Spezifische Krankheiten ohne Arztbesuch frühzeitig erkennen, oder noch bevor sie richtig ausbrechen – das wäre nicht nur für Smartwatch-Nutzer äußerst praktisch, sondern könnte auch Auswirkungen auf überfüllte Arztpraxen und überlastete Gesundheitssysteme haben.

Forscher vom Massachusetts Institute of Technology (MIT) und Health-Tech-Unternehmen Empirical Health arbeiten derzeit an einer solchen Lösung. Dafür haben sie rund 3 Millionen Personentage an Daten der Apple Watch analysiert – also Herzfrequenz, Bewegung, Schlaf und mehr – und mit diesen ein KI-Modell trainiert.

Das Ergebnis der Studie: Die neue KI kann mit erstaunlicher Genauigkeit auf Erkrankungen wie Bluthochdruck, Vorhofflattern oder Herzrhythmusstörungen hinweisen.

Wie funktioniert das KI-Training?

Statt wie klassische, aufwendig gelabelte Trainingsdaten nur auf wenige Vorfälle zu schauen, nutzt das Modell I-Jepa eine selbstlernende Methode: Es verarbeitet Zeitreihen diverser Sensor- und Verhaltensdaten – auch wenn sie unregelmäßig oder lückenhaft sind – und lernt, Muster zu erkennen. Erst danach erfolgt die Feinjustierung mit einem kleineren, gelabelten Datensatz.

Insgesamt deckt der Datensatz fünf Gesundheits- und Verhaltensbereiche ab: kardiovaskuläre Gesundheit, Atmung, Schlaf, körperliche Aktivität und allgemeine Vitalwerte. Für 63 verschiedene Messgrößen lag eine tägliche oder gröbere Aufzeichnung vor.

In Tests konnte das Modell für Bluthochdruck eine AUROC (Area Under the Receiver Operating Characteristic Curve) von 86,8 Prozent, für Vorhofflattern 70,5 Prozent und für andere Herz- oder Müdigkeitsbezogene Erkrankungen gute Werte erzielen.

Zur Erklärung: Je höher der AUROC-Wert, desto besser erkennt das Modell Unterschiede zwischen positiven und negativen Fällen. Der Wert AUROC misst also nicht, ob ein Modell tatsächlich mit der Diagnose immer korrekt liegt, sondern wie gut es zwischen gesunden und potenziell kranken Fällen unterscheiden kann. Das heißt: Es gibt Überlappungen, keine Garantien.

Was die neue Methode der Forschenden so besonders macht: Selbst wenn viele Daten fehlen, weil die Uhr beispielsweise nicht getragen wurde oder Messungen aussetzen, kann das Modell selbstständig Lücken schließen und aus den vorhandenen Informationen sinnvolle Rückschlüsse ziehen. Das macht Ansätze wie diesen besonders robust und praktikabel für den Alltag.

Gesundheitscheck per Smartwatch: Große Chancen – und Risiken

Die Studie zeigt, dass Smartwatches und KI gemeinsam vielversprechende Auskünfte über Gesundheitsdaten liefern können. Das könnte zum Beispiel frühzeitiges Erkennen von gesundheitlichen Problemen ohne invasive Tests ermöglichen. Für Menschen mit chronischen Erkrankungen oder hohem Risiko könnte das ein echter Gewinn sein.

Die Ergebnisse sind allerdings noch lange keine Diagnose, sondern Vorhersagen. Wann und ob solche Modelle klinisch verwendet werden, hängt von weiteren Studien, der Validierung und regulatorischen Prüfungen ab.

Ein weiterer wichtiger Punkt, den man nicht vernachlässigen sollte: Bei dieser gesundheitlichen Totaltransparenz dürfte bei Datenschützern der Puls in ungeahnte Höhen steigen.

Dieser Beitrag ist zuerst auf t3n.de erschienen.

(jle)

Wer online Lebensmittel bestellt, zahlt womöglich drauf, auch wenn er die Ware dann selbst im Geschäft abholt. Das zeigt ein unabhängiger Test des Liefer- und Abholdienstes für Lebensmittel, Instacart, in den USA. Testkäufer legten zum selben Zeitpunkt dieselbe Ware in ihre Einkaufswägen – zur späteren Selbstabholung im selben Geschäft, um den Faktor etwaig unterschiedlicher Lieferkosten auszuschließen. Dennoch veranschlagte Instacart unterschiedliche Preise.

Die Unterschiede sind hoch, wie der gemeinsam von Consumer Reports, Groundwork Collaborative und More Perfect Union durchgeführte Test des Kaufs alltäglicher Lebensmittel zeigt: Bei drei Vierteln der Produkte schwankte der eCommerce-Preis. Dabei lag der höchste Preis im Schnitt 13 Prozent über dem niedrigsten, die Schwankungsbreite reichte jedoch bis zu 23 Prozent, etwa bei einer bestimmten Packung Cornflakes.

Ziel ist offenbar, zu erraten, wie viel ein Kunde zu bezahlen bereit ist, und ihm möglichst viel abzuverlangen. Für dasselbe Produkt zur selben Zeit im selben Laden fand der Test bis zu sieben unterschiedliche Preise bei Instacart.

