Zyklustracking & Fruchtbarkeitsvorhersage (digitale Verhütung)

Millionen Frauen verfolgen ihren Zyklus in Apps. Eine kleine Gruppe von Produkten geht weiter: Sie nutzen Temperatur- und Zyklusdaten, um Nutzerinnen zu sagen, an welchen Tagen ungeschützter Sex ein Schwangerschaftsrisiko birgt, und sind als Medizinprodukte (Verhütung) mit klinischen Studien reguliert. Dieselben Modelle unterstützen die Familienplanung und weisen auf unregelmäßige Zyklen hin. Die KI ist statistisch einfach, aber Regulierung, Validierung und vor allem der Datenschutz reproduktiver Gesundheitsdaten sind anspruchsvoll; die Entscheidung zwischen Kaufen und Zertifizieren wiegt daher schwerer als die Wahl des Modells.

Problem & Nutzen

• Heute: Kalendermethoden (Knaus-Ogino), Papierkurven der Basaltemperatur (BBT), Ovulationsstreifen oder hormonelle bzw. Barrieremethoden zur Verhütung. Kalender-Apps setzen einen regelmäßigen Zyklus voraus und sind für Frauen mit schwankenden Zyklen unzuverlässig; das manuelle Führen der BBT-Kurve ist mühsam und fehleranfällig (Krankheit, Alkohol und verschobene Schlafzeiten verfälschen die Werte).
• KI-Nutzen: personalisierte, probabilistische Erkennung des Eisprungs aus verrauschten, spärlichen Signalen; automatische Nutzung der nächtlichen Wearable-Temperatur (keine Morgenroutine); Erkennung von Zyklen ohne Eisprung; eine hormonfreie Verhütungsoption für Nutzerinnen, die hormonelle Methoden nicht anwenden können oder wollen; und strukturierte Daten für den Arztbesuch.
• Evidenz: Das führende Produkt, Natural Cycles, erhielt 2018 die FDA-De-Novo-Zulassung als Verhütungs-App und trägt in der EU die CE-Kennzeichnung; die veröffentlichten Studien nennen Pearl-Index-Werte für perfekte und typische Anwendung [1][2]. Die Versagerquoten fruchtbarkeitsbewusster Methoden bei typischer Anwendung sind deutlich höher als bei LARC oder Pille, weil Nutzerinnen an vorhergesagten "sicheren" Tagen ungeschützten Sex haben und wegen Vorhersagefehlern; Verbraucherinnen müssen das klar erfahren. Die Zahlen unterscheiden sich je nach Studie und Methode; prüfen Sie die aktuelle Kennzeichnung eines konkreten Produkts, statt Schlagzeilenwerte zu zitieren.

Varianten

• Digitale Verhütung (zertifiziert): Medizinprodukt-App, optional mit Thermometer oder Wearable-Armband; der strengste Zulassungsweg.
• Familienplanung: gleiches Modell für das fruchtbare Fenster, Ziel "schwanger werden"; geringere Sicherheitsrisiken.
• Zyklusbewusstsein / Gesundheitseinblicke: Vorhersage der Periode, Protokoll von Symptomen, keine klinischen Aussagen (Kategorie Wellness).
• Unterstützung bei Perimenopause und PCOS: Erkennung von Auffälligkeiten und Symptomverfolgung; klinische Aussagen lösen wiederum die Regeln für Medizinprodukte aus.
• Klinik/Forschung: Kohortenstudien mit aus Wearables abgeleiteten Zyklusdaten (z. B. Apple Women's Health Study); Programme von Arbeitgebern oder Versicherern (datenschutzkritisch, siehe Risiken).
• Zur Seite der Wearable-Daten siehe PERS-002; zur Auswertung der daraus entstehenden Labor- und Gesundheitsakten PERS-014.

So funktioniert es

1. sensors (BBT thermometer / wearable night temperature, LH strips) + manual logs
2. data cleaning (sleep-window alignment, outlier removal, missing-data handling)
3. personal baseline model (temperature shift detection, e.g. biphasic pattern)
4. ovulation estimation + fertile-window probability (statistical / ML, personalised)
5. decision layer (conservative rules: uncertainty
6. "use protection" day)
7. user feedback (red/green day, explanation) + retrospective ovulation confirmation
8. anomaly flagging
9. "talk to a doctor" (no diagnosis)

