Multimodale „Digitale Neuro-Fingerprints“: Ein neues Konzept zur Präzisions-Neurologie bei Demenzen

In einer wegweisenden Übersichtsarbeit, die am 12. Januar 2026 in Frontiers in Digital Health erschienen ist (DOI: 10.3389/fdgth.2025.12727707), schlagen Ioannis Tamanas, Azizi Seixas, Arzu Çöktelin und Kollegen ein neuartiges Konzept vor: die Integration multimodaler digitaler Biomarker zu sogenannten „Digital Neuro Fingerprints“ (DNF). Ziel ist es, die derzeitige symptom- und stadienbasierte Demenz-Diagnostik und -Therapie durch eine datengetriebene, individualisierte Präzisions-Neurologie zu ersetzen – mit dem Anspruch, „die richtige Behandlung zum richtigen Zeitpunkt für den richtigen Patienten“ zu ermöglichen.

Ausgangslage: Warum die aktuelle Demenz-Diagnostik an ihre Grenzen stößt

Die Autoren gehen von drei zentralen Problemen aus:

1. Heterogenität der Alzheimer-Krankheit (AD) und verwandter Demenzen
   AD ist keine einheitliche Erkrankung, sondern ein Spektrum mit unterschiedlichen neuropathologischen Subtypen (Amyloid-?-dominant, Tau-dominant, Mischformen mit vaskulärer Komponente, Synucleinopathie-Überlagerung etc.). Klinische Symptome korrelieren nur mäßig mit der zugrunde liegenden Pathologie.
2. Reaktive statt präventiver Medizin
   Die meisten Biomarker (CSF-A?42/A?40, p-tau181, p-tau217, NfL, Amyloid-PET, Tau-PET) werden erst eingesetzt, wenn bereits deutliche kognitive Beeinträchtigungen vorliegen. Zu diesem Zeitpunkt ist die Neurodegeneration oft irreversibel fortgeschritten.
3. Fehlende kontinuierliche, kostengünstige und nicht-invasive Monitoring-Möglichkeiten
   Aktuelle Biomarker sind entweder invasiv (Lumbalpunktion), teuer (PET), oder nur einmalig verfügbar. Es fehlt an wiederholbaren, niedrigschwelligen Verfahren, die den Krankheitsverlauf in Echtzeit abbilden.

Das Konzept: Digital Neuro Fingerprint (DNF)

Die Autoren schlagen vor, eine neue Klasse von Biomarkern zu schaffen – „Digitale Neuro-Fingerprints“ –, die folgende Merkmale vereinen:

• Multimodal
  Kombination aus kontinuierlichen digitalen Datenquellen:
• Smartwatch-/Smartphone-Sensoren (Ganganalyse, Schlaf, Aktivitätsmuster, Sprach- und Tastaturverhalten)
• Augenbewegungen (Saccaden, Fixationen, Pupillometrie)
• Sprachanalyse (Prosodie, Pausen, lexikalische Vielfalt, semantische Kohärenz)
• Kognitive Smartphone-Tests (z. B. Digital Cognitive Assessments)
• Optional: passiver Monitoring von Herzfrequenzvariabilität, Schlafarchitektur, sozialer Interaktion
• Kontinuierlich und passiv
  Keine aktive Testung erforderlich – Daten werden im Alltag gesammelt („digitaler Lebensstil-Biomarker“).
• KI-gestützt und individualisiert
  Die Daten werden durch multimodale maschinelle Lernmodelle (z. B. Transformer-Architekturen, Graph Neural Networks) zu einem patientenspezifischen „Fingerprint“ verdichtet. Dieser Fingerprint soll nicht nur das Vorliegen einer Demenz anzeigen, sondern auch:
• Subtyp (Amyloid vs. Tau vs. vaskulär vs. Mischform)
• Aktuelle Krankheitsstufe (Preclinical ? MCI ? Demenz)
• Progressionsgeschwindigkeit
• Therapieansprechen (z. B. auf Lecanemab, Donanemab, Anti-Tau-Therapien)
• Früherkennung und Prävention
  Ziel ist eine Verschiebung der Diagnose um 5–15 Jahre nach vorne – in die präklinische Phase („Stage 1–2“ nach NIA-AA-Kriterien 2024), wo Interventionen noch neuroprotektiv wirken können.

