Vokale Biomarker: Gesundheits-Screening anhand von Stimme und Husten

Sprache und Husten tragen Signale zu Stimmung, Kognition, Motorik sowie Lungen- und Herzfunktion. Modelle extrahieren akustische und paralinguistische Merkmale (oder gelernte Embeddings) aus einer kurzen Aufnahme und schätzen die Wahrscheinlichkeit einer Erkrankung oder einer Veränderung gegenüber der eigenen Ausgangslage des Patienten. Eingesetzt wird das als kostengünstige Screening- und Überwachungshilfe in Telemedizin und Primärversorgung. In der EU ist es ein Medizin- produkt (MDR) und nach der KI-Verordnung ein Hochrisiko-System; es unterstützt Ärztinnen und Ärzte und diagnostiziert nicht allein.

Problem & Nutzen

• Heute: Das Screening auf Depression und Angststörungen stützt sich auf Fragebögen (PHQ-9, GAD-7), die übersprungen oder unzuverlässig beantwortet werden; kognitiver Abbau und Parkinson werden spät erkannt; die Verschlechterung von Atemwegs- und Herzinsuffizienz-Erkrankungen fällt erst bei schweren Symptomen auf. Fachärztliche Beurteilung ist knapp.
• KI-Nutzen: Eine 25-sekündige Sprachprobe braucht keine Hardware und lässt sich oft wiederholen, sie eignet sich daher für Fernüberwachung und gesprächsbasiertes Screening. Der Hustenklang ist ein objektives, günstiges Signal für TB- und Atemwegs-Triage in ressourcenarmen Regionen.
• Evidenzniveau (nüchtern betrachtet): Die größte begutachtete Depressionsstudie (Kintsugi, Annals of Family Medicine 2025, rund 14.000 Erwachsene aus USA/Kanada, selbstberichteter PHQ-9 >= 10 als Referenz) berichtete eine Sensitivität von 71,3 % und eine Spezifität von 73,5 % [1]. Das ist eine Screening-Hilfe, kein Diagnosetest, und der Referenzstandard war ein Fragebogen, kein ärztliches Urteil. Ein systematischer Review von 2025 kommt zu ähnlichen Schlüssen bei Heterogenität und Verallgemeinerbarkeit [2].

Varianten

• Screening auf Depression und Angststörungen in der Primärversorgung, Telepsychiatrie und Mitarbeiterberatungsprogrammen (beachten Sie die Grenzen nach Art. 5 weiter unten).
• Kognitiver Abbau (Sprachflüssigkeit, Pausen, lexikalische Merkmale) aus klinischen oder häuslichen Aufgaben.
• Überwachung bei Parkinson und neurologischen Erkrankungen (Stimmtremor, Hypophonie, Artikulation).
• Atemwege: Hustenklassifikation für COPD, Asthma, Pneumonie, Modelle aus der COVID-19-Zeit, TB-Triage.
• Herzinsuffizienz: Veränderungen von Stimme und Atmung als Frühsignal einer Dekompensation (siehe HLTH-007).
• Nutzung durch Versicherer und im Wellness-Bereich: Gesundheitsrisikobewertung aus der Stimme ist rechtlich und ethisch heikel (siehe Risiken).
• Private Nutzung: Verbraucher-Wellness-Apps; nur Wellness-Aussagen ohne medizinischen Zweck umgehen die MDR, und die Grenze ist schmal.

So funktioniert es

1. Einwilligung
2. Aufnahme (App / Telemedizin-Gespräch / IVR, feste Aufgabe oder freie Sprache)
3. Qualitätsprüfung (SNR, Übersteuerung, Dauer, Sprache, Gerät)
4. Vorverarbeitung (VAD, Entrauschen, Segmentierung; optional ASR-Transkript)
5. Merkmale: akustische Deskriptoren im Stil von openSMILE | selbstüberwachte Embeddings (wav2vec 2.0 / HuBERT / Whisper-Encoder / HeAR) + linguistische Merkmale aus dem Transkript
6. Klassifikator oder Regressor je Erkrankung, kalibriert; Drift-Modell der persönlichen Ausgangslage für den Längsschnitt
7. Bericht mit Unsicherheit und Option zur Enthaltung
8. Prüfung durch Ärztin/Arzt
9. Bestätigungstest (PHQ-9, Spirometrie, Labor)
10. Behandlungsentscheidung

• Kernkomponenten: ein Qualitäts-Gate (die meisten Fehler sind schlechtes Audio), ein Sprach- oder Audio-Foundation-Modell für Embeddings, ein kleiner überwachter Kopf, trainiert auf klinisch gelabelten Aufnahmen, sowie Kalibrierung je Sprache, Akzent, Alter und Gerät.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Ausgabe ist ein Hinweis für Ärztin, Arzt oder Behandlungsteam; jede Diagnose-, Therapie- oder Sicherheitsentscheidung (z. B. Suizidalität) trifft ein Mensch mit definiertem Eskalationsweg.