• Modelle: überwiegend Zeitreihen-, Bayes- und Gradient-Boosting-Modelle auf kleinen Tabellendaten, keine LLMs. Der Kernalgorithmus muss deterministisch, versioniert und validiert sein; er läuft problemlos auf einem Smartphone (Edge-Laufzeit), was auch den datenschutzfreundlichen Betrieb auf dem Gerät ermöglicht.
• Konservatives Design: Ein Verhütungswerkzeug sollte unsichere Tage als fruchtbar einstufen. Mehr rote Tage sind der sichere Fehler. Frühe Zyklen mit wenigen persönlichen Daten ergeben viele rote Tage.
• LLM-Schicht (optional): Erklärungen, Chat zu Symptomen, Zusammenfassungen für den Arztbericht. Sie muss von der validierten Vorhersagelogik getrennt sein; ein LLM darf den Fruchtbarkeitsstatus nie berechnen oder überstimmen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Nutzerin bestätigt die Dateneingabe; der Eisprung wird in Zweifelsfällen durch Teststreifen oder Ultraschall bestätigt; bei Auffälligkeiten entscheidet ärztliches Fachpersonal; die Kennzeichnung wird von der Behörde geprüft.

Datenaufbereitung

Dies ist der datenintensivste der vier Fälle. Die Daten stammen von der Nutzerin: tägliche Temperatur oder Hauttemperatur eines Wearables, Periodendaten, Symptome, Ovulationstests, Medikation; bei Unternehmen liegen sie zusätzlich in App-Datenbanken, Wearable-Clouds und Gesundheitsplattformen. Typische Lücken: vergessene Tage, unregelmäßige Messzeiten, durch Krankheit oder Alkohol verfälschte Temperatur, unzuverlässige Selbstangaben, wenige Zyklen je Nutzerin und unterschiedliche Einheiten zwischen Geräten. Alles gehört nach Art. 9 DSGVO zu den besonderen Kategorien von Daten. Schritte der Aufbereitung: (1) Rechtsgrundlage und ausdrückliche Einwilligung klären (PREP-025); (2) Zeitreihen bereinigen: Ausreißer entfernen, gestörte Nächte markieren, Zeitzonen angleichen; (3) Nutzerkennungen pseudonymisieren und Identität von Gesundheitsdaten trennen (PREP-022); (4) in saubere Tabellen je Zyklus mit Ergebnislabels wie bestätigtem Eisprung umformen (PREP-011, PREP-020); (5) mit Ärztinnen und Ärzten eine Evaluationsmenge aufbauen, ausgewogen nach Alter, PCOS und unregelmäßigen Zyklen (PREP-018); (6) Rückmeldungen der Nutzerinnen zu Fehlvorhersagen sammeln (PREP-021). Grober Anteil am Aufwand: 50-60 Prozent des Projekts, weil die Qualität der Labels die Genauigkeit begrenzt. GUIDE-003 beschreibt den Reifegrad-Check, und PREP-005 behandelt den Export von Daten aus Wearables und SaaS-Plattformen.

Umsetzungswege

Welcher Weg für wen

• Privat: Weg A. Die Zyklusvorhersage zur Verhütung kann ein Medizinprodukt sein; eine zertifizierte App aus der EU mit transparenten Datenschutzbedingungen ist daher die sichere Wahl; achten Sie auf Apps, die Daten auf dem Gerät verarbeiten.
• Entwickler: Weg B. Der Aufbau auf Cloud-Schnittstellen und in der EU gehosteter Infrastruktur beschleunigt den Prototypenbau, doch ein Produkt, das Verhütung verspricht, braucht eine Konformitätsbewertung als Medizinprodukt.
• Unternehmen: Weg B. Versicherer, Gesundheitsprogramme von Arbeitgebern oder Femtech-Unternehmen binden die Vorhersage in die eigene Plattform ein, mit strikter Trennung und Pseudonymisierung der Gesundheitsdaten.

Weg A — Kaufen / zertifiziertes Produkt nutzen (empfohlen)

