowie mehr als 800 Ausstellern hat sich die DMEA als zentraler Marktplatz für Gesundheits-IT etabliert. Sie vereint Industrie, Anwender aus Klinik und Praxis, Politik, Selbstverwaltung und Wissenschaft und gilt als wichtige Plattform für den Austausch zu digitalen Versorgungslösungen, IT-Infrastrukturen und regulatorischen Entwicklungen im Gesundheitswesen. Strategische Kooperation und internationale Perspektive Der Standortwechsel ist eng verbunden mit einer neuen Kooperation zwischen dem Bundesverband Gesundheits-IT (bvitg) und der Messe München. Ziel dieser Zusammenarbeit ist es, die DMEA langfristig als europäische Leitmesse für Digital Health zu positionieren. Während der Verband seine fachliche und marktnahe Expertise einbringt, ergänzt die Messe München dies durch ihre Erfahrung in der Durchführung internationaler Großveranstaltungen und durch eine hochskalierbare Messe- und Kongressinfrastruktur. Vor dem Hintergrund eines stark wachsenden Digital-Health-Marktes gewinnt diese Ausrichtung an Bedeutung. Prognosen gehen von einem jährlichen Wachstum von deutlich über 20 Prozent bis 2030 aus. Allein für Europa wird ein Marktvolumen von mehr als 265 Milliarden US-Dollar erwartet. Die DMEA versteht sich in diesem Kontext als zentraler Knotenpunkt für internationale Anbieter, Investoren und Entscheidungsträger, insbesondere mit Blick auf Interoperabilität, Standardisierung und regulatorische Abstimmung auf europäischer Ebene. Die Nummer Eins geht zur Nummer Eins. Ab 2027 kooperiert die DMEA mit einem Messepartner auf absolutem Top-Niveau: wirtschaftlich hochleistungsfähig, messetechnisch führend und perfekt auf das Wachstum des wichtigsten Digital Health-Formates Europas ausgelegt.Dagmar Brandenstein, Geschäftsführerin der bvitg Service GmbH München als Technologie- und Gesundheitsstandort München bietet für diese Weiterentwicklung günstige Rahmenbedingungen. Die Stadt zählt zu den bedeutendsten Technologie- und Innovationsstandorten Europas und verfügt über eine hohe Dichte an Kliniken, Forschungseinrichtungen, Universitäten sowie Unternehmen aus MedTech, Health-IT und Digitalwirtschaft. Die moderne Messeinfrastruktur ermöglicht größere Ausstellungsflächen, neue Veranstaltungsformate und realitätsnahe Präsentationen komplexer IT- und Softwarelösungen. Für Krankenhäuser, Praxen, Pharmaunternehmen und IT-Anbieter bleibt die DMEA damit ein zentraler Orientierungspunkt für technologische Entwicklungen im Gesundheitswesen. Themen wie Krankenhaus-IT, Cloud-Architekturen, IT-Sicherheit, KI-Anwendungen und digitale Versorgungsprozesse werden auch künftig im Mittelpunkt stehen. Der neue Standort stärkt dabei den Anspruch der DMEA, nicht nur nationale Leitmesse zu sein, sondern als europäisches Forum für digitale Gesundheitsinnovationen weiter an Bedeutung zu gewinnen. Die DMEA 2027 findet vom 13.-15. April 2027 bei der Messe München statt.
[…]

Copyright © 2026. Alle Rechte vorbehalten.

Impressum
Datenschutz
AGB
Mediadaten 2026
Privatsphäre-Einstellungen ändern

X