Patient:innen mit hämatologischen Erkrankungen wie myelodysplastischen Neoplasien (MDS), akuter myeloischer Leukämie (AML) oder in der Genesung nach Chemotherapie benötigen eine engmaschige Überwachung ihres Hämoglobinspiegels (Hb), um den Bedarf an Bluttransfusionen zu beurteilen. Dies erfolgt in der Regel durch invasive Blutabnahmen – ein- bis zweimal pro Woche – und erfordert häufige Krankenhausbesuche. Diese Termine sind nicht nur zeitintensiv, sondern stellen auch eine erhebliche Belastung für die Patient:innen dar – physisch, organisatorisch und psychisch.

Trotz technologischer Fortschritte existiert bislang keine zuverlässige, nicht-invasive Lösung, mit der sich der Hämoglobinspiegel von zu Hause aus genau bestimmen lässt. Diese Versorgungslücke beeinträchtigt die Lebensqualität der Betroffenen erheblich – insbesondere jener, die bereits mit schweren gesundheitlichen Einschränkungen zu kämpfen haben.

Im Rahmen einer Machbarkeitsstudie arbeiteten wir eng mit Ärzt:innen und Forscher:innen des Universitätsklinikums Leipzig zusammen, um die Entwicklung einer nicht-invasiven Lösung zur Hämoglobinüberwachung zu erproben. Der Ansatz basierte auf der Schätzung des Hb-Wertes anhand von Fotografien der Fingernägel und des Augenlids der Patient:innen, ergänzt durch klinischen Kontext und vorhandene Patientendaten.

Während des Projekts standen wir im kontinuierlichen Austausch mit medizinischen Expert:innen, um die klinischen Abläufe, Auswertungsbedarfe und Lebensrealitäten der Patient:innen besser zu verstehen. Gemeinsam verfeinerten wir iterativ die Datenverarbeitung und untersuchten, wie bestehende Signale besser genutzt werden könnten, um eine praxistaugliche, präzisere Überwachung zu ermöglichen. Diese enge Verzahnung von technischer Entwicklung und klinischem Feedback stellte sicher, dass die Lösung praxisnah und medizinisch relevant bleibt.

Wir konnten die Vorhersagegenauigkeit des bestehenden ML-Modells deutlich verbessern, die Fehlertoleranzen reduzieren und neue Entwicklungspfade aufzeigen – darunter strukturiertere Datenerfassung und weiterentwickelte ML-Methoden.

Die Studie zeigte auch, dass sich physiologische Daten sinnvoll mit Lebensqualitätswerten der Patient:innen kombinieren lassen, um personalisiertere und effizientere Transfusionsstrategien zu ermöglichen. Die klinische Projektgruppe bewertete die Ergebnisse als äußerst vielversprechend. Sie bilden eine belastbare Grundlage für weiterführende Forschung und Entwicklung. Der nächste Schritt ist, daraus ein klinisch einsetzbares Diagnostik-Tool zu entwickeln, das die patientenzentrierte Versorgung verbessert und gleichzeitig die Notwendigkeit regelmäßiger Krankenhausbesuche reduziert.