Schlafapnoe-Screening per Fingerpuls: Was die KI-Metaanalyse für Hausarztpraxen bedeutet

Die Diagnose der obstruktiven Schlafapnoe (OSA) ist aufwendig: Polysomnographie gilt als Goldstandard, ist aber teuer, personalintensiv und für viele Patientinnen und Patienten mit langen Wartezeiten verbunden. Eine aktuelle Metaanalyse von 13 Studien mit insgesamt 9.983 Teilnehmenden untersucht, ob KI-Modelle auf Basis von Photoplethysmographie (PPG) – also schlichtem Fingerpuls-Messsignal, wie es Pulsoximeter oder Wearables liefern – eine praktikable Screening-Alternative darstellen. Für Hausarztpraxen ist das relevant, weil PPG-Sensoren längst in Smartwatches und einfachen Fingerclips verbaut sind und damit potenziell niedrigschwellig verfügbar wären.

Was die Daten zeigen

Die Autorinnen und Autoren poolten die Ergebnisse mittels eines bayesianischen bivariaten Random-Effects-Modells. Über alle Studien hinweg erreichten PPG-basierte KI-Modelle eine Sensitivität von 79,6 % (95 %-Kredibilitätsintervall 55,5–93,8 %) und eine Spezifität von 76,5 % (95 %-KrI 48,2–94,0 %) im Vergleich zur konventionellen Diagnostik. Die Spannweite der Kredibilitätsintervalle macht deutlich: Die Heterogenität zwischen den Studien ist erheblich – ein einzelner Wert lässt sich nicht unkritisch auf jedes Produkt oder jede Patientenpopulation übertragen.

Interessant ist der Zusammenhang mit dem Schweregrad, gemessen am Apnoe-Hypopnoe-Index (AHI). Mit steigendem AHI-Schwellenwert nahm die Spezifität zu (AHI ≥5: 63,6 %; AHI ≥15: 81,8 %; AHI ≥30: 85,1 %), während die Sensitivität leicht abnahm (87,2 % bei AHI ≥5 auf 76,7 % bei AHI ≥30). Praktisch bedeutet das: Die Modelle trennen Betroffene von Nicht-Betroffenen recht gut, tun sich aber schwerer, innerhalb der Gruppe der Erkrankten zuverlässig zwischen moderaten und schweren Verläufen zu unterscheiden. Für ein reines Erst-Screening in der Hausarztpraxis ist das weniger kritisch als für eine Schweregradeinschätzung, die ohnehin der Schlafmedizin vorbehalten bleiben sollte.

Ein weiterer Befund: Deep-Learning-Modelle erzielten eine deutlich höhere Spezifität (82,9 %) als klassische Machine-Learning-Ansätze wie Entscheidungsbäume oder logistische Regression (63,6 %). Bei der Sensitivität zeigte sich kein klarer Unterschied. Das deckt sich mit der Erwartung, dass neuronale Netze subtilere Signalmuster aus dem PPG-Verlauf extrahieren können als Modelle mit manuell konstruierten Merkmalen – ein Hinweis darauf, dass nicht jedes "KI-Tool" gleich zu bewerten ist.

Was das für die Praxis bedeutet

Die Studie liefert auch eine klinisch greifbare Einordnung über den Satz von Bayes: Bei einer angenommenen Grundprävalenz von 15 % würde ein positiver Test die Nachtestwahrscheinlichkeit auf durchschnittlich 37,4 % anheben, bei 30 % Prävalenz auf 59,2 %, bei 60 % auf 83,6 %. Ein negativer Test senkt die Wahrscheinlichkeit entsprechend deutlich ab (auf 4,5 % bzw. 10,3 % bzw. 28,6 %). Für die Praxis heißt das: Ein negatives PPG-KI-Ergebnis kann OSA bei durchschnittlicher Prävalenz recht zuverlässig unwahrscheinlich machen – ein positives Ergebnis ersetzt jedoch keine weiterführende Diagnostik, sondern begründet lediglich eine Überweisung oder ein Home-Sleep-Apnea-Testing.

Konkret lassen sich daraus drei Empfehlungen ableiten:

1. Als Vortest, nicht als Diagnose verstehen. Bei Patientinnen und Patienten mit klinischem Verdacht (Schnarchen, Tagesmüdigkeit, beobachtete Atempausen) kann ein PPG-basiertes KI-Screening helfen, die Dringlichkeit einer Überweisung zur Schlafmedizin einzuschätzen. Ein positives Ergebnis bei bereits hoher Vortestwahrscheinlichkeit verstärkt den Verdacht zusätzlich.
2. Eskalationspfad vorab klären. Da die Spezifität bei milder OSA (AHI ≥5) mit 63,6 % vergleichsweise niedrig ist, sollte jede Praxis, die ein solches Tool einsetzt, einen klaren Pfad für positive Befunde definieren – etwa direkte Anbindung an ein Schlaflabor oder HSAT-Verfahren wie WatchPAT, das in der Studie als etablierter Vergleichsstandard genannt wird.
3. Lokale Validierung einplanen. Die 13 eingeschlossenen Studien stammen überwiegend aus China, den USA und einzelnen europäischen und asiatischen Ländern; Daten aus Deutschland fehlen. Gerätetyp (Wearable vs. klinisches Oximeter) zeigte zwar keinen klaren Einfluss auf die Genauigkeit, dennoch sollte jedes konkrete Produkt vor Routineeinsatz an der eigenen Patientenklientel – inklusive BMI-Verteilung, die in der Analyse nicht ausreichend untersucht werden konnte – überprüft werden.

Fazit

Die Evidenzqualität wird von den Autorinnen und Autoren selbst als moderat eingestuft (GRADE), und die Studienzahl bleibt mit 13 Arbeiten überschaubar. Dennoch liefert die Metaanalyse erstmals eine belastbare gepoolte Schätzung für PPG-basierte KI-Diagnostik bei OSA. Für Hausarztpraxen ergibt sich daraus kein Freibrief für den sofortigen flächendeckenden Einsatz, aber ein plausibler Entwicklungspfad: ein kostengünstiges Vor-Screening-Instrument, das Verdachtsfälle sortiert und die ohnehin knappen Kapazitäten der Schlafmedizin gezielter steuert – vorausgesetzt, die Praxis kennt die diagnostischen Grenzen des eingesetzten Modells und hat einen Eskalationsweg für positive Befunde fest verankert.