Der Blutdruck ist ein wichtiger Messwert für die Herz-Kreislauf-Gesundheit. Standardmethoden zu seiner Messung basieren jedoch auf gelegentlichen Messungen mit aufblasbaren Manschetten, normalerweise in einer klinischen Umgebung. Heutige Blutdruckmessgeräte sind sperrig, unbequem und liefern nur dann Messwerte, wenn Sie still sitzen.

Nun stellt sich ein interdisziplinäres Team aus Mathematikern und Ingenieuren der University of Utah und der University of Illinois, Chicago, dieser Herausforderung, indem es Physik und künstliche Intelligenz kombiniert, um einige der Einschränkungen bestehender Geräte zu überwinden. Erscheint bald in NaturkommunikationIn ihrer Studie wird eine neue tragbare Smartwatch beschrieben, die sowohl den Blutdruck als auch den Blutfluss kontinuierlich messen kann, ohne dass eine Manschette erforderlich ist.

„Erhöhter Blutdruck gilt als stiller Killer, weil er zu Herzinfarkten, Aneurysmen und Schlaganfällen führt. Er stellt eine weltweite Belastung für das Gesundheitswesen dar und gilt als Problem des Heiligen Grals“, sagte Benjamin Sanchez Terrones, der das Projekt vor einigen Jahren als Assistenzprofessor für Elektro- und Computertechnik am Utahj ins Leben gerufen hat. Dabei werden die elektrischen Eigenschaften des Blutes auf seinem Weg durch die Arterie am Handgelenk gemessen, die mit Änderungen des Blutdrucks schwanken.

Die University of Utah besitzt das geistige Eigentum im Zusammenhang mit dieser Technologie, die auf physikbasiertem maschinellen Lernen basiert, und das Technology Licensing Office der Universität prüft derzeit Lizenzmöglichkeiten, um diese Erfindung auf den Markt zu bringen.

Werbung
Hier könnte Ihr Advertorial stehen
Ein Advertorial bietet Unternehmen die Möglichkeit, ihre Botschaft direkt im redaktionellen Umfeld zu platzieren

Licht vs. Strom

Die wissenschaftliche Grundlage kommerzieller tragbarer Geräte, die Licht zur Messung des Blutdrucks nutzen, ist nicht vollständig geklärt und greift bei der Bestimmung des Blutdrucks oft auf maschinelles Lernen als „Black Box“ zurück, wodurch ihre Ergebnisse schwer zu interpretieren und klinisch vertrauenswürdig sind. Letzteres stellt ein großes Hindernis für die klinische Einführung dar. Im Gegensatz zu diesen Geräten, die Licht messen, um den Blutdruck zu messen, verwendet Sanchez Terrones einen schmerzlosen und nicht wahrnehmbaren elektrischen Strom.

Die Technologie zeichnet winzige elektrische Veränderungen in Ihrem Handgelenk mithilfe der Bioimpedanz auf, einem Maß dafür, wie leicht Elektrizität durch Blut und Gewebe fließt. Da sich der Blutfluss mit jedem Herzschlag ändert, enthalten diese elektrischen Signale Informationen über den zugrunde liegenden Druck.

Diese Arbeit zeigt, wie die Kombination von maschinellem Lernen und Physik die Möglichkeiten grundlegend verändern kann. Indem wir physikalische Prinzipien direkt in das Modell integrieren, können wir über die Black-Box-Vorhersage hinausgehen und zu Systemen gelangen, die genauer, besser interpretierbar und im realen Gesundheitswesen umfassender anwendbar sind.“

Christel Hohenegger, Mitverfasser, außerordentlicher Professor für Mathematik

Die Rolle von Fluiddynamik und Elektromagnetismus

Das System nutzt Fluiddynamik (wie Blut fließt) und Elektromagnetismus, was ihm eine klare wissenschaftliche Grundlage verleiht und die Zuverlässigkeit verbessert. Das Modell kodiert die Physik des pulsierenden Blutes und die Elektromagnetik der Bioimpedanzmessung, sodass das Netzwerk nichts vorhersagt, was physikalisch unmöglich ist.

Das Ergebnis ist ein tragbares Gerät, das die Herz-Kreislauf-Gesundheit im Ruhezustand und bei Aktivität kontinuierlich verfolgen kann, ohne dass eine Kalibrierung für jeden einzelnen Benutzer erforderlich ist.

Die Doktoranden Henry Crandall, Tyler Schuessler und Filip Bělík aus Utah spielten eine Schlüsselrolle beim Testen des Geräts an 150 echten Menschen, darunter Patienten auf der Intensivstation und ambulant. „Wir sind noch einen Schritt weiter gegangen und haben die Patienten sowohl auf der Intensivstation als auch im Madsen Health Center gemessen [a clinic just off campus in Salt Lake City] weil wir die Technologie an der Zielgruppe testen wollten“, sagte Sanchez Terrones, der letztes Jahr sein Labor an die University of Illinois in Chicago verlegte, wo er außerordentlicher Professor für Elektro- und Computertechnik sowie biomedizinische Technik ist.

Wie sich Blut und Filme ähneln

„Unser Blutdruck den ganzen Tag über ist wie ein Film, aber wenn man die Manschette anlegt, sieht man nur einen Schnappschuss des Bildes“, sagte Sanchez Terrones. „Das Manschettengerät ist sehr nützlich, aber gleichzeitig begrenzt: Aufgrund der Funktionsweise der Technologie liefert es Ihnen nur die geringste Menge nützlicher Informationen: systolische Anzeige über diastolische Anzeige, was sich in den maximalen und minimalen Druckwert während der Aufzeichnung umwandelt. Am Ende fehlen uns 99 % des Films, der erklärt, wie sich der Blutdruck bei einem Patienten im Laufe des Tages ändern kann, während er geht, läuft oder Treppen steigt.“

Die Technologie von Sanchez Terrones kann den Rest des Films einfangen, indem sie Geschwindigkeit und Puls des Blutes als kontinuierliche Wellenform aufzeichnet, nicht nur die bekannten systolischen und diastolischen Werte, die in Standard-Manschettenwerten wie 120/80 bereitgestellt werden. (Der systolische Wert ist die oberste Zahl und misst den Druck auf die Arterienwände, wenn sich das Herz zusammenzieht, während der diastolische Wert der Druck ist, wenn das Herz zwischen den Schlägen ruht.)

„Der Blutdruck besteht nicht aus zwei Zahlen, er ist eine Funktion der Zeit. Die mathematische Herausforderung bestand darin, die gesamte Wellenform aus indirekten elektrischen Messungen am Handgelenk wiederherzustellen – ein klassisches inverses Problem“, sagte Co-Autor Braxton Osting, Professor für Mathematik an der University of Utah. „Die direkte Einbettung der Physik des Blutflusses in das Modell macht die Vorhersage vertrauenswürdiger.“


Quellen:

Journal reference:

Crandall, H., et al. (2026). Cuffless hemodynamic monitoring with physics-informed machine learning models. Nature Communications. DOI: 10.1038/s41467-026-72693-1. https://www.nature.com/articles/s41467-026-72693-1