Datenaufbereitung

Die Daten sind kurze Sprach- oder Hustenaufnahmen, Geräte- und Rauschmetadaten sowie klinische Referenzlabels (PHQ-9, MoCA, Spirometrie, NT-proBNP) plus Einwilligungsnachweise. Aufnahmen stammen von Smartphones, aus Telemedizin-Gesprächen oder IVR; Labels liegen in der EHR, in Studiendatenbanken oder auf Papierfragebögen. Typische Lücken: wenige gelabelte Proben je Erkrankung, unterschiedliche Mikrofone und Störgeräusche, unausgewogene Kohorten, fehlende demografische Vielfalt (Dialekte, Alter, Sprachen), verspätete oder uneinheitliche Labels und die Stimme als von Natur aus identifizierendes biometrisches Datum.

Schritte der Aufbereitung: Einwilligung und Zweck je Aufnahme festlegen (PREP-025); das Aufnahmeprotokoll standardisieren (Aufgabe, Länge, Qualitätsprüfung); Labels aus vorhandenen klinischen Unterlagen gewinnen (PREP-020); mit Ärztinnen und Ärzten einen zurückgehaltenen Evaluationsdatensatz je Gerät und Untergruppe aufbauen (PREP-018); Audio und Metadaten pseudonymisieren (PREP-022); mit einem lokalen ASR wie Whisper transkribieren, wo Textmerkmale genutzt werden (DATA-003). Werkzeuge: librosa oder openSMILE für Merkmale, Audio-Foundation-Modelle, Label Studio für die Annotation. Grober Aufwand: 60 bis 70 Prozent des Projekts; bei gekauften Produkten besteht der Anteil des Betreibers überwiegend aus Einwilligungsabläufen und Integration, etwa 20 Prozent.

Umsetzungswege

Welcher Weg für wen

• Enterprise (A): Das Screening mit vokalen Biomarkern ist eine Medizinprodukt-Funktion; Leistungserbringer und Kliniken sollten CE-gekennzeichnete, klinisch validierte Produkte kaufen, statt eigene Modelle zu validieren.
• Developer (C): Offene Audiomodelle und kleine Klassifikatoren auf bescheidener Hardware (HW1) erlauben es, mit eigenen Aufnahmen zu trainieren und zu validieren; das ist der Weg zur eigenen Produktzertifizierung.
• Public (A): Öffentliche Gesundheitsdienste und gesetzliche Krankenkassen sollten nur zertifizierte Produkte mit EU-Hosting einsetzen; Eigenentwicklungen ergeben nur im Forschungsumfeld mit Ethikvotum Sinn.

Weg A — Kaufen (Standardsoftware)

• Anbieter vokaler Biomarker: Sonde Health (USA), Canary Speech (USA), Ellipsis Health (USA), Kintsugi (USA, Depression), Winterlight Labs (Kanada, Kognition), Hyfe (Hustenerfassung), Swaasa (Indien, Husten und Atemwege). Mit Sitz in der EU: audEERING (Deutschland, Audio-KI und openSMILE), ki:elements (Deutschland, Sprachanalytik für Gesundheit und Neurologie) sowie akademische Ausgründungen. Der Zulassungsstatus unterscheidet sich je Produkt und Markt; verlangen Sie das CE-Zertifikat (MDR-Klasse, Zweckbestimmung) oder die FDA-Zulassung, nicht Marketingaussagen.
• A wählen, wenn: Sie Leistungserbringer oder Telemedizin-Plattform sind und eine zertifizierte oder klinisch validierte Komponente brauchen; ein Eigenbau hieße, selbst ein Medizinprodukt zu verantworten.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Cloud-ASR mit Wortzeitstempeln (Azure Speech, Google Cloud Speech-to-Text, Mistral Voxtral, EU- Regionen) plus LLM-Analyse der Transkripte auf linguistische Marker. Cloud-APIs für Audio-Embeddings sind selten; Googles HeAR wird stattdessen als offene Gewichte veröffentlicht [3].
• Eine reine LLM-Bewertung des psychischen Zustands aus Transkripten ist ein Forschungs- oder Wellness-Muster, kein Verfahren auf Produktniveau. Sobald die Ausgabe für einen medizinischen Zweck verwendet wird, gilt die MDR.
• B wählen für: Forschungsprototypen, Vorab-Screening-Studien und interne Werkzeuge, nicht für die Diagnose im Produktivbetrieb.