• Verhütung, zertifiziert: Natural Cycles (Schweden/Schweiz - Sitz in der EU; FDA-zugelassen, CE-gekennzeichnet, Anbindungen an Oura und Apple Watch für die Temperatureingabe); Daysy (Schweiz/EU-Markt, CE-gekennzeichneter Fruchtbarkeitstracker mit Thermometer). Prüfen Sie Umfang der aktuellen Zertifizierung und Zweckbestimmung in jedem Land.
• Zyklustracking / Wellness: Clue (Berlin, EU; positioniert als datenschutzbewusst, auf EU-Recht gestützt), Flo, Apple Health Zyklusprotokoll, Oura-Zyklus-Einblicke, Zyklusfunktionen von Garmin/Fitbit/Samsung. Die Zweckbestimmung ist meist nicht Verhütung; lesen Sie die Hinweise.
• A wählen: immer für Privatpersonen und für jedes Unternehmen, das dies Kundinnen und Kunden anbieten möchte, ohne Hersteller eines Medizinprodukts zu werden (Partnerschaft/White-Label oder Anbindung von Daten über APIs wie die Oura API oder Apple HealthKit mit Einwilligung der Nutzerin).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Wearable-Daten über die Oura API, Apple HealthKit (auf dem Gerät), die Garmin Health API, Google Health Connect.
• Eine LLM-Schnittstelle (EU-Regionen oder Anbieter aus der EU wie Mistral) nur für die Erklärungs-/Chat-Schicht auf pseudonymisierten Daten unter einem Auftragsverarbeitungsvertrag (AVV) und mit Schutzmaßnahmen für Gesundheitsdaten verwenden.
• Eine reine Wellness-App (Periodenvorhersage, Muster) ist machbar; bewerben Sie sie nicht als Verhütung, solange sie nicht zertifiziert ist.

Weg C — Selbst betreiben (Open Source)

• Open-Source-Tracker: Drip (Bloodyhealth, Berlin; ausschließlich lokale Speicherung, Umsetzung der symptothermalen Methode) sowie selbst gebaute Dashboards auf Home Assistant oder im Stil von Open Wearables zur Aufnahme von Exporten.
• Stack: Python (statsmodels, scikit-learn, PyMC/Stan für Bayes-Changepoint-Modelle), SQLite auf dem Gerät; kleines LLM mit offenen Gewichten (HW1, Laptop-/Smartphone-Klasse, z. B. kleine Varianten von Llama, Qwen, Gemma über llama.cpp/Ollama) für lokale Erklärungen. Siehe PERS-005.
• Kein Medizinprodukt; für persönliches Experimentieren, Bildung und Forschung.

Weg D — Eigenes Training

Das Training eigener Eisprungmodelle erfordert große, beschriftete Zyklusdatensätze mit gesicherter Wahrheit (LH-Anstieg, Ultraschall, Hormonmessungen) - üblicherweise in klinischen Studien erhoben. Realistisch nur für Hersteller von Medizinprodukten, Universitäten und Wearable-Anbieter. Planen Sie von Anfang an eine klinische Validierungsstudie (Pearl-Index, Genauigkeit der Eisprungerkennung) und ein Qualitätssystem (ISO 13485, IEC 62304) ein.

Stand der Technik (2026)

• Wearable-Temperatur (Ring/Uhr, distale Hauttemperatur in der Nacht) unterstützt inzwischen eine Eisprungerkennung, die in vielen Studien mit der BBT vergleichbar ist, bei geringerem Aufwand; begutachtete Validierungsvergleiche liegen für die Erkennung mit Oura und Apple Watch vor (aktuelle Studien in PubMed suchen). Die Genauigkeit sinkt bei unregelmäßigen Zyklen, Schichtarbeit, Krankheit, Reisen über Zeitzonen sowie nach der Geburt und in der Perimenopause.
• Personalisierte Bayes-/ML-Modelle über Populations-Vorwissen sind Standard; große Datensätze einwilligender Nutzerinnen (Millionen Zyklen) sind der wichtigste Wettbewerbsvorteil der führenden Apps.
• Klinische Evidenz stammt überwiegend aus von Unternehmen finanzierten Beobachtungsstudien (nicht randomisiert); Aufsichtsbehörden und Kritiker verweisen auf Verzerrungen bei Berichterstattung, Studienabbrüchen und Selbstselektion. Behörden (z. B. die britische MHRA, schwedische Stellen) haben zuvor Meldungen über ungewollte Schwangerschaften im Zusammenhang mit Fruchtbarkeits-Apps untersucht.
• LLM-Assistenten ergänzen Erklärungen im Chat-Stil und Fragen und Antworten zu Symptomen; die Zuverlässigkeit bei medizinischem Rat bleibt begrenzt - es bestehen Risiken durch Halluzinationen und Gefälligkeit.
• Grenzen: Keine Methode schützt vor sexuell übertragbaren Infektionen; die Wirksamkeit bei typischer Anwendung hängt vom Verhalten ab; Temperatursignale sind durch Störfaktoren verfälscht; die Modelle sind für Jugendliche, PCOS, Stillzeit und Perimenopause weniger validiert.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Datenpipelines mit PERS-002 (Aufnahme von Wearable-Daten: Oura, HealthKit, Health Connect, Zeitreihenmerkmale) und PERS-005 (lokale KI auf eigener Hardware).
• Kombinationen: PERS-014 (Labor- und Ultraschallbefunde sowie Inhalte der ePA erklären), PERS-016 (DSGVO-Rechte nutzen, um Daten aus Zyklus-Apps zu exportieren oder zu löschen), PERS-017 (Lifelogging; gleiche Sensibilität).
• Dieselben Bausteine für Zeitreihen und Anomalieerkennung wie in anderen Anwendungsfällen zur Überwachung von Wearable- und Gesundheitsdaten.

