Persönlicher Gesundheits-, Fitness- und Schlafcoach (Wearables)

Smartwatches, Ringe und Smartphones zeichnen rund um die Uhr Schlaf, Herzfrequenz und Aktivität auf, doch die meisten Menschen sehen nur Dashboards mit Zahlen, die sie nicht deuten können. Ein KI-Coach verbindet diese Zeitreihen mit einem Sprachmodell: Er erklärt, was die Daten bedeuten, beantwortet Fragen („Warum war meine HRV diese Woche niedrig?“) und passt Trainings- und Schlafgewohnheiten an Ziele an. Es ist ein Wellness-Werkzeug, kein diagnostisches, und die Grenze zwischen beidem ist die zentrale Entwurfs- und Regulierungsfrage.

Problem & Nutzen

• Heute: Wearable-Apps zeigen Werte (Belastbarkeit, Schlafwert) mit wenig Erklärung. Nutzerinnen und Nutzer kombinieren mehrere Apps (Fitness, Schlaf, Ernährung) von Hand oder bezahlen einen menschlichen Coach. Allgemeine Trainings- pläne ignorieren Krankheit, Stress und Reisen.
• KI-Nutzen: personalisierte Erklärungen in natürlicher Sprache, eine einzige Sicht über mehrere Geräte hinweg, adaptive Pläne, die auf die Erholung reagieren, und Motivation durch Dialog.
• Belege: Google-Forschende haben ein feingetuntes „Personal Health LLM“ veröffentlicht, das anhand von Fallstudien zu Schlaf- und Fitness-Coaching im Vergleich zu von Fachleuten verfassten Antworten bewertet wurde; es zeigt, dass domänenangepasste Modelle bei solchen Aufgaben Antworten auf Expertenniveau erreichen können [1]. Der praktische Nutzen für Verbraucher ist noch schwach belegt; behandeln Sie Herstellerbehauptungen zu Gesundheitsergebnissen mit Vorsicht.

Varianten

• Fitness- und Ausdauercoaching: Belastung, Erholung und Anpassung von Wettkampfplänen (Laufen, Radfahren).
• Schlafcoaching: Schlafhygiene, Chronotyp, Planung bei Schichtarbeit; keine Diagnose von Schlafstörungen (für klinische Untersuchungen siehe HLTH-035).
• Stress und Erholung: HRV-basierte Atem- und Ruhevorschläge; zum Wohlbefindens-Chat siehe CONV-009.
• Begleiter bei chronischen Erkrankungen: Glukose-, Blutdruck- oder Herzrhythmusdaten, was in den Bereich der Medizinprodukte hineinreicht (siehe HLTH-007).
• Frauengesundheit: zyklusbewusstes Coaching, siehe PERS-021.
• Familie und ältere Menschen: Trends bei Aktivität und Sturzrisiko mit Einwilligung der überwachten Person.

So funktioniert es

1. Wearables (Uhr/Ring/Telefon)
2. Cloud-API des Herstellers oder Gesundheitsspeicher auf dem Telefon
3. Einlesen + Normalisierung (HealthKit / Health Connect / Hersteller-APIs)
4. Feature Engineering (Basiswerte, gleitende HRV, Schlafdefizit, Trainingsbelastung)
5. statistische Anomalieerkennung und Regeln (deterministische Sicherheitsschicht)
6. LLM-Coach mit Werkzeugaufrufen ("get_sleep(last 14 days)", "plan_week()") + Nutzergedächtnis
7. Leitplanken (keine Diagnose, Eskalation bei Warnzeichen, Tonalität)
8. Ausgabe per App / Chat / Sprache; Nutzerfeedback schließt den Kreis

• Zahlen kommen aus Code, nicht vom LLM: Basiswerte, z-Scores und Belastungskennzahlen werden mit klassischen Zeitreihenmethoden berechnet; das LLM ruft diese als Werkzeuge auf und erzählt nur, wodurch erfundene Werte vermieden werden.
• Persönliche Basiswerte: Individuelle gleitende Zeitfenster zählen mehr als Bevölkerungsnormen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Nutzerin oder der Nutzer genehmigt Planänderungen; Warnmuster (z. B. anhaltend erhöhte Ruhe- herzfrequenz mit Symptomen, Brustschmerzen, Ohnmacht) lösen die Meldung „Suchen Sie eine Ärztin oder einen Arzt auf“ aus, niemals eine Diagnose. Optional kann mit einem menschlichen Coach oder einer Ärztin bzw. einem Arzt geteilt werden.