Weg C — Selbst betreiben (Open Source)

• Merkmalsextraktion: openSMILE (Merkmalssätze eGeMAPS/ComParE), Praat/Parselmouth, librosa.
• Embeddings: wav2vec 2.0 / HuBERT / WavLM, Whisper-Encoder, Google HeAR (Health Acoustic Representations für Husten und Atmung, offene Gewichte auf Hugging Face) [3].
• Daten: öffentliche Hustendatensätze wie COUGHVID (EPFL) und Coswara (IISc) fürs Vortraining; klinische Labels müssen fast immer selbst erhoben werden.
• Betrieb: ONNX oder TFLite für Inferenz auf dem Gerät (die Daten bleiben auf dem Telefon, ein großer DSGVO-Vorteil); serverseitig auf CPU oder einer kleinen GPU. Hardware HW1 genügt; der Betriebsaufwand liegt überwiegend bei MLOps und Daten-Governance.

Weg D — Eigenes Training

Nötig, sobald Sie eine eigene validierte Aussage wollen. Erfordert Tausende gelabelter Aufnahmen aus der Zielpopulation mit einem vertrauenswürdigen Referenzstandard (ärztliches Interview, Spirometrie, Laborwerte), ausgewogen nach Sprache, Alter, Geschlecht, Gerät und Aufnahmeumgebung, mit einer vorab registrierten Validierungs- kohorte getrennt vom Training. Planen Sie eine klinische Studie, ein Ethikvotum und die MDR-Konformitätsbewertung ein.

Stand der Technik (2026)

• Embeddings aus Foundation-Modellen (selbstüberwachte Sprachmodelle, HeAR, trainiert mit großen Mengen gesundheitsrelevanten Audios) haben handgefertigte Merkmale als Standardbasis abgelöst; kleine Köpfe darauf erreichen mit wenigen gelabelten Daten konkurrenzfähige Leistung [3].
• Längsschnitt-Ausgangswerte der einzelnen Person übertreffen einmalige Schwellen für die Gesamtbevölkerung bei der Überwachung.
• Reifegrad der Evidenz: Depression hat die größte Validierungsmenge (rund 71–74 % Sensitivität und Spezifität in [1]); Berichte zu Nachfolgemodellen sind Preprints. Ergebnisse zu Kognition, Parkinson und Husten sind meist Einzelzentrumsstudien mit bescheidener Stichprobengröße.
• Grenzen und Fehlerarten: Störfaktoren durch Mikrofon, Raumgeräusche, Sprache, Akzent, Alter, Geschlecht und Medikation; Abkürzungen im Datensatz (das Modell erkennt den Aufnahmeaufbau, nicht die Krankheit); schlechte Kalibrierung zwischen Standorten; kleine Unterschiede in der Prävalenz lassen den positiven Vorhersagewert in der Gesamtbevölkerung einbrechen; Sprachveränderungen sind unspezifisch (Müdigkeit, Erkältung, Rauschmittel).

