MÜNCHEN / LONDON (IT BOLTWISE) – Eine neue Studie untersucht, ob KI Bluthochdruck und Diabetes allein aus kurzen Gesichtsvideos erkennen kann. Für Bluthochdruck werden bereits aus 5 Sekunden mehr als 90 % Genauigkeit berichtet, für Diabetes aus 5 Sekunden mehr als 80 %. Der Ansatz arbeitet kontaktlos und ohne Manschette, Blutentnahme oder Praxisbesuch. Damit rückt eine skalierbare Vorsorge-Früherkennung in den Fokus, die bisherige Screening-Setups ergänzen könnte.
KI-Diagnose von Bluthochdruck und Diabetes aus 5-Sekunden-Face-Videos (Foto: IT BOLTWISE)
🧠 KI & Robotik auf Google News abonnieren
Wenn Diagnostik so schnell und so kontaktlos wie möglich wird, verschiebt sich auch der “Ort” der Früherkennung. Genau daran knüpft eine Studie an, die auf dem ESC Congress 2026 in München vorgestellt werden soll: Sie testet, ob ein Machine-Learning-Algorithmus Bluthochdruck (Hypertension) und Diabetes anhand von Videoaufnahmen des Gesichts erkennen kann. Laut den Angaben im Studiensetup reichen dafür kurze Sequenzen; insbesondere werden Ergebnisse für 5 Sekunden berichtet, was für Screening-Szenarien in Alltagssituationen deutlich weniger Hürde bedeutet als ein zeitintensiver Kliniktermin oder die Nutzung spezieller Wearables.
Technisch basiert das Verfahren nicht auf “normalen” Gesichtsvideos mit reiner Bildinformation, sondern auf einer spektroskopischen Kamera, die zusätzlich zur visuellen Struktur auch Strahlungs- bzw. Spektralmerkmale erfasst. In der Studie durchliefen insgesamt 215 Teilnehmende ein prospektives Single-Centre-Design, darunter sowohl bereits diagnostizierte Patientinnen und Patienten als auch gesunde Freiwillige. Jede Person wurde mit einer kurzen, hochfrequenten Videoaufnahme von Gesicht und Handflächen aufgenommen. Aus diesen Sequenzen extrahiert das Modell Merkmale der Pulswellen-Dynamik (als Proxy für die Steifigkeit der Arterien), Muster der Hautdurchblutung sowie spektrale Kennwerte der Hautfärbung. Entscheidend ist: Parallel dazu gab es konventionelle Untersuchungen, mit denen Hypertension und Diabetes als Referenz identifiziert wurden.
Im bestehenden, bereits veröffentlichten Teil der Forschung zeigt sich die Grundlage für die Hypertension-Erkennung: Demnach konnte der Algorithmus Bluthochdruck mit 95,0 % Genauigkeit aus einer 30-Sekunden-Aufnahme erkennen, basierend auf einer Pulse-Wave-Analyse unter Einbezug sowohl von Gesichts- als auch Handflächenvideo. Die Sensitivität für “normale” Blutdruckwerte wird dabei mit 100,0 % angegeben, während die Sensitivität für Hypertension bei 89,2 % lag. In der neuen Betrachtung wird die Videolänge reduziert, und auch dann bleibt die Leistung hoch: Für die Erkennung wird aus 5 Sekunden eine Genauigkeit von 90,3 % genannt. In praktischer Hinsicht heißt das: Je kürzer das Zeitfenster, desto stärker müssen die erfassten physiologischen Muster in Echtzeit “tragfähig” sein, und genau diese Robustheit wird hier adressiert.
Neu ist die Erweiterung um Diabetes-Erkennung über Gesichtsdaten: Laut den Ergebnissen basiert dies auf Gesichtsdurchblutungs- bzw. Blutflussmustern. Für Diabetes werden ähnlich hohe Werte berichtet, allerdings ebenfalls abgestuft nach Videolänge: 88,2 % Genauigkeit aus einer 30-Sekunden-Aufnahme und 81,2 % aus 5 Sekunden. Besonders interessant für die Systemarchitektur ist zudem, dass das Modell den Blutdruck sogar aus dem Gesichtsvideo allein schätzen kann – ohne Manschette. Dafür wird eine mittlere absolute prozentuale Abweichung (mean absolute percentage error) für den systolischen Blutdruck (SBP) von 8,6 % genannt. Der mittlere Fehler für SBP liegt bei ±2,6 mmHg und damit innerhalb eines AAMI-Kriteriums von ±5,0 mmHg; gleichzeitig wird die Standardabweichung mit ±12,0 mmHg angegeben, womit eine strengere AAMI-Grenze von ±8,0 mmHg verfehlt wird. Diese Trennung zwischen mittlerer Abweichung und Streuung ist für die spätere Produktisierung zentral, weil sie die Frage beantwortet, ob ein System bei “typischen” Fällen gut passt oder ob es in Randsegmenten zu ungleichmäßigen Fehlern neigt.