Aufwand, Kosten & Kennzahlen

• Weg A: Minuten zur Einrichtung; Abonnements für Verbraucherinnen (typischerweise einige zehn Euro pro Jahr für Premium-Tarife - aktuelle Preise prüfen).
• Weg B/C (Wellness-App): Wochen bis wenige Monate für ein kleines Team; Kostentreiber sind Datenqualität, Datenschutztechnik und Einhaltung der Vorgaben der App-Stores.
• Weg D (zertifiziertes Gerät): viele Monate bis Jahre und ein erhebliches Budget (klinische Studie, QMS, Konformitätsbewertung durch eine Benannte Stelle, Überwachung nach dem Inverkehrbringen).
• Kennzahlen: Pearl-Index (perfekte/typische Anwendung), Genauigkeit der Eisprungerkennung im Vergleich zu LH/Ultraschall, Anteil roter Tage (Nutzbarkeit gegenüber Sicherheit), Fehler der Zyklusvorhersage in Tagen, Bindung der Nutzerinnen, Zahl gemeldeter ungewollter Schwangerschaften, bearbeitete Anfragen betroffener Personen.

Menschen & Veränderung

Binden Sie die Geschäftsleitung früh ein, denn Haftung und Regulierung (Vorschriften für Medizinprodukte, Einstufung als Hochrisiko nach KI-Verordnung) prägen das ganze Projekt. Holen Sie die/den Datenschutzbeauftragte(n) und die Rechtsabteilung zu Beginn ins Boot, nicht am Ende: Besondere Kategorien von Daten nach Art. 9 DSGVO machen eine Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 praktisch zur Pflicht, dazu Auftragsverarbeitungsverträge (AVV) mit jedem Cloud- und Wearable-Anbieter (GUIDE-005). Die IT-Sicherheit schützt die Gesundheitsdaten und verwaltet Zugriffsrechte (GUIDE-013). Betriebsrat: kommt darauf an. Ein Verbraucherprodukt braucht keinen; bietet ein Arbeitgeber das Werkzeug in einem Wellness-Programm an oder analysiert er Beschäftigtendaten, gilt § 87 Abs. 1 Nr. 6 BetrVG, und der Betriebsrat ist zudem nach § 90 Abs. 1 Nr. 3 zu unterrichten (GUIDE-004); Arbeitgeber sollten niemals einzelne Daten sehen. KI-Kompetenz: Art. 4 der KI-Verordnung (AI Act) verlangt von Anbietern und Betreibern, die KI-Kompetenz der Beschäftigten zu fördern; schulen Sie daher Support- und Produktteams zu Vorhersageunsicherheit und Formulierungen (GUIDE-006). Pilotieren Sie mit einer kleinen Gruppe freiwilliger Teilnehmerinnen und ärztlichen Beratern, und planen Sie die Pflichten für Hochrisiko-Systeme in Fällen nach Anhang III ab dem 2. Dez. 2027 ein (GUIDE-014). Typische Sorgen sind der Missbrauch intimer Daten und falsche Sicherheit bei der Verhütung: Nutzen Sie klare Hinweise zur Unsicherheit, lokale Verarbeitung, einfache Löschung und einen Weg zu ärztlichem Fachpersonal bei Auffälligkeiten.