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (asr, audio-classification, edge-runtime): SPEECH-001 Transkription, SPEECH-010 Sprechererkennung (Identität, andere Aufgabe, aber dieselben Merkmals-Pipelines und dasselbe Re-Identifizierungsrisiko), CONV-021 Anruf-Triage.
• Kombinieren mit: HLTH-007 Fernüberwachung und Wearables (Stimme mit Herzfrequenz, Aktivität und Gewicht für die Herzinsuffizienz-Dekompensation verbinden), HLTH-004 klinische Entscheidungsunterstützung, HLTH-012 Frühwarnung bei Verschlechterung, HLTH-013 kardiologische Signale, CONV-009 Wohlbefinden-Begleiter (Stimm-Hinweise müssen an Menschen übergeben werden, nie allein an den Bot).
• Gemeinsame Datenpipeline: Einwilligungsverwaltung, FHIR-Export, Aufbewahrung von Audio und Pseudonymisierung.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für die Integration eines SDK/einer API; Pilotstudie mit eigenen Patienten 3–6 Monate; Preise je Untersuchung oder je Patient.
• Weg B/C: 3–6 Monate für einen Prototyp auf Forschungsniveau.
• Weg D: 1–3 Jahre einschließlich Datenerhebung, klinischer Validierung und MDR-Zertifizierung; größter Kostenblock sind die klinische Studie und das Qualitätssystem.
• Kennzahlen: Sensitivität, Spezifität, PPV bei lokaler Prävalenz, AUROC mit Aufschlüsselung nach Untergruppen (Sprache, Geschlecht, Alter, Gerät), Kalibrierungsfehler, Anteil unbrauchbarer Aufnahmen, Ausbeute von Überweisung zu Bestätigung, ärztliche Zeit je Hinweis, Therapietreue der Patienten bei wiederholten Aufnahmen, Fälle falscher Beruhigung.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung und die ärztliche Leitung für Entscheidung und klinische Verantwortung ein, mit Legal/Compliance für den Medizinprodukte-Status (MDR) und die Haftung. IT-Sicherheit und die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte sind nötig, bevor eine Aufnahme gespeichert wird: Eine Stimme, die zur Identifizierung einer Person dient, ist biometrisch, und Gesundheitsableitungen sind besondere Kategorien personenbezogener Daten (Art. 9 DSGVO), daher sind eine Datenschutz-Folgenabschätzung (DSFA) und ein Auftragsverarbeitungsvertrag (AVV) mit dem Anbieter erforderlich. Betroffene Patienten müssen informiert werden und einwilligen; beziehen Sie Patientenvertretungen in die Gestaltung der Information ein.

Betriebsrat: nein für den patientenbezogenen Kern, da Beschäftigte nicht die überwachte Gruppe sind. Relevant wird er, wenn das Werkzeug bei Mitarbeitergesprächen, in der Betriebsmedizin oder für Wohlbefinden-Screenings von Beschäftigten läuft; dann gelten § 87 Abs. 1 Nr. 6 und § 90 Abs. 1 Nr. 3 BetrVG (bzw. der Personalrat), und ein solcher Einsatz sollte vermieden werden.

KI-Kompetenz (Art. 4 KI-Verordnung, Unterstützungsmaßnahmen): Vermitteln Sie Ärztinnen und Ärzten, was ein Wert bedeutet, wie hoch die Rate falsch positiver Ergebnisse ist und dass es ein Screening-Hinweis und keine Diagnose ist. Starten Sie mit einer Pilotkohorte in einer Klinik mit Patienten, die freiwillig teilnehmen, lassen Sie die Ärztin bzw. den Arzt diejenige Person bleiben, die auf ein Ergebnis hin handelt, und sprechen Sie Sorgen zu Überwachung und Stigmatisierung offen an. Siehe GUIDE-005, GUIDE-009 und GUIDE-014.

