Herzratenvariabilität in Echtzeit
Der Herzschlag als Prompt: Wie ein LLM Stress liest
Maschinen, die fühlen? Ein Stressphysiologe speiste seine Herzratenvariabilität in ChatGPT – und aus dem Stress-Experiment wurde eine eigene Sensor-Schnittstelle sowie ein KI-Biomarker als neuer Parameter für das OP-Monitoring. Dr. Morris Gellisch von der Ruhr-Universität Bochum im Interview.
Herr Dr. Gellisch: Ihre Forschung verbindet Medizindidaktik, Stressphysiologie und digitale Biosignalanalyse. Wie kam es zu dem Experiment, die Herzratenvariabilität mit einem Sprachmodell zu verknüpfen?
Ursprünglich wollte ich 2020, also im ersten Corona-Semester, untersuchen, wie sich das Lernen in Präsenz vom Lernen in Remote unterscheidet: Und zwar nicht nur über Fragebögen für die Studierenden, sondern über physiologische Marker wie eben die Herzratenvariabilität, den Cortisolspiegel oder die Alpha-Amylase. Bei den über 100 Probandinnen zeigte sich: Wer in Präsenz lernte, hatte eine andere hormonelle Konstitution als Remote. Mehr Stress, aber gleichzeitig auch mehr Aufmerksamkeit.
Das heißt, ein bisschen Stress ist gut fürs Lernen?
Ganz so einfach ist es leider nicht. Das Interessante dabei ist, dass subjektiv empfundener Stress oft nicht mit dem tatsächlichen physiologischen Stress korreliert, und der wiederum nicht zwangsläufig mit dem Lernerfolg. Mir wurde klar, dass uns Echtzeitanalysen fehlen, um im Lernkontext den physiologischen Aktivierungsgrad sofort zu erkennen.
Wir hatten die HRV dafür über einen handelsüblichen Brustgurt aufgezeichnet und die relevanten statistischen HRV-Parameter bereits über ein selbstgeschriebenes Phyton-Script vorverarbeitet. Dazu gehören unter anderem RMSSD und pNN50, die vor allem die vom Vagusnerv gesteuerte, parasympathische Aktivität abbilden. Frequenzbasierte Werte wie die LF/HF-Ratio sind dagegen schwerer zu interpretieren. Der Rest war ein bisschen Zufall: ChatGPT hatte gerade neu die API-Funktion eingeführt.
Bis dahin hatte ich mit dem Tool für meine Forschung nur geplaudert (lacht). Das war schon ein wilder Moment, als die KI zum ersten Mal die eigene Herzrate ausgelesen hat. Ab da konnte ich promptbasiert fragen: ‚Wie ist aktuell mein RMSSD-Wert? Wie ist er im Vergleich zu vor fünf Minuten? Wie schätzt du mein physiologisches Arousal ein?‘.
ChatGPT war der Proof-of-Concept. Was hat Sie bewogen, zu einer eigenen Pipeline mit eigenem Sensor und eigenen KI-Modellen zu wechseln?
Kommerzielle Sensoren und öffentliche Sprachmodelle eignen sich gut für einen ersten Aufschlag. Für systematische Forschung jedoch brauchen wir direkten Zugriff auf Rohdaten, dokumentierte Schnittstellen und eine reproduzierbare Verarbeitung. Mit einem eigenen Sensor kann ich beispielsweise bereits auf Sensorebene eigene Skripte für die Vorverarbeitung laufen lassen.
Beim Sprachmodell ist es ähnlich: Kein Forscher will von einer Black Box wie ChatGPT abhängig sein. Da ich nicht genau weiß, was im Hintergrund alles mit den Daten passiert, führen alle Wege hin zu eigenen Modellen. Die neue Pipeline soll HRV und weitere Biosignale in Echtzeit in eine geschützte Forschungsumgebung übertragen, in der Vorverarbeitung, Analyse und Modellanwendung reproduzierbar und kontrolliert erfolgen. Das ist am Ende der entscheidende Unterschied.
Welche klinischen Anwendungsfälle adressiert die neue Pipeline?
Wir entwickeln unser System für zwei Bereiche weiter: experimentelle Fragestellungen in der Bildungsforschung sowie klinische Biosignaldaten. Wir führen erste Gespräche mit Kliniken, die unsere Live-Data-Pipeline für den eigenen Einsatz adaptieren möchten.
Und das ist wirklich spannend: Auf der einen Seite werden intraoperativ für die Patientenüberwachung ohnehin sehr viele Parameter erhoben, darunter auch ein EKG. Andererseits wird, obwohl mathematisch problemlos möglich, daraus aktuell keine Herzratenvariabilität abgeleitet. In zukünftigen Studien könnten wir Daten dagegen über eine Klinik-Pipeline live analysieren. In unserem Labor liefen zunächst retrospektiv, später prospektiv validierte Algorithmen darüber – wir würden den Ärzten damit einen zusätzliches Kriterium in der OP-Überwachung an die Hand geben.