Warum gerade jetzt? Technologische Reife und klinische Dringlichkeit

Die Autoren nennen drei parallele Entwicklungen, die das Konzept erst jetzt realistisch machen:

1. Technologische Reife

• Hochauflösende Wearables (Apple Watch Ultra 2, Oura Ring Gen 4, Whoop 5.0, Samsung Galaxy Watch 7) liefern zuverlässige Gang-, Schlaf- und Herzdaten
• Smartphone-basierte kognitive Tests (Creyos, Linus Health, BrainCheck) erreichen Sensitivitäten von 85–92 % für MCI
• Sprach- und Augenbewegungsanalyse durch KI (Google Health, Ellipsis Health, BioEye) ist klinisch validiert
• Multimodale Foundation Models (z. B. Med-PaLM M, BioMedGPT) können heterogene Datenströme integrieren

1. Klinische Dringlichkeit
   Mit Lecanemab (Leqembi) und Donanemab (Kisunla) stehen erstmals krankheitsmodifizierende Therapien zur Verfügung – allerdings nur in sehr frühen Stadien (MCI oder milder AD mit Amyloid-Nachweis). Je später die Diagnose, desto geringer der Nutzen.
2. Regulatorischer Rückenwind
   FDA und EMA haben 2025/26 mehrere digitale Biomarker als „Drug Development Tools“ qualifiziert (z. B. Speech-Marker für AD, digitale Ganganalyse). Die EU AI Act (2024) und die FDA AI/ML Action Plan (2025) schaffen klare regulatorische Pfade.

Praktische Umsetzung: Der vorgeschlagene „DNF-Toolbox“-Prototyp

Die Autoren skizzieren einen möglichen Prototyp:

1. Datenerhebung

• Passiv: Smartphone (Tastaturverhalten, Sprachsamples, Bewegungssensoren), Smartwatch (Schlaf, HRV, Gang)
• Aktiv: Monatliche 5-minütige kognitive App-Tests

1. Feature-Extraktion

• Sprachanalyse: Prosodie, Pausen, lexikalische Vielfalt, semantische Kohärenz
• Ganganalyse: Gangvariabilität, Doppelschrittzeit, Schrittlänge
• Kognitive Marker: Reaktionszeit, Arbeitsgedächtnis, episodisches Gedächtnis

1. Integration zu DNF
   Multimodales Modell (z. B. Multimodal Transformer) erstellt einen patientenspezifischen Vektor („Digital Neuro Fingerprint“), der mit longitudinalen Referenzdaten verglichen wird.
2. Klinische Entscheidungsunterstützung

• Risiko-Score (0–100) für AD-Progression in den nächsten 2–5 Jahren
• Subtyp-Wahrscheinlichkeit (Amyloid-dominant vs. vaskulär vs. Tau-dominant)
• Therapieempfehlung (z. B. „hohe Wahrscheinlichkeit für Lecanemab-Ansprechen“)

Herausforderungen und Limitationen

Die Autoren nennen selbstkritisch mehrere Hürden:

• Datenschutz und Ethik
  Kontinuierliches Passiv-Monitoring erfordert höchste Datensicherheit (GDPR, HIPAA).
  Gefahr der Diskriminierung bei fehlerhaften Modellen.
• Validität und Generalisierbarkeit
  Aktuelle Modelle sind oft auf weiße, gebildete Kohorten trainiert.
  Kulturelle Unterschiede in Sprache und Verhalten werden unterschätzt.
• Kosten und Zugang
  Wearables und Smartphones sind nicht überall verfügbar.
  Die Technologie darf nicht nur Eliten zugutekommen.
• Regulatorische Hürden
  Ein DNF als Companion Diagnostic oder Drug Development Tool muss vollständig validiert werden – ein Prozess, der 5–10 Jahre dauern kann.

Fazit und Ausblick

Die Arbeit von Tamanas et al. ist ein mutiger Entwurf für die Zukunft der Demenzmedizin: Weg von der reaktiven, symptomorientierten Diagnostik hin zu einer kontinuierlichen, datengetriebenen Präzisions-Neurologie. Wenn sich die Technologie bewährt, könnte sie die Diagnose um 5–10 Jahre nach vorne verlagern – in eine Phase, in der krankheitsmodifizierende Therapien noch wirken können.

Ob und wann „Digital Neuro Fingerprints“ Realität werden, hängt von drei Faktoren ab:

1. Technische Validierung in großen, diversen Kohorten
2. Regulatorische Anerkennung als Biomarker-Tool
3. Gesellschaftliche Akzeptanz von kontinuierlichem digitalem Monitoring

Bis dahin bleibt der Ansatz eine vielversprechende Vision – aber eine, die näher an der klinischen Realität ist als je zuvor.