Google-Modell: Gewohnheitsänderungen senken das physiologische Alter um 2,3 Jahre

Google Research hat einen Forschungsbericht zur Nutzung von Wearables für die kardiovaskulär-kidney-metabolische Risikoprofilierung vorgelegt. Die vorgestellten Modelle zielen darauf ab, sogenannte CKM-Risiken über kontinuierlich erfasste Sensordaten frühzeitig zu identifizieren und darauf aufbauend personalisierte Handlungsempfehlungen für den Lebensstil zu generieren.

Physiologisches Alter als veränderbarer Messwert

Kern der Untersuchung ist das Framework namens Coachable Health Age. Das System nutzt ein Modell des maschinellen Lernens, um aus Wearable-Signalen wie Ruhepuls, täglichen Schritten, Schlafdauer und wöchentlichen Active Zone Minutes ein physiologisches Alter zu berechnen.

Optional können weitere Parameter wie der VO2max-Wert, Schlafregelmäßigkeit und Marker für Insulinresistenz einfließen. Ergibt die Berechnung ein negatives Delta im Vergleich zum kalendarischen Alter, weist dies auf ein physiologisch jüngeres Profil hin.

Google Research validierte den Ansatz anhand der All-of-Us-Kohorte mit 22.748 Teilnehmern, deren Daten aus elektronischen Patientenakten und Fitbit-Sensoren über mehr als 68.000 Personenjahre ausgewertet wurden. Ein über dem kalendarischen Alter liegender Wert zu Beginn der Messungen sagte ein erhöhtes Auftreten von Bluthochdruck, Herz-Kreislauf-Erkrankungen und Typ-2-Diabetes innerhalb eines Zeitraums von 8 Jahren voraus.

In einer Teilgruppe von 18.423 gesunden Personen war die Krankheitsfreiheit nach 8 Jahren in der Kohorte signifikant höher, deren physiologisches Alter dem Kalenderalter entsprach oder darunter lag.

Wer wissen möchte, wie fit der eigene Körper im Vergleich zum Geburtsdatum wirklich ist, kann dies nun unkompliziert testen. Dieser kurze Check analysiert Ihre Gewohnheiten und liefert Ihnen eine erste Einschätzung Ihrer Vitalität. Dieser 2-Minuten-Test verrät Ihr wahres biologisches Alter

Die Hinzunahme der Wearable-Metrik zu traditionellen klinischen Faktoren verbesserte die statistische Vorhersagekraft, insbesondere bei Erwachsenen unter 50 Jahren. In einer weiteren Fitbit-Gruppe von 1.464 Nutzern führten kontinuierliche Gewohnheitsänderungen über einen Zeitraum von 2 Jahren zu einer quartalsweisen Absenkung des errechneten Alters.

Simulation und Fachbewertung

Um physiologische Veränderungen im Zeitverlauf zu modellieren, trainierte Google Research das Weltmodell SensorWM auf Basis von 2,28 Millionen Personenwochen de-identifizierter Daten von rund 100.000 Nutzern. Das Modell prognostiziert 20 physiologische Marker über einen Zeitraum von 12 Wochen und übertraf dabei das Vergleichsmodell TimesFM.

In Modellsimulationen führte eine hohe Anpassungsbereitschaft bei Gewohnheiten zu einer Verringerung des physiologischen Alters um 2,3 Jahre, während bei einem engen Zeitplan eine Reduktion um 1,3 Jahre prognostiziert wurde.

In einer Blindstudie bewerteten fünf zertifizierte Lifestyle-Coaches und fünf Fachärzte 490 Paare aus 49 Profilen. Die Coaches stuften die simulationsbasierten Pläne in 71,4 Prozent der Fälle als überlegen ein und sahen in 71,0 Prozent eine höhere langfristige Therapietreue.

Moderne Sensortechnik kann frühzeitig auf Risiken wie Bluthochdruck hinweisen, doch oft sind ergänzende, natürliche Maßnahmen entscheidend für die langfristige Gesundheit. Dieser kostenlose Fachratgeber zeigt Ihnen 7 praktische Tipps, wie Sie Ihre Werte auch ohne sofortige Medikation effektiv regulieren können. Blutdruck dauerhaft senken – ohne sofort zur Pille greifen zu müssen

Die beteiligten Fachärzte bewerteten 99,2 Prozent der vorgeschlagenen Trainingsintensitäten als sicher und 97,6 Prozent der physiologischen Erläuterungen als medizinisch korrekt.

Eine Zusatzuntersuchung an 819 Teilnehmern bezog Blutmarker wie Cholesterinwerte, geschätzte glomeruläre Filtrationsrate und HOMA-IR ein. Die ermittelten Werte korrelierten mit dem Index Life's Essential 8 mit einem Koeffizienten von minus 0,58 sowie mit dem metabolischen Syndrom mit 0,65. Rund 29 Prozent dieser Gruppe wiesen signifikante Abweichungen im CKM-Profil auf, wobei Schritte, Active-Zone-Minuten und der Ruhepuls als stärkste Vorhersagefaktoren abschnitten. Ergänzend erfolgte am 11. November 2026 eine automatisierte Auswertung an einem erweiterten Datensatz von 2.780 Personen.

Forschungsprototypen ohne klinische Zulassung

Google Research betonte, dass es sich bei den Algorithmen um reine Forschungsprototypen und nicht um klinische Diagnosewerkzeuge handelt. Die Evaluierungen erfolgten retrospektiv an bestehenden Kohorten; prospektive Studien befinden sich erst in der Planungsphase. Google kündigte kein kommerzielles Produkt auf Basis dieser CKM-Modelle an.

Parallel publizierte das Team in der Fachzeitschrift Nature eine Arbeit zur Erkennung von Bluthochdruck per Smartwatch, die auf Photoplethysmographie und Beschleunigungssensoren basiert.

Die Trainingsbasis umfasste 492.347 Stunden Daten von 2.109 Teilnehmern. In einem Test an 196 Freiwilligen im Vergleich zu einer 24-Stunden-Blutdruckmessung erkannte das System 65,8 Prozent der Hypertonie-Fälle, während eine einmalige Praxismessung bei 55,3 Prozent lag – ein statistisch nicht signifikanter Unterschied.

Das Modell liefert keine konkreten Blutdruckwerte, sondern eine Risikowahrscheinlichkeit, und verfehlt rund ein Drittel der Fälle. Dieser Erkennungsalgorithmus wird derzeit nur von der Google Pixel Watch 3 und Folgegeräten unterstützt und ist ausdrücklich als ergänzendes Frühwarnsystem angelegt, das herkömmliche Blutdruckmessgeräte nicht ersetzt.