Ein Smart Ring, ein Fragebogen, eine Nacht: ein präoperatives Schlafrisiko-Modell gelesen

Von 242 älteren Erwachsenen, die in einem einzigen chinesischen Krankenhaus auf einen geplanten Eingriff warteten, schliefen 40 – etwa eine:r von sechs – in der Nacht davor so schlecht, dass sie einen vorab festgelegten Schwellenwert für eine Schlafstörung überschritten. Diese Grundrate ist die erste Zahl, die man behalten sollte, denn sie bestimmt, wie eine eindrucksvollere Zahl weiter unten zu lesen ist. Es handelt sich um eine kleine Einzelzentrumsstudie, erschienen in JMIR Formative Research – einer Zeitschrift, deren Name selbst ein nützlicher Warnhinweis ist. Formative Forschung ist Arbeit im Frühstadium: Machbarkeit, Modellentwicklung, erste Signale. Auf dieser Stufe gelesen, ist es eine sorgfältige und ehrliche Arbeit. Als einsatzfähiges Werkzeug gelesen, ist sie nicht fertig.

Die klinische Motivation ist stichhaltig. Schlechter Schlaf vor einer Operation ist mit postoperativem Delir, langsamerer Genesung und längeren Aufenthalten assoziiert, und ältere Patient:innen – physiologisch fragiler und ein wachsender Anteil des operativen Aufkommens – trifft es am stärksten. Könnte man am Vorabend zuverlässig sagen, welche Patient:innen auf eine schlechte Nacht zusteuern, hätte man ein Zeitfenster, um etwas zu tun.

Was die Forschenden getan haben

Es ist eine prospektive Kohortenstudie, berichtet nach der TRIPOD-Leitlinie für Vorhersagemodelle – kein randomisierter Versuch, und dieser Unterschied wiegt. Jede:r der 242 Patient:innen (60 bis 80 Jahre) trug in der Nacht vor der Operation einen SRing2-Smart-Ring, der Gesamtschlafdauer, REM- (Rapid Eye Movement) und Leichtschlafdauer sowie die Zahl der Aufwachepisoden aufzeichnete. Daneben erhob das Team Standardinstrumente: die Hospital Anxiety and Depression Scale (HADS, Skala für Angst und Depression im Krankenhaus), den Pittsburgh Sleep Quality Index (PSQI, Pittsburgh-Schlafqualitätsindex), die Mini-Mental-State-Untersuchung, einen Schmerzwert und Routine-Laborwerte. Patient:innen mit einem PSQI-Wert von 7 oder höher und unter 6,5 Stunden Schlaf galten als schlafgestört. Eine logistische Regression bestimmte dann, welche Variablen dieses Etikett unabhängig vorhersagen, und das Modell wurde intern mit 1.000 Bootstrap-Resamples validiert.

Was die Evidenz belegt

Vier Prädiktoren blieben übrig. Ein höherer Angst-und-Depressions-Wert erhöhte die Chance auf eine Schlafstörung um mehr als das Dreifache (Odds Ratio 3,21; 95-%-Konfidenzintervall 1,54–6,69; P = 0,002); jede zusätzliche vom Ring erfasste Aufwachepisode tat dasselbe (OR 3,33; 1,82–6,12; P < 0,001). Mehr REM- und mehr Leichtschlaf wirkten schützend, je um wenige Prozent pro Minute (OR 0,96 bzw. 0,98). Das Modell trennte gut: eine Fläche unter der Grenzwertoptimierungskurve (AUROC – vereinfacht: wie gut es die beiden Gruppen unterscheidet) von 0,92, eine Kalibrierungskurve nahe an der Ideallinie und eine Entscheidungskurven-Analyse, die über ein breites Band an Entscheidungsschwellen einen Netto-Nutzen nahelegt. Als Beleg dafür, dass Schlafdaten aus einem Verbrauchergerät und eine kurze Angstskala zusammen echtes Vorhersagesignal tragen, hält das stand.

Was die Evidenz nicht belegt

Eine AUROC von 0,92 ist die Art Zahl, die in einer Schlagzeile landet, also lohnt sich Genauigkeit darüber, was sie bedeutet und was nicht. Sie besagt, dass das Modell die 40 von den 202 innerhalb dieses Datensatzes gut trennt. Sie besagt noch nichts darüber, wie es sich in einem anderen Krankenhaus, mit einem anderen Ring, in einer anderen Population verhielte – denn die Validierung war intern. Das Bootstrapping zieht aus denselben 242 Patient:innen; es schützt vor einer Art von Überschätzung, kann aber keine externe Kohorte ersetzen. Mit nur 40 Ereignissen als Lerngrundlage ist ein Modell mit vier Variablen zudem am Rand dessen, was die Daten ehrlich tragen, und die Leistung außerhalb der Stichprobe fällt fast immer ab.

Die tiefere Grenze ist, was vorhergesagt wird. Der Endpunkt ist kein Delir, keine Verweildauer, keine Genesung – es ist ein Etikett, zusammengesetzt aus einem Fragebogen und einem Schwellenwert für die Schlafdauer, gemessen in derselben Nacht wie die Prädiktoren. Zwei der vier Prädiktoren (Aufwachepisoden, Leichtschlafdauer) sind selbst Bestandteile schlechten Schlafs; das Modell sagt also teilweise eine Sache aus ihren eigenen Zutaten voraus. Dass ein hoher HADS-Wert mit einer schlechten Nacht einhergeht, ist klinisch glaubhaft, doch die Studie kann nicht sagen, ob ein Handeln auf die Markierung des Modells hin irgendetwas verändert, das nach dem Schnitt geschieht. Niemand wurde weiterverfolgt.

Warum das hier zählt

Für eine europäische Leserin liegt der Reiz auf der Hand: ein Verbraucher-Wearable plus eine fünfminütige Skala ist günstig, und präoperative Angst wie Schlaf sind tatsächlich unterversorgt. Die Autor:innen bleiben angemessen zurückhaltend – sie fordern externe Validierung und längsschnittliche Nachbeobachtung und schlagen einfache Maßnahmen vor (Schlafhygiene, Anwesenheit der Familie, verhaltenstherapeutische Techniken) statt einer Blackbox. Das ist die richtige Haltung. Ein solches Modell verdient klinisches Vertrauen erst durch drei Dinge, die es noch nicht hat: Validierung in einer unabhängigen Kohorte, eine Verbindung zu einem Endpunkt, der bei den Patient:innen ankommt, und die regulatorische Einordnung, die jede Software verlangt, die eine klinische Entscheidung lenkt, gemäß der Medizinprodukteverordnung (MDR). Bis dahin ist es ein vielversprechendes Signal aus einer Nacht in einem Krankenhaus – und genau das soll eine formative Studie sein.

Quelle: Li J, Yang B, Gao P, et al. Predictive Modeling of Preoperative Sleep Disorder Risk in Older Adults by Using Data From Wearable Monitoring Devices: Prospective Cohort Study. JMIR Formative Research 2026;10:e79008. Eine prospektive Einzelzentrums-Kohorten- und Modellentwicklungsstudie mit ausschließlich interner Validierung, die ein per Fragebogen definiertes Schlaf-Etikett vorhersagt und keinen postoperativen Verlauf; von den Autor:innen ohne Interessenkonflikt berichtet.