Lebensdauer vorhersagen mit KI per Smartphone-Daten

Neue KI schätzt biologisches Alter und gesundheitsrelevante Risikofaktoren präzise. Sie analysiert Daten von Smartphones und Wearables. Entwickler veröffentlichten eine App, die beobachtet, wie tägliche Aktivitätsmuster die Lebenserwartung beeinflussen.

Hintergrund

Viele biologische Faktoren (Genexpression, DNA, Blutzirkulation) korrelieren stark mit Alter. Genomprofile oder großskalige Biochemie sind jedoch für Anwendungen jenseits der Forschung schwer und teuer.

Biotech-Firma GERO und Moscow Institute of Physics and Technology entwickelten KI, die biologisches Alter und Gesundheitsrisiken schätzt – durch Analyse von Smartphone-/Wearable-Daten.

KI zeigte bereits phänomenale Leistung in Mustererkennung, Spracherkennung, visueller Objekterkennung. Neuronale Netze werden medizinisch für personalisierte Behandlung und Drug Discovery genutzt. Davon inspiriert: neues System für präzise Gesundheitsinfos basierend auf körperlicher Aktivität.

Moderne OS von Handhelds/Wearables ermöglichen Sammlung und Cloud-Speicherung persönlicher Aktivitätsdaten ohne Störung des Alltags – in riesigem Maßstab (Milliarden Nutzer). KI nutzt diese Records für kontinuierliches Health-Risk-Monitoring und Echtzeit-Feedback.

Methodik

Forscher extrahierten 4 Jahre (2003–2006) klinische Daten und Aktivitätsrecords aus NHANES (National Health and Nutrition Examination Survey). Trainierten neuronales Netz auf 1-Wochen-Records zur Schätzung von Mortalitätsrisiko und biologischem Alter.

Verglichen 3 zunehmend präzise biologische Altersmodelle:

1. Multivariate lineare Regression
2. Unüberwachte Principal Components Analysis (PCA)
3. Deep Convolutional Neural Network (CNN)

Das überwachte CNN-Modell entschlüsselte die meisten biologischen Bewegungsmuster und stellte deren Bezug zu Lebensdauer und Gesundheitsinfos her. Der Algorithmus übertraf alle bestehenden Mortalitätsrisiko- und biologischen Altersmodelle auf denselben Daten.

Team entwickelte iOS-App, die (via Beschleunigungssensor) sieht, wie tägliche Aktivitätsmuster die Lebenserwartung beeinflussen.

In Vorarbeit nutzte das Team Transition-Matrix-Elemente, aggregierte Deskriptoren und einfache Quantil-Normalisierung, um zu zeigen: KI trainiert auf NHANES-Daten kann Gesundheitsrisiken im UK Biobank schätzen.

Ausblick

Einige Krankenversicherer bieten bereits Rabatte basierend auf körperlicher Aktivität via Wearables.

Laut Entwicklern lässt sich der Algorithmus für präzisere Risikomodelle weiter verbessern. Kombination neuester ML-Techniken mit Alterungstheorie liefert bessere Gesundheitsmodelle zur Reduktion von Langlebigkeitsrisiken in Versicherungen und Altersvorsorgeplanung. KI könnte auch Anti-Aging-Therapien und künftige klinische Studien unterstützen.