Datenaufbereitung

Die Daten stammen von Wearables und Smartphones (Herzfrequenz, HRV, Schlafphasen, Schritte, Workouts), meist in der Cloud oder App des Herstellers eingeschlossen, dazu selbst berichtete Stimmung, Ernährung und Symptome in Notizen oder anderen Apps. Typische Lücken sind Sensorausfälle, unterschiedliche Definitionen von Schlafphasen zwischen Geräten, Gerätewechsel, die Basiswerte entwerten, verschiedene Zeitzonen und fehlender Kontext wie Krankheit oder Reisen. Vorbereitungsschritte: Daten über Health Connect, den Apple-Health-Export, Gadgetbridge oder den Export des Herstellers in eine lokale Datenbank ziehen; Zeitstempel und Zeitzonen angleichen; fehlende Intervalle markieren, statt sie stillschweigend aufzufüllen; persönliche Basiswerte über mindestens 2-4 Wochen berechnen, bevor Ratschläge erfolgen; und einfache Markierungen (krank, Reise, Alkohol) ergänzen, damit der Coach Abweichungen erklären kann. Zahlen sollten mit SQL oder pandas berechnet werden, nicht vom LLM. Zugriffsrechte sind wichtiger als Bereinigung: Geben Sie jeder App nur die Datentypen frei, die sie braucht. Der Aufwand ist mittel, etwa 30-40 Prozent des Gesamtaufwands, überwiegend Integration und Arbeit an den Basiswerten. Verwandte Themen der Aufbereitung sind PREP-005 für das Herausholen von Daten aus geschlossenen Systemen, PREP-011 für aufgeräumte Tabellen und PREP-022 für die Pseudonymisierung vor jeder Cloud-Nutzung.

Umsetzungswege

Welcher Weg für wen

• Privat: A - etablierte Wearable-Ökosysteme und Coaching-Apps sind ausgereift und erfordern keine technischen Kenntnisse, lesen Sie aber zuerst deren Datenschutz- und Trainingsdatenbedingungen.
• Entwickler: C - Gesundheitsdaten sind besondere Kategorien personenbezogener Daten, und Gadgetbridge oder Health Connect plus ein lokales Modell auf HW2 hält sie auf eigener Hardware; nutzen Sie B nur für einen Prototyp mit Einwilligung und EU-Region.

Weg A — Kaufen (Standardsoftware) (empfohlen für Privatnutzer)

