Eine Smartwatch zählt Schritte, misst den Puls und protokolliert Schlafphasen. Google will aus diesen einzelnen Messwerten nun ein deutlich allgemeineres Bild ableiten. Mit SensorFM stellt der Konzern ein Forschungsmodell vor, das auf mehr als einer Billion Minuten von Wearable-Signalen vortrainiert wurde. Das klingt nach einer Rekordzahl, ist aber vor allem ein Hinweis auf eine Richtungsänderung: Aus vielen einzelnen Gesundheitsfunktionen könnte eine gemeinsame KI-Schicht werden.
Für Nutzer ist das eine interessante, aber heikle Perspektive. Die Technik könnte Hinweise aus längeren Verläufen besser zusammenführen als die üblichen Tageswerte in einer App. Zugleich werden Daten über Bewegung, Schlaf und körperliche Reaktionen damit noch wertvoller – und sensibler. SensorFM ist deshalb weniger eine fertige Gesundheitsfunktion als ein guter Anlass, über die nächste Stufe der Wearables nachzudenken.
Das Wichtigste in Kürze
- Google hat SensorFM mit Daten von fünf Millionen einwilligenden Teilnehmern und mehr als einer Billion Minuten Wearable-Signalen vortrainiert.
- Das Modell soll Muster für Herz-Kreislauf, Stoffwechsel, Schlaf und psychische Gesundheit auf einer gemeinsamen technischen Grundlage erkennen.
- Die Resultate stammen aus Forschung und Modelltests; sie ersetzen weder Diagnose noch ärztliche Behandlung.
- Gerade weil kontinuierliche Sensordaten sehr persönlich sind, reicht eine bloße Entfernung von Namen als Datenschutzkonzept nicht aus.
Vom Schrittzähler zum allgemeinen Modell
Bisher entstehen viele Funktionen von Fitness-Trackern für einen eng umrissenen Zweck: ein Algorithmus für Schlaf, einer für Aktivität, ein weiterer für eine bestimmte Herzfrequenz-Auswertung. SensorFM verfolgt ein anderes Prinzip, das man von Sprachmodellen kennt. Das Modell lernt zunächst allgemeine Regelmäßigkeiten aus sehr vielen Rohdaten und wird erst anschließend auf konkrete Aufgaben angepasst.
Google zufolge stammen die Trainingsdaten aus dem Zeitraum September 2024 bis September 2025. Verwendet wurden de-identifizierte Daten von Personen, die einer Nutzung für Gesundheits- und Wellnessforschung zugestimmt hatten. Erfasst wurden Signale aus fünf Sensortypen: optische Pulsmessung, Beschleunigung, Hautleitfähigkeit, Hauttemperatur und Höhenmessung. Daraus entstehen beispielsweise Angaben zu Herzfrequenz und deren Variabilität, Blutsauerstoff, Bewegung, Schlaf und Schritten.
Die Größe allein ist nicht der entscheidende Punkt. Ein Modell, das unterschiedliche Signale über längere Zeit gemeinsam betrachtet, kann theoretisch Zusammenhänge erkennen, die in einer einzelnen Nacht oder einem einzelnen Pulsmittelwert verborgen bleiben. Google testete SensorFM bei 35 Vorhersageaufgaben aus den Bereichen Herz-Kreislauf, Stoffwechsel, Schlaf, psychische Gesundheit und Lebensstil. Nach Angaben der Autoren übertraf die Repräsentation bei 34 dieser Aufgaben eine konventionelle, von Hand konstruierte Vergleichsmethode.
Das ist ein Forschungsbefund, keine pauschale Qualitätsgarantie für künftige Uhren oder Apps. Vergleichswerte hängen stark davon ab, welche Daten, Zielgrößen und Testgruppen gewählt wurden. Gerade bei psychischer Gesundheit ist der Abstand zwischen einem statistischen Muster und einer belastbaren individuellen Aussage groß. Wer aus einer Uhr einen ärztlichen Befund ableitet, verlangt von ihr etwas, das diese Studie nicht verspricht.
Warum fehlende Daten zum Normalfall gehören
Interessant ist an SensorFM auch der Umgang mit Lücken. Wearables liefern keine lückenlosen Messreihen: Man lädt die Uhr, nimmt sie nachts ab, Sensoren arbeiten zeitweise nicht oder einzelne Werte sind unzuverlässig. Klassische Verfahren füllen solche Leerstellen oft rechnerisch auf oder verwerfen betroffene Abschnitte. Beides kann Verzerrungen erzeugen.