Risiken, Regulierung & Compliance

• Medizinprodukt (MDR 2017/745): Software, die aus der Stimme ein Krankheitsrisiko zu Diagnose-, Screening-, Überwachungs- oder Prognosezwecken ableitet, ist Medizinprodukte-Software; nach Regel 11 ist sie in der Regel Klasse IIa und höher, wenn sie Entscheidungen mit schwerwiegenden Folgen für die Gesundheit steuert. Erforderlich sind eine Benannte Stelle, klinische Bewertung und Überwachung nach dem Inverkehrbringen [4]. Eine reine Wellness-Aussage umgeht die MDR, nicht aber die KI-Verordnung oder die DSGVO, wenn sie faktisch die Gesundheit bewertet.
• KI-Verordnung (AI Act, Verordnung 2024/1689): KI, die Sicherheitskomponente eines Medizinprodukts ist oder selbst eines ist, das eine Konformitätsbewertung durch Dritte erfordert, gilt als Hochrisiko (Art. 6 Abs. 1, Anhang I), mit Pflichten zu Risikomanagement, Daten-Governance, Bias-Tests, Protokollierung, menschlicher Aufsicht und Genauigkeit; die Anwendungstermine der Hochrisiko-Pflichten werden durch den Digital-Omnibus-Vorschlag von 2025 angepasst, prüfen Sie daher die aktuellen Fristen [5].
• Verbot nach Art. 5 (Warnhinweis): Das Ableiten von Emotionen von Personen am Arbeitsplatz oder in Bildungs- einrichtungen ist verboten, außer aus medizinischen oder Sicherheitsgründen (Art. 5 Abs. 1 lit. f). Ein stimmbasiertes Stimmungs- oder Stress-Screening von Beschäftigten oder Studierenden durch Arbeitgeber oder Schulen ist daher ein Hochrisiko- Design; setzen Sie es nicht außerhalb eines wirklich medizinischen, ärztlich geleiteten Umfelds ein. Auch die biometrische Kategorisierung zur Ableitung sensibler Merkmale (Art. 5 Abs. 1 lit. g) ist zu vermeiden.
• DSGVO: Stimmaufnahmen sind personenbezogene Daten und oft biometrisch; Gesundheitsableitungen sind besondere Kategorien nach Art. 9. Erforderlich sind eine ausdrückliche Einwilligung oder eine klare Grundlage nach Art. 9 Abs. 2, eine DSFA (Art. 35), Zweckbindung (keine Weiterverwendung für Versicherungspreise, Personalauswahl, Kredit), Datenminimierung (Merkmalsextraktion auf dem Gerät, Rohaudio löschen) und die Grenze des Art. 22 für ausschließlich automatisierte Entscheidungen. Eine Stimme kann auch nach Entfernen von Namen re-identifizieren.
• Europäischer Gesundheitsdatenraum (EHDS): regelt die Sekundärnutzung von Gesundheitsdaten für Training und Forschung.
• Weitere Risiken: falsch positive Ergebnisse, die Angst oder Stigmatisierung auslösen, falsche Beruhigung, Diskriminierung nach Akzent oder Sprache, schleichende Ausweitung auf Bewertungen durch Versicherer oder Arbeitgeber, Sicherheitseskalation, wenn ein Patient als gefährdet markiert wird.
• Gegenmaßnahmen: auf Screening-Unterstützung begrenzte Zweckbestimmung, Validierung nach Untergruppen, Enthaltung bei schlechtem Audio, ärztliche Prüfung, Eskalationsprotokoll, transparente Information der Patienten, keine Weitergabe an Dritte.

Erste Schritte

1. Wählen Sie eine enge klinische Fragestellung und Population (z. B. Depressions-Screening in der Primärversorgung in einer Sprache) und legen Sie den Referenzstandard fest.
2. Entscheiden Sie früh über den Zulassungsweg: eine CE-gekennzeichnete Komponente kaufen oder bei Eigenbau die Arbeiten für MDR und AI Act einplanen.
3. Führen Sie vor jedem Live-Pilot einen retrospektiven Test eines Kandidaten-Werkzeugs an Ihren eigenen Aufnahmen durch, mit Untergruppenanalyse.
4. Erstellen Sie einen Prototyp mit openSMILE und HeAR- oder wav2vec-Embeddings plus einem logistischen Regressionskopf, um Daten und Ausgangsniveau zu verstehen.
5. Schließen Sie DSFA, Einwilligungsablauf, Eskalationsweg und ärztlichen Arbeitsablauf ab, bevor Sie Live-Audio von Patienten erheben.

Quellen

1. Mazur et al., Evaluation of an AI-Based Voice Biomarker Tool to Detect Signals Consistent With Moderate to Severe Depression, Annals of Family Medicine 2025 — https://www.annfammed.org/content/early/2025/01/07/afm.240091
2. Speech and Voice Quality as Digital Biomarkers in Depression: A Systematic Review (PubMed) — https://pubmed.ncbi.nlm.nih.gov/40410060/
3. Google Health Acoustic Representations (HeAR) model on Hugging Face — https://huggingface.co/google/hear
4. Regulation (EU) 2017/745 (MDR) — https://eur-lex.europa.eu/eli/reg/2017/745/oj
5. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. openSMILE, audEERING — https://github.com/audeering/opensmile
7. Kintsugi study summary, Psychiatry.org — https://www.psychiatry.org/news-room/apa-blogs/vocal-biomarkers-for-mental-health
8. COUGHVID crowdsourced cough dataset (EPFL) — https://zenodo.org/records/4048312