• In Geräte integrierte Coaches: Oura Advisor (Oura, Finnland, EU), Whoop Coach, Fitbit/Google Personal Health Coach (Gemini-basiert), Garmin Connect+, Samsung Health, das Apple-Health-Ökosystem.
• Coaching-Apps von Drittanbietern: Withings (Frankreich, EU), Polar und Suunto (Finnland, EU), Freeletics (Deutschland, EU), Runna, Ultrahuman. Prüfen: Wo die Daten gespeichert werden, ob Daten für das Modell- training genutzt werden, Export und Löschung, und ob der Hersteller einen medizinischen Zweck behauptet (CE-gekennzeichnete Funktionen sind getrennt zu betrachten, z. B. EKG- oder Vorhofflimmer-Benachrichtigungen).
• A wählen, wenn: Sie wollen, dass es heute funktioniert, und die Cloud und das Abonnement des Herstellers akzeptieren.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Datenzugriff: Apple HealthKit (Speicher auf dem Gerät, von der Nutzerin oder dem Nutzer erteilte Berechtigungen) [2], Android Health Connect [3], Hersteller-APIs wie die Garmin Health API [4] und die Oura Cloud API [5]; Aggregationsdienste gibt es, sie fügen Ihrer Kette aber einen weiteren Auftragsverarbeiter hinzu.
• Modelle: Spitzen-LLMs mit Tool-Aufrufen (Claude, Gemini, GPT, Mistral Large als EU-Anbieter) in EU-Regionen, wo angeboten; senden Sie aggregierte Merkmale statt roher Datenströme im Sekundentakt.
• Muster: Merkmale auf dem Smartphone berechnen, nur Zusammenfassungen senden, Kennungen pseudonymisieren, einen Auftragsverarbeitungsvertrag abschließen; keine Gesundheitsdaten ins Modelltraining.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-LLMs wie Qwen, Gemma, Mistral Small, Llama; das medizinisch getunte MedGemma für Gesundheitstexte; betrieben mit Ollama oder llama.cpp / vLLM auf einem Heimserver (siehe PERS-005).
• Daten: Gadgetbridge (Open-Source-Android-App, die viele Wearables ohne Hersteller-Cloud synchronisiert), Home Assistant, ein lokaler SQLite- oder Postgres/TimescaleDB-Speicher, Grafana für Dashboards.
• Hardware: HW1 für ein kleines quantisiertes Modell auf Laptop oder Smartphone; HW2 für ein komfortables Modell der 20-30B-Klasse. Kleine Modelle auf dem Gerät genügen, weil die Zahlen vorberechnet sind.
• Aufwand: ein Hobby-Wochenende für einen Prototyp; laufende Pflege der Geräteanbindungen.

Weg D — Eigenes Training

Lohnt sich nur für Anbieter mit großen, per Einwilligung erhobenen Datensätzen: Feintuning auf Fallstudien zu Schlaf und Fitness wie in [1] oder das Training von Sensor-Foundation-Modellen für Aktivität und Schlafphasen. Dafür braucht es longitudinale Wearable-Daten mit Referenzwerten (Polysomnographie-Labels, Laborwerte), ein Ethikvotum und für medizinische Aussagen klinische Evidenz. Für Privatnutzer nicht empfohlen.

Stand der Technik (2026)

• LLM plus Sensordaten: Forschungsmodelle verbinden numerische Wearable-Merkmale mit Textschlussfolgerung und Werkzeugnutzung; die Bewertung wandert von Multiple-Choice-Tests zu von Fachleuten bewerteten Coaching-Antworten [1].
• Marktausrollung: Wearable-Hersteller haben LLM-Coaches ausgeliefert (Oura Advisor, Whoop Coach, Fitbit/Gemini-Coach, Garmin Connect+), meist als Abo-Funktion in einer geschlossenen Cloud.
• Offener Stack: Inferenz auf dem Gerät oder dem Heimserver ist machbar, weil das LLM nur vorberechnete Kennzahlen erzählt.
• Grenzen und Fehlerbilder:
• Verbrauchersensoren sind verrauscht; die Schlafphasenbestimmung per Handgelenksensor ist ungefähr, und die HRV hängt von den Messbedingungen ab;
• LLMs können Rauschen überinterpretieren, autoritativ klingen und selbstsicher falsche Ratschläge geben;
• Anbiederung (Sycophancy) kann ungesunde Gewohnheiten verstärken (Übertraining, Kalorienrestriktion, Essstörungen);
• Basiswerte brechen nach Krankheit, Reisen oder Gerätewechseln weg;
• kein Coach ersetzt eine Diagnose; Orthosomnie (durch Schlaftracking ausgelöste Angst) ist ein bekanntes Risiko.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: Zeitreihenmerkmale und Anomalieerkennung teilt sich dieser Fall mit HLTH-007 (Fernüberwachung von Patienten) und PERS-021 (Zyklus-Tracking); das Muster „LLM auf eigenen Daten“ mit PERS-014 (Erklärer für Laborbefunde) und PERS-005 (private KI zu Hause).
• Naheliegende Kombinationen: PERS-004 (Ernährung und Mahlzeiten), PERS-017 (Lifelogging-Kontext), VIS-024 (Feedback zu Form und Haltung aus Videos), CONV-009 (Wohlbefindens-Chat), HLTH-035 (klinische Schlafuntersuchungen, zur Überweisung statt als Konkurrenz).
• Hardware: Ein HW2-Heimserver kann diesen Fall, PERS-005 und PERS-014 gemeinsam betreiben.