Google beschreibt SensorFM dagegen als fehlertolerantes Modell. Es lernt, dass fehlende Messungen Teil der Wirklichkeit sind, statt sie nur als Störfall zu behandeln. Das ist praktisch relevant: Ein Gesundheitscoach ist kaum nützlich, wenn er schon an einem vergessenen Ladevorgang scheitert. Dennoch löst das kein Grundproblem. Ein Modell kann nur das einordnen, was ein Sensor misst – und nicht automatisch Ernährung, Medikamente, akute Beschwerden oder die Lebensumstände einer Person verstehen.
Die Forscher kombinierten die Modellvorhersagen außerdem mit einem KI-gestützten Gesundheitsassistenten. In einer Bewertung von Zusammenfassungen für 31 reale Teilnehmerprofile beurteilten Fachleute Antworten mit SensorFM-Informationen besser als Antworten, die nur auf Tageswerten und Demografie beruhten. Das Ergebnis ist ermutigend, aber klein genug, um es nüchtern zu lesen: Es zeigt Potenzial für bessere Einordnung, nicht die klinische Reife eines universellen digitalen Arztes.
Die eigentliche Frage ist nicht nur technische
Je besser Wearables Gesundheitsdaten deuten, desto höher wird ihr Nutzen – und desto anspruchsvoller wird der Umgang mit den Daten. Bei SensorFM geht es nicht um einen anonymen Fragebogen, sondern um fortlaufende körperliche und verhaltensbezogene Spuren. Google betont, die Trainingsdaten seien de-identifiziert und mit Einwilligung genutzt worden. Das ist wichtig, beantwortet aber nicht jede Datenschutzfrage für künftige Produkte, Weitergaben oder Auswertungen.
Eine aktuelle Analyse in PLOS Digital Health warnt, dass hochaufgelöste Bewegungsdaten selbst ohne direkte Kennungen wiedererkennbar sein können. Die Autoren verweisen auf Studien, in denen ein Tag Beschleunigungsdaten Personen mit hoher Trefferquote zugeordnet werden konnte. Auch wenige Schritte können als biometrisches Muster wirken. Daraus folgt nicht, dass SensorFM einzelne Menschen identifiziert. Es zeigt aber, warum die Formel „anonymisiert, also harmlos“ bei Wearable-Daten zu kurz greift.
Für Anbieter bedeutet das: Einwilligung muss verständlich erklären, welche Sensorwerte wofür verarbeitet werden. Nutzer brauchen echte Auswahlmöglichkeiten, getrennte Zwecke und möglichst sparsame Datenerhebung. Für besonders sensible Auswertungen wären lokale Verarbeitung, grobere Aggregation und kontrollierter Zugriff auf Forschungsdaten sinnvolle zusätzliche Schutzschichten. Technischer Fortschritt und Datenschutz sind hier keine Gegensätze; Vertrauen ist eine Voraussetzung dafür, dass Menschen solche Werkzeuge überhaupt nutzen.
Fazit: Ein Versprechen, das sich erst beweisen muss
SensorFM zeigt, wohin die Reise bei Smartwatches und Fitness-Trackern geht: weg von vielen isolierten Scores, hin zu einer KI, die Signale über längere Zeit miteinander verknüpft. Das kann Gesundheitsinformationen verständlicher und individueller machen, besonders wenn Daten lückenhaft sind und viele mögliche Zusammenhänge berücksichtigt werden müssen.
Der Abstand zwischen einem überzeugenden Forschungsmodell und einem verantwortungsvollen Gesundheitsprodukt bleibt jedoch groß. Vor einer breiten Nutzung sind unabhängige klinische Prüfungen, klare Grenzen für Empfehlungen und belastbare Datenschutzregeln wichtiger als der nächste Rekord bei Trainingsminuten. Für Nutzer ist die vernünftige Haltung deshalb weder Technikbegeisterung noch Ablehnung: Wearable-KI kann ein nützliches Orientierungsmittel werden – aber kein Ersatz für medizinische Expertise und keine Blankovollmacht für den Umgang mit persönlichen Körperdaten.