Apple Watch Altersuhr sagt Herzerkrankungsrisiko vom Handgelenk voraus

Biologische Alterungsuhren haben traditionell auf invasiven oder teuren Messungen basiert – DNA-Methylierung aus Blut, klinische EKGs oder Gehirn-MRTs. Diese Ansätze lassen sich nur schwer skalieren und werden selten longitudinal erfasst. PpgAge stellt einen Paradigmenwechsel dar: ein passiver, nicht-invasiver Alterungs-Biomarker, der kontinuierlich von am Handgelenk getragenen Consumer-Wearables abgeleitet wird.

Das Forschungsteam von Apple trainierte ein Deep-Learning-Modell an approximately 20 Millionen 60-Sekunden-PPG-Segmenten von 172.318 Teilnehmern mithilfe von selbstüberwachtem Contrastive Learning. Dabei wurde für jedes PPG-Segment ein 256-dimensionaler Merkmalsvektor erzeugt, der die Wellenformmorphologie erfasst und Rückschlüsse auf Herz-Kreislauf-, Gefäß-, Atem- und autonomes Nervensystemfunktionen ermöglicht. Ein lineares Regressionsmodell bildete diese gemittelten Repräsentationen anschließend auf das chronologische Alter ab, wobei eine kuratierte gesunde Teilkohorte verwendet wurde (n=6.728; 80 % Training, 20 % Test). Der „PpgAge gap" – vorhergesagtes minus chronologisches Alter – war der primäre Biomarker von Interesse.

PpgAge erzielte einen MAE von 2,43 Jahren in der gesunden Testkohorte, mit konsistenter Genauigkeit über biologisches Geschlecht, Rasse/Ethnizität und BMI-Untergruppen hinweg. In der breiteren Gesamtbevölkerung (n=120.235) stieg der MAE moderat auf ~3,2 Jahre an, was angesichts des Ausschlusses nicht-gesunder Teilnehmer aus dem Training zu erwarten war. Entscheidend ist, dass der PpgAge gap starke querschnittliche Zusammenhänge mit chronischen Erkrankungen zeigte. Bei 35- bis 45-jährigen Frauen betrug die Diabetes-Prävalenz im Durchschnitt 6,3 %, stieg jedoch auf 14,9 % (2,38-fach) bei einem PpgAge gap von mehr als 6 Jahren und sank auf 3,7 % bei einem gap von unter −2 Jahren. Ähnliche Muster zeigten sich für Herzerkrankungen und Herzinsuffizienz. In prospektiver Hinsicht sagte ein erhöhter PpgAge gap neu auftretende Herzerkrankungsereignisse unabhängig von traditionellen kardiovaskulären Risikofaktoren signifikant voraus.

Über Erkrankungen hinaus erfasste der PpgAge gap auch verhaltensbedingte Gesundheitsaspekte: Höhere Werte waren mit Rauchen, schlechtem Schlaf und geringerer körperlicher Aktivität assoziiert. In longitudinaler Betrachtung zeigte PpgAge deutliche Anstiege während der Schwangerschaft und rund um den Zeitpunkt kardialer Ereignisse – was auf eine Echtzeit-Sensitivität gegenüber akuten physiologischen Veränderungen hindeutet. Diese longitudinale Reaktionsfähigkeit unterscheidet PpgAge von statischen Biomarkern und eröffnet potenzielle Anwendungsfelder bei der Überwachung von Interventionen oder dem Krankheitsverlauf im Zeitverlauf.

Die Stärken der Studie liegen vor allem in ihrem Umfang und ihrer Passivität – kontinuierliche Realdaten von über 213.000 Teilnehmern über mehrere Jahre. Allerdings ist die Population auf Apple Watch-Nutzer ausgerichtet, die möglicherweise gesünder und wohlhabender sind als die allgemeine Bevölkerung. Selbstberichtete Krankheitsdiagnosen führen zu Klassifikationsrauschen, und die kausale Interpretation des Altersgaps bleibt durch das observationelle Studiendesign eingeschränkt. Dennoch stellt PpgAge einen überzeugenden Proof-of-Concept dar, dass kommerziell erhältliche Wearables klinisch bedeutsame Alterungs-Biomarker liefern können.