Aufwand, Kosten & Kennzahlen

• Weg A: Minuten zur Einrichtung; für Premium-Coaching-Funktionen ist ein Monatsabonnement üblich.
• Weg B: 1-3 Monate für eine ausgereifte App mit Integrationen; die Kosten werden von App-Entwicklung und Compliance bestimmt, nicht von API-Tokens (Zusammenfassungen sind klein).
• Weg C: ein Wochenende für einen Prototyp, laufende Pflege der Gerätesynchronisierung; Hardwarekosten für eine Workstation-GPU oder keine bei Setups auf Smartphone-Niveau.
• Kennzahlen: Nutzungstreue (wöchentlich aktive Nutzung, Planerfüllung), subjektive Bewertungen der Nützlichkeit der Erkenntnisse durch die Nutzer, selbst berichteter Schlaf und selbst berichtete Energie, Rate falscher oder unsicherer Antworten in Red-Team-Tests, Aktualität der Daten und Rate von Synchronisierungsfehlern.

Menschen & Veränderung

Bei privater Nutzung beziehen Sie eine Ärztin oder einen Arzt ein, sobald der Coach eine anhaltende Auffälligkeit meldet; er darf ärztlichen Rat nie ersetzen. Entwickler oder Unternehmen, die einen solchen Coach anbieten, brauchen den bzw. die Datenschutzbeauftragte(n) und die Rechtsabteilung (Legal & Compliance) von Anfang an: Gesundheitsdaten sind nach Art. 9 DSGVO eine besondere Kategorie, daher sind ausdrückliche Einwilligung, eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) und ein Auftragsverarbeitungsvertrag (AVV, Art. 28 DSGVO) mit jedem Auftragsverarbeiter zu erwarten, und Aussagen zu einem medizinischen Zweck können das Produkt unter das Medizinprodukterecht bringen. Ein Betriebsrat ist bei privater Nutzung nicht beteiligt. Bietet ein Arbeitgeber den Coach in einem Wellness-Programm an, gilt § 87 Abs. 1 Nr. 6 BetrVG (Einrichtung, die zur Überwachung der Beschäftigten geeignet ist), und die Teilnahme muss freiwillig sein. KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt von Organisationen, die KI-Kompetenz der Beschäftigten zu fördern; Nutzer sollten verstehen, dass die Erkenntnisse Schätzungen sind. Kommunizieren Sie die Grenzen klar: Wearables sind keine Diagnosegeräte. Typische Sorgen sind Daten, die das Gerät verlassen, und die Überinterpretation von Zahlen; begegnen Sie ihnen mit lokaler Verarbeitung, klarer Einwilligung und vorsichtigen Formulierungen. Starten Sie mit einigen Wochen eigener Daten, bevor Sie nach Ratschlägen handeln. Der Mensch behält die Kontrolle: Der Coach schlägt vor, die Nutzerin oder der Nutzer entscheidet. Siehe GUIDE-005, GUIDE-006 und GUIDE-014.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales oder begrenztes Risiko für reines Wellness-Coaching (Transparenz für Chatbots, Art. 50: Nutzer müssen wissen, dass sie mit einer KI sprechen). Hat die Software einen medizinischen Zweck (Diagnose, Überwachung oder Behandlung von Krankheiten), ist sie ein Medizinprodukt nach MDR und kann nach der KI-Verordnung hochriskant sein (Art. 6 mit Anhang I) [6][7]. Entscheidend sind die Zweckbestimmung in Marketing und Oberfläche; MDCG 2019-11 leitet die Qualifizierung von Software an [8]. Die Emotionserkennung aus biometrischen Daten am Arbeitsplatz oder in der Schule ist nach Art. 5 verboten; ein Coach, den ein Arbeitgeber oder Versicherer einsetzt, ist ein anderer Fall.
• DSGVO: Gesundheitsdaten sind besondere Kategorien personenbezogener Daten (Art. 9) und brauchen ausdrückliche Einwilligung; Datenschutz durch Technikgestaltung, Datenminimierung, Lösch- und Exportrechte, keine Nutzung für Werbung, DSFA für Anbieter in großem Umfang. Der Zugriff von Versicherern oder Arbeitgebern auf Coach-Daten (Wellness-Programme, Bonussysteme) wirft Fragen der Diskriminierung und des Zwangs auf.
• Data Act: Seit dem 12. September 2025 haben Nutzer vernetzter Produkte das Recht, auf ihre Gerätedaten zuzugreifen und sie mit Dritten zu teilen, was die Übertragbarkeit zu unabhängigen Coaches unterstützt [9].
• EHDS: Die Verordnung über den Europäischen Gesundheitsdatenraum betrifft Wellness-Apps, die Interoperabilität mit Systemen elektronischer Patientenakten behaupten [10].
• Sicherheit: Risiken durch Essstörungen und Übertraining, Minderjährige, psychische Krisen; ergänzen Sie Regeln für sichere Kommunikation, Eskalationstexte und harte Sperren für Diagnosen und Medikamentenempfehlungen.
• Gegenmaßnahmen: Verarbeitung auf dem Gerät, aggregierte Zusammenfassungen, klare Beschreibung des Einsatzbereichs, Warnregeln außerhalb des LLM, Protokollierung für Prüfungen ohne sensible Inhalte, regelmäßiges Red-Teaming.

