Abb. 1: Soldaten im Einsatz in extremen Umwelten – Beispiele
Die zunehmende Komplexität der Arbeitsplätze erhöht die Stressbelastung, so dass über eine Anpassung der arbeitsmedizinischen Untersuchungen nachgedacht werden muss. Bisherige, starre Vorgehensweisen sollten durch eine kontinuierliche Auswertung von Daten am Arbeitsplatz erweitert werden. Ein Smart Textile ermöglicht diesen Ansatz und könnte mithilfe von maschinellem Lernen einen hybriden Zwilling erzeugen, der wertvolle betriebsmedizinische Erkenntnisse über die gesamte Lebensarbeitszeit liefert.
Hybrid Twin: Stress Level Detection using Machine Learning
The increasing complexity of workplaces raises the level of stress, necessitating the adaptation of occupational health examinations. Previous rigid procedures should be expanded by continuously evaluating data in the workplace. This approach has become possible with the use of smart textiles, which can employ “machine learning” to create a hybrid twin that provides valuable occupational health findings throughout the entire occupational period.
Kernaussagen
Moderne Arbeitsplätze nehmen, besonders militärisch, an Komplexität zu, so dass erhöhte Stresslevel entstehen.
In der betriebsmedizinischen Vorsorge sollte dies Berücksichtigung finden und die bisher durchgeführten Untersuchungen daran angepasst werden.
Kontinuierliche, am tatsächlichen Arbeitsplatz durchgeführte Datenerhebung und unmittelbar anschließende Analyse wären ein essenzieller Beitrag.
Mittels Smart Textile können arbeitsbegleitende physiologische Parameter aufgezeichnet werden und über zu entwickelnde Algorithmen arbeitsmedizinisch nutzbar gemacht werden.
Wünschenswert wäre eine allumfassende, betriebsmedizinische Begleitung der Beschäftigten während ihrer gesamten beruflichen Laufbahn, im Sinne des Gesundheitserhalts.
Hybrider Zwilling –Stresserkennung durch maschinelles Lerne
Die zunehmende Komplexität der Arbeitsplätze erhöht die Stressbelastung, so dass über eine Anpassung der arbeitsmedizinischen Untersuchungen nachgedacht werden muss. Bisherige, starre Vorgehensweisen sollten durch eine kontinuierliche Auswertung von Daten am Arbeitsplatz erweitert werden. Ein Smart Textile ermöglicht diesen Ansatz und könnte mithilfe von maschinellem Lernen einen hybriden Zwilling erzeugen, der wertvolle betriebsmedizinische Erkenntnisse über die gesamte Lebensarbeitszeit liefert.
Einführung
Die aktuellen, weltweiten Entwicklungen erfordern eine kriegsbereite Bundeswehr und somit kontinuierliche An- und Beschaffungen von militärischen Verteidigungsmitteln. Soldatinnen und Soldaten müssen die Handhabung und Bedienung dieser neuen, zum Teil sehr komplexen Geräte, erlernen und ihre Kenntnisse immer wieder aktualisieren. Die Schnittstelle Maschine-Mensch spielt hierbei zunehmend eine zentrale Rolle. Die Hochtechnisierung von militärischen Gerätschaften wirkt sich in steigendem Maße sowohl physisch als auch psychisch belastend auf die Soldatinnen und Soldaten aus, da die komplexen Anforderungen nicht nur bei landgebundenen, sondern auch bei luftoperierenden oder zu Wasser eingesetzten Systemen anspruchsvolle Arbeitsplätze, und zwar an allen Stationen, darstellen (➥ Abb. 1). Aus betriebsmedizinischer Sicht ist eine Ausweitung der Gefährdungsbeurteilung im Rahmen dieser stetigen Entwicklung daher unumgänglich und der Fachbereich Arbeits-, Sozial- und Umweltmedizin muss diesem Aspekt Rechnung tragen. Die daraus resultierende Konsequenz ist eine Anpassung der Vorsorgeuntersuchungen, damit rechtzeitig eine Überlastung der Soldatinnen und Soldaten erkannt und potenzielle arbeitsplatzbedingte Erkrankungen abgewendet werden können. Das beinhaltet auch die Unterscheidung der Belastbarkeiten innerhalb der unterschiedlichen biologischen Geschlechter (Genderphysiologie). Die in Summe ebenfalls anwachsende Datenmenge und -komplexität wird es unumgänglich machen, unter Zuhilfenahme neuronaler Netzwerke oder „deep learning“ etc. eine individuelle Stresslevelbeurteilung mindestens über die dienstlichen Zeiträume aufzunehmen und zu bewerten. Zusätzlich ist mit dem Ausdruck „Zeiträume“ gemeint, dass zur Gesamtbeurteilung des Leistungszustands der Militärangehörigen Daten von der Einstellung bis zur Entlassung aus dem militärischen Dienst eine arbeitsmedizinische Begleitung vorgenommen werden sollte (Altersphysiologie), auch wenn diese aufgrund der Komplexität herausfordernd sein wird.