Wie der Schritt von der Labor-Performance zur Alltagstauglichkeit gelingen soll, adressiert auch die wissenschaftliche Präsentation. Ms Ryoko Uchida wird mit den Worten zitiert: „We aimed to develop an AI algorithm that enables contactless screening in everyday environments to detect common conditions earlier and at scale.“ In der Schlussfolgerung heißt es außerdem: „Our machine-learning algorithm accurately detected hypertension and diabetes from facial spectroscopic video recordings as short as 5 seconds. We intend to validate these findings in larger cohorts across more diverse populations to support real-world application. If validated, this contactless approach could allow people to be screened in everyday settings – without cuffs, blood sampling or a dedicated clinic visit – helping to identify at-risk individuals who would otherwise remain undiagnosed and therefore untreated.“ Technisch betrachtet stehen als nächstes vor allem größere, multizentrische Datensätze und eine Optimierung der Features im Vordergrund, um die Variabilität bei der Blutdruckschätzung zu reduzieren – genau dort, wo die Standardabweichung aktuell über der strengeren AAMI-Kriteriumsgrenze liegt.
Auch aus Markt- und Industry-Perspektive ist das Setup bemerkenswert, weil es die klassische Hürde für Screening senkt: Wenn ein kontaktloses Verfahren funktioniert, wird der Zugang zu Vorsorge potenziell breiter, etwa außerhalb von Kliniken oder spezialisierten Messstationen. Associate Professor Nico Bruining ordnet das als digitalen Präventionshebel ein: „It is remarkable that AI-supported technologies are enabling the development of such powerful tools for early disease prevention, “ sagt er, und ergänzt: „Because this approach is quick, easy and contactless, it could be used in many settings beyond hospitals, giving it the potential to reach far more people than traditional screening methods. Detecting these conditions early means treatment and lifestyle changes can start sooner, helping to prevent heart attacks, strokes and other cardiovascular diseases.“ Für Organisationen bedeutet das vor allem eine neue Rolle für KI-gestützte Frontend-Workflows: Nicht “KI statt Medizin”, sondern KI als schnelle Vorstufe, die Menschen mit erhöhtem Risiko identifiziert und damit weitere Abklärung gezielt priorisiert. Der nächste Realitätscheck findet in größerer Diversität der Kohorten statt – denn erst wenn die Trainings- und Testdaten robuste Abdeckung in Alter, Hauttönen, Lebensstilen und Gerätekonfigurationen bieten, lassen sich Aussagen über die tatsächliche Skalierbarkeit seriös treffen.
Parallel werden die neuesten Entwicklungen im Bereich KI und kardiovaskuläre Versorgung beim ESC Digital & AI Summit diskutiert, der vom 12.–13. November 2026 in Basel stattfindet. Damit kommt das Thema auch in den Kontext von Digital-Health-Architekturen, in denen KI nicht als Einzelmodell betrachtet wird, sondern als Teil eines Ökosystems aus Messung, Datenqualität, Modellmonitoring und klinischer Entscheidungsunterstützung. Für die weitere Entwicklung bleibt entscheidend, dass die gemeldeten Genauigkeitswerte nicht nur “auf dem Papier” überzeugen, sondern sich in echten Screening-Umgebungen mit kontrollierter und nicht kontrollierter Beleuchtung, unterschiedlicher Kamerapositionierung sowie variierender Nutzungsdauer reproduzieren lassen. Genau dort entscheidet sich, ob aus einer vielversprechenden Demonstration ein Verfahren wird, das in der Breite Nutzen stiftet.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
Ergänzungen und Infos bitte an die Redaktion per eMail an de-info[at]it-boltwise.de. Da wir bei KI-erzeugten News und Inhalten selten auftretende KI-Halluzinationen nicht ausschließen können, bitten wir Sie bei Falschangaben und Fehlinformationen uns via eMail zu kontaktieren und zu informieren. Bitte vergessen Sie nicht in der eMail die Artikel-Headline zu nennen: „KI-Diagnose von Bluthochdruck und Diabetes aus 5-Sekunden-Face-Videos“.