Erste Schritte

1. Definieren Sie Ziele (Schlaf, Laufen, Gewicht, Stress) und legen Sie fest, was Sie nicht akzeptieren (keine Diagnose).
2. Exportieren Sie einen Monat Daten aus Ihrem Gerät; prüfen Sie Qualität und Lücken.
3. Probieren Sie einen Coach aus Weg A mit kostenloser Testphase aus und lesen Sie dessen Datenschutzerklärung und Trainingsdatenbedingungen.
4. Synchronisieren Sie für Weg C mit Gadgetbridge oder Health Connect in eine lokale Datenbank, berechnen Sie Basiswerte und lassen Sie ein lokales LLM Fragen per Tool-Aufrufen beantworten.
5. Schreiben Sie einen kurzen Sicherheitstestsatz (Warnsymptome, extreme Diäten) und führen Sie ihn bei jedem Modellwechsel aus.

Quellen

1. Khasentino, J. et al. — A personal health large language model for sleep and fitness coaching, Nature Medicine (2025) — https://www.nature.com/articles/s41591-025-03888-0
2. Apple — HealthKit documentation — https://developer.apple.com/documentation/healthkit
3. Android — Health Connect — https://developer.android.com/health-and-fitness/health-connect
4. Garmin — Health API — https://developer.garmin.com/gc-developer-program/
5. Oura — Cloud API documentation — https://cloud.ouraring.com/docs
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EU) 2017/745 (MDR) — https://eur-lex.europa.eu/eli/reg/2017/745/oj
8. MDCG 2019-11 — Guidance on qualification and classification of software — https://health.ec.europa.eu/system/files/2020-09/md_mdcg_2019_11_guidance_qualification_classification_software_en_0.pdf
9. Regulation (EU) 2023/2854 (Data Act) — https://eur-lex.europa.eu/eli/reg/2023/2854/oj
10. Regulation (EU) 2025/327 (European Health Data Space) — https://eur-lex.europa.eu/eli/reg/2025/327/oj
11. Gadgetbridge project — https://gadgetbridge.org