Digitalisierung und Digital Twins
Die Digitalisierung ist aus dem Alltag nicht mehr wegzudenken und entwickelt sich ständig weiter. In allen Branchen wird im Rahmen dieser Digitalisierung versucht, die analoge Weitergabe von Informationen elektronisch umzusetzen und somit schnell nutzbar zu machen. In den industriellen Abläufen hat diese Entwicklung zu Optimierungen von Prozessen geführt, die zum Teil den Menschen entlasten, aber gleichzeitig auch belasten. Grund dafür ist, dass immer wieder neue Herausforderungen für den jeweiligen Arbeitsplatz entstehen. Was im technischen Bereich bereits umgesetzt ist, wird zunehmend auch im medizinischen Kontext zur Beurteilung des Gesundheitszustands genutzt. Dies führte zu der Entwicklung von sogenannten digitalen Zwillingen (digital twins), die wie folgt definiert werden:
[Der digitale Zwilling] ist eine digitale Repräsentanz eines materiellen oder immateriellen Objekts aus der realen in die digitale Welt. Unerheblich dabei ist, ob das Gegenstück bereits real existiert oder erst in Zukunft entstehen wird. Digitale Zwillinge ermöglichen einen übergreifenden Datenaustausch. Sie sind mehr als reine Daten und bestehen aus Modellen des repräsentierten Objekts oder Prozesses und können daneben Simulationen, Algorithmen und Services enthalten, die Eigenschaften oder Verhalten des Objektes oder Prozesses beschrieben, beeinflussen oder Dienste darüber anbieten (Quelle: Wikipedia).
Ergänzend haben Klostermeier et al. (2019) hinzugefügt: „[…] als innovative Technologie bietet er Industrie und Wirtschaft große Möglichkeiten, aber birgt auch noch große Herausforderungen. In der Forschung gewinnen digitale Zwillinge deshalb zunehmend an Bedeutung“.
In einer Studienumfrage (11/2018) haben 73 % der Befragten in der Bundesrepublik Deutschland (n = 1000) die Begrifflichkeit noch nie gehört und 99 % konnten diese nicht erklären.
Was als Science-Fiction begann (siehe die drei großen Science-Fiction-Autoren Asimov, Clarke und Heinlein, um 1965), wurde Anfang des 21. Jahrhunderts mit einem Konzeptmodell des digitalen Zwillings weiterentwickelt (Grieves u. Vickers). Dieses setzt sich aus folgenden drei Hauptteilen zusammen:
physische Produkte im „realen Raum“,
virtuelle oder digitale Produkte im „virtuellen Raum“ und
Daten- und Informationsverbindungen.
Die hauptsächlichen Anwendungsbereiche sind die industrielle Fertigung von technischen Produkten, die Transportwirtschaft und die Produktions- und Auftragssteuerung. Zunehmend findet der digitale Zwilling auch in der Medizin Anwendung, indem zur Simulation von medizinischen Anwendungen ein virtuelles Abbild einer Patientin/eines Patienten erstellt werden kann. Dies ermöglicht die Erstellung eines individuellen, präoperativen Behandlungsplans, beispielsweise zur passgenauen Anfertigung von Prothesen in chirurgischen Fachbereichen, die einen wesentlichen Einfluss auf den Heilungsverlauf hat (Kurakova et al. 2022). In der Herzchirurgie können 3D-Modelle bessere Vorhersagen für den operativen oder konservativen Eingriff generieren. Auch in anderen medizinischen Fachrichtungen findet die künstliche Intelligenz (KI) bei der Therapiemodellierung zunehmend Einzug, so kann zum Beispiel die Medikation bei der Behandlung eines Diabetes mellitus individuell angepasst oder die Beurteilung von EKGs deutlich verbessert werden (Rafie et al. 2022).
Auch wenn die Begrifflichkeit des „digitalen Zwillings“ in der Allgemeinbevölkerung nicht geläufig ist, besitzen etwa 36 % der Menschen in Deutschland ein Wearable, weltweit sind 534 Millionen im Umlauf. Diese „Gesundheits-Tracker“ sind Computertechnologien, die am Körper getragen werden und stellen eine Konkretisierung des Ubiquitous Computing, der Allgegenwart der Datenverarbeitung und Teil des Internets der Dinge (IoT) dar. Der Sinn und Zweck ist meist die Unterstützung einer Tätigkeit durch (Zusatz-)Informationen, Auswertungen und Anweisungen in der realen Welt. Ziel ist die Erweiterung von menschlichen Möglichkeiten und die Verbesserung der Leistungsfähigkeit (Human Performance Enhancement – HPE). Dieses Quantified Self steht jedoch datenschutzrechtlich und informationsethisch, vor dem Hintergrund, dass personenbezogene Daten und Bewegungsprofile, Augmented Reality (AR), für die Auswertung genutzt werden, häufig in der Kritik. Dies betrifft den Persönlichkeitsschutz und das HPE in der Informationsethik, beispielsweise in der Form, ob ein Arbeitgeber den Arbeitnehmer zwingen darf, Wearables zu tragen. In der Medizinethik wird auf das Tangieren des körperlichen und geistigen Wohls hingewiesen (Moll et al. 2017).
Digitalisierung im militärischen Bereich
Im militärischen Kontext ist jedoch die exakte Datenerhebung und -verarbeitung eine sinnvolle Unterstützung und kann im taktischen Sinne wertvoll sein Durch eine Erweiterung des neuen Führungsinformationssystems mit einem medizinischen Tool könnten die Leistungszustände aller Personen im Training und im Gefecht nahezu in Echtzeit erfasst werden. Damit wäre ein effektiverer Einsatz von Truppenteilen möglich, um diese je nach physiologischem Zustand Aufträge zielgerichtet ausführen zu lassen (BMS – Battle Management System, siehe Online Quellen). Zudem ermöglicht dies insbesondere in Trainingssituationen, Unfälle zu vermeiden, indem rechtzeitig auf pathologische Veränderungen reagiert werden kann (Fürsorgepflicht). Da Überbelastungen vermehrt zu Fehlleistungen und Unsicherheit führen und Konzentrationsmangel (Human Factors – HF; Vasquez et