92 Prozent der Safeway-Kunden zahlten drauf

Für den gesamten Warenkorb stiegen die Preise um bis zu sieben Prozent, für manche Testkäufer im Vergleich zu anderen Testkäufern, die den gleichen Warenkorb zur Selbstabholung in derselben Filialen zusammenstellten. Getestet wurden im September Verbrauchermärkte in Seattle, Washington, D.C., Saint Paul und North Canton, zwei Filialen Safeways und drei Targets. Bei einem Safeway-Laden in Seattle waren 92 Prozent aller Testkäufer von höheren Gesamtpreisen betroffen.

Bei Target in North Canton waren es 37 Prozent, bei einer anderen Target-Filiale in Saint Paul hingegen drei Viertel. 193 Einzeltests konnten ausgewertet werden. Ein kleinerer Nachfolgetest im November mit Instacart Abholbestellungen bei den Ketten Albertsons, Costco, Kroger und Sprouts Farmers Market zeigte ähnliche Preisexperimente.

„Instacart ist immer transparent hinsichtlich Preisfestsetzung”, sagte das Unternehmen, angesprochen auf die Machenschaften, und schob die Schuld auf die Läden: „Handelspartner setzen und bestimmten ihre Preise auf Instacart, und wir arbeiten eng mit ihnen zusammen, um Online- und Ladenpreise wo immer möglich abzustimmen.”

Nur eine der Handelsketten war zu einer Stellungnahme bereit: Target bestritt, eine Geschäftsbeziehung mit Instacart zu unterhalten, Warenpreise direkt an Instacart weiterzugeben, „oder zu bestimmten, welche Preise auf Instacart aufscheinen.” Daraufhin musste Instacart zugeben, Targets öffentliche Warenpreise herunterzuladen und zusätzliche Beträge aufzuschlagen, um „Betriebs- und Technikkosten” zu decken.

Preismanipulation as a Service

So weit, das gegenüber Verbrauchern offenzulegen, geht Instacarts Transparenz dann doch nicht. Gegenüber Markenkonzernen und Handelskette redet Instacart hingegen Tacheles: Ihnen bietet Instacart auf einer eigenen Webpage „KI-getriebene Preisoptimisierung” an. Der Eversight genannte Dienst beschere durch KI-getriebene Experimente ein bis drei Prozent mehr Umsatz und zwei bis fünf Prozent höhere Marge.

Dabei würden Preise innerhalb festgelegter Bandbreiten variiert. „KI wird angewandt, um die Experimente in großem Maßstab durchzuführen”. Instacart hat die Eversight-Plattform im September 2022 zugekauft. Für Verbraucher bedeutet dies, dass sie Preise nicht mehr einfach vergleichen können und womöglich unbewusst höhere Preise zahlen.

Selbst erfundene Preise werden manipuliert

Zu den Tricks gehört auch die Manipulation der berüchtigten Statt-Preise. Die Testkäufer mussten feststellen, dass ihnen angebliche Rabatte in unterschiedlicher Höhe weisgemacht wurden. Obwohl sie zum selben Zeitpunkt dieselbe Ware zur Selbstabholung aus demselben Laden in den Online-Warenkorb Instacarts legten, und dabei der aufgerufene Preis ident war, wurden ihnen verschiedene Statt-Preise angezeigt, also unterschiedliche hohe Rabatte vorgegaukelt. Auch das macht Instacart gegenüber betroffenen Verbrauchern nicht transparent.

„Wenn Preise nicht mehr transparent sind, können Käufer beim Einkauf nicht mehr vergleichen”, kritisiert der Testbericht. „Diese zunehmend undurchsichtigen Methoden schlagen nicht nur ein Loch in die Geldbörsen der Familien. Faire und ehrliche Märkte sind das Fundament einer gesunden Wirtschaft – und Firmen wie Instacart gefährden dieses Vertrauen.”

„Endkunden ist nicht bewusst, dass sie Teil eines Experiments sind”, hieß es auf der Eversight-Webpage. Diesen Satz hat Instacart kürzlich entfernt.

(ds)

Wer nach Machine-Learning-Diensten sucht, landet schnell bei den Angeboten der US-amerikanischen Hyperscaler. Mit AWS SageMaker, Googles Vertex AI und Azure Machine Learning bieten alle drei Plattformen eine Vielzahl an Diensten und wollen so End-to-End-ML-Workflows abbilden, Dienste automatisieren oder auf der Plattform managen und alle gängigen Frameworks in ihr Cloud-Ökosystem einbinden. Dabei haben die Produktpaletten im Laufe der Jahre ein unübersichtliches Ausmaß angenommen.

AWS SageMaker: Vor- und Nachteile im Überblick

AWS könnte den perfekten Werkzeugkasten bieten, der sich genau an die spezifischen Bedürfnisse seiner Nutzer anpasst. Leider kommt die Amazon-Tochter den Nutzern in der Konfiguration in keiner Weise entgegen und lässt sie relativ allein mit dem enormen Angebot. Die diversen Tutorials, die Einsteiger unterstützen sollen, sind über verschiedene Plattformen verteilt, sodass zusätzlich zum zeitintensiven Einrichten der Workflows eine längere Recherche der korrekten Hilfen für das jeweilige Problem eingeplant werden muss. Weitere Hürden sind das für Anfänger eher verwirrende UI und die überwältigende Serverkonfiguration, die erfahrene User voraussetzt.

Geübte Nutzer finden ein konsistentes Interface vor, das sich in allen Bereichen personalisieren lässt und auch tiefere Einstellungen transparent aufbereitet.

Das war die Leseprobe unseres heise-Plus-Artikels „Machine-Learning-Dienste der Hyperscaler – ein Überblick“.
Mit einem heise-Plus-Abo können Sie den ganzen Artikel lesen.