Risiken, Regulierung & Compliance

• EU-MDR (Verordnung 2017/745): Software mit verhütender oder diagnostischer Zweckbestimmung ist ein Medizinprodukt, in der Regel Klasse IIa/IIb (Regel 11 sowie Regeln zur Verhütung), und erfordert eine Benannte Stelle, klinische Bewertung und Überwachung nach dem Inverkehrbringen. Ein bloßes "Zyklustagebuch" ohne medizinische Aussagen ist es nicht. Die Wortwahl im Marketing entscheidet über die Einstufung [4].
• KI-Verordnung (AI Act, Verordnung 2024/1689): KI-Systeme, die Medizinprodukte sind und eine Konformitätsbewertung durch Dritte erfordern, gelten nach Art. 6 Abs. 1/Anhang I (MDR) als Hochrisiko; die Hochrisiko-Pflichten auf diesem Anhang-I-Weg gelten später als für Systeme nach Anhang III (aktuellen Zeitplan prüfen, einschließlich etwaiger Änderungen durch das "Digital Omnibus"). Reine Wellness-Apps haben minimales/begrenztes Risiko. Kein Verbot nach Art. 5 greift, doch die Ableitung von Schwangerschaft oder emotionalem Zustand für Arbeitgeber oder Versicherer wäre ein schwerer Missbrauch und kann am Arbeitsplatz gegen Art. 5 (Ableitung von Emotionen) und das Arbeitsrecht verstoßen.
• DSGVO: Zyklusdaten sind Gesundheitsdaten (Art. 9) - ausdrückliche Einwilligung, DSFA, Datenminimierung, Verarbeitung/Hosting in der EU, strikte Kontrolle von SDKs Dritter und Analysewerkzeugen. Präzedenzfall der Durchsetzung: das Verfahren der US-Handelsbehörde FTC gegen Flo Health (2021) wegen der Weitergabe von Gesundheitsdaten an Werbetreibende [5]; nach der Dobbs-Entscheidung (2022) wuchs die Sorge, dass Daten in Rechtsordnungen, die Abtreibung kriminalisieren, gegen Nutzerinnen verwendet werden könnten; vermeiden Sie daher nach Möglichkeit die Betroffenheit durch US-Recht, nutzen Sie Verarbeitung auf dem Gerät, Ende-zu-Ende-Verschlüsselung und anonyme Modi.
• Programme von Arbeitgebern/Versicherern: Bieten Sie Arbeitgebern oder Versicherern keine identifizierbaren Daten an; nur aggregiert.
• Weitere Risiken: falsches Sicherheitsgefühl, Risiko sexuell übertragbarer Infektionen, Zugänglichkeit für Minderjährige, Diskriminierung, Sicherheitsverletzungen bei intimen Daten.
• Gegenmaßnahmen: konservative Entscheidungslogik, klare Kennzeichnung, Verarbeitung auf dem Gerät, keine Werbe-SDKs, Löschung auf Anfrage, unabhängige Datenschutzprüfung (z. B. Audits im Stil von Mozillas "Privacy Not Included").

Erste Schritte

1. Legen Sie das Ziel fest: Zyklusbewusstsein, Kinderwunsch oder Verhütung; für Letzteres nur zertifizierte Produkte.
2. Prüfen Sie die Zertifizierung (Umfang CE/UKCA/FDA, Benannte Stelle, Pearl-Index in der Kennzeichnung).
3. Prüfen Sie den Datenschutz: Speicherort der Daten, SDKs, anonymer Modus, Optionen für Löschung und Export (nutzen Sie PERS-016).
4. Für Entwickler: Beginnen Sie mit einem reinen Wellness-Prototyp auf exportierten Wearable-Daten und einem Modell auf dem Gerät, verglichen mit der Wahrheit aus LH-Tests; ziehen Sie vor jeder medizinischen Aussage eine Regulierungsexpertin oder einen Regulierungsexperten hinzu.
5. Geben Sie bei Unregelmäßigkeiten Zyklusberichte an ärztliches Fachpersonal weiter; stellen Sie keine Selbstdiagnose.

Quellen

1. U.S. FDA - De Novo decision for Natural Cycles (DEN170052), 2018 - https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/denovo.cfm?id=DEN170052
2. Natural Cycles - clinical studies and regulatory information - https://www.naturalcycles.com/science
3. Harvard T.H. Chan School of Public Health - Apple Women's Health Study - https://www.hsph.harvard.edu/apple-womens-health-study/
4. Regulation (EU) 2017/745 (Medical Device Regulation) - https://eur-lex.europa.eu/eli/reg/2017/745/oj
5. U.S. FTC - Flo Health settlement over sharing of health data (2021) - search ftc.gov for "Flo Health" - https://www.ftc.gov/news-events/news/press-releases/2021/01/developer-popular-womens-fertility-tracking-app-settles-ftc-allegations-it-misled-consumers-about
6. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Drip open-source period tracker - https://gitlab.com/bloodyhealth/drip
8. Oura API documentation - https://cloud.ouraring.com/docs