Konkret betrachten wir Fragen wie ‚Gibt die Herzratenvariabilität Aufschluss über Schmerz, den ein Patient unter Narkose empfindet?‘ oder ‚Hilft die HRV als weiterer Parameter dem Patientenmonitoring per se eine bessere Auflösung zu geben?‘. Datenschutztechnisch ist das natürlich komplex, wir arbeiten gerade daran, das sauber aufzugleisen.
Aber woher kommt diese Lücke in der Diagnostik, heute kann doch jede Smartwatch die HRV bestimmen?
Vorweg als Disclaimer: Ich bin kein Kliniker. Zwar ist die HRV umfangreich erforscht, sie kommt aber bisher nur vereinzelt und nicht als Standardparameter im OP-Monitoring zum Einsatz. Das heißt jedoch nicht, dass sie beispielsweise in der Anästhesiologie nicht trotzdem einen zusätzlichen Informationswert besitzen kann.
Würden wir jetzt einen großen Hersteller fragen, ob er die HRV-Werte nicht aus einem ohnehin vorhandenen EKG herausrechnen kann, wäre die Antwort wahrscheinlich ‚Kriegen wir hin‘. Aber in meiner Arbeit geht es nicht um den reinen Rohwert, sondern um eigenes Scoring – etwa einen Stressindex oder einen Dynamikindex. Der Mehrwert liegt also nicht in einzelnen Werten, sondern in der Entwicklung von Modellen für deren Interpretation im klinischen Kontext.
Was erhoffen Sie sich über die Schmerzerkennung hinaus noch von diesen Daten?
Den größten Erkenntnisgewinn erwarte ich also nicht von der isolierten HRV, sondern von ihrer zeitsynchronen Analyse gemeinsam mit Blutdruck oder Gefäßwiderstand, der Sauerstoffsättigung und weiteren Biosignalen. Perspektivisch ist außerdem die Verknüpfung dieser kontinuierlichen Biosignale mit proteomischen Daten interessant.
Das Labor, das ich gerade an der Ruhr-Uni Bochum aufbaue, ist im Medizinischen Proteom-Center angesiedelt, sodass sich diese Synergien nutzen lassen. Mithilfe massenspektrometrischer Proteomik lassen sich in Gewebe-, Blut- oder Speichelproben umfangreiche Proteinprofile erfassen, darunter welche, die auf Stress, Erholung oder auch Entzündungen hinweisen können. Genauer geht es kaum.
Kontinuierliche Körperdaten zeigen uns quasi jede Sekunde, was im Körper passiert. Proteomische Analysen dagegen liefern eine Momentaufnahme, also geben ein sehr detailliertes Bild zum Zeitpunkt der Probe. Als Forschungshypothese könnte unsere Datenpipeline hier Sinn ergeben: Denkbar wäre zum Beispiel, bei Patientinnen und Patienten während einer Herz-OP kontinuierlich physiologische Signale zu erfassen.
Diese Daten könnten wir mit bestimmten Proteinwerten verknüpfen – etwa solchen, die auf eine Schädigung des Herzmuskels, eine Entzündung oder die Erholung danach hinweisen. So ließe sich untersuchen, wie ein verabreichtes Medikament, die körperliche Reaktion darauf und die molekularen Veränderungen zusammenhängen.
Wie könnte Ihr Score für Sensorhersteller und Medtech-OEMs relevant sein?
Für die Interpretation von HRV-Daten in einer Applikation brauchen Hersteller nachvollziehbar validierte Algorithmen – egal, ob sie diese selbst entwickeln oder mit Forschungspartnern wie uns zusammenarbeiten. Genau hier liegt der potenzielle Nutzen unseres Ansatzes: Ein von uns entwickeltes und unabhängig validiertes Scoring-Modell könnte Herstellern diese Grundlagenarbeit abnehmen und HRV-Dynamiken direkt für einen klar definierten Anwendungsfall aufbereiten. Nach erfolgreicher technischer und klinischer Validierung ließe sich ein solches Modell in bestehende Monitoring-Systeme integrieren – ohne dass OEMs selbst jahrelange Grundlagenforschung betreiben müssten. Unser Ziel ist dabei nicht primär ein neuer Sensor, sondern eine Interpretationsschicht, die vorhandene physiologische Daten zeitaufgelöst aufbereitet und daraus prüfbare, anwendungsspezifische Merkmale ableitet.
Sie veröffentlichen Ihre Skripte OpenSource, OEMs würden damit Geld verdienen?
Das ist eine bewusste Entscheidung, weil Offenheit und Reproduzierbarkeit zunächst die Grundlage für belastbare Kooperationen zwischen klinischer Forschung, Universität und technischer Entwicklung schaffen. Unsere Forschung kann nur einen Ansatz liefern, den andere aufgreifen und mit uns weiterdenken können. Wir befinden uns noch in der Entwicklungs- und Validierungsphase. Unser derzeitiger Beitrag ist daher kein marktreifes klinisches Produkt, sondern ein offenes und reproduzierbares Forschungsframework, auf dem weitere Studien und Kooperationen aufbauen können.
Vielen Dank für das Gespräch und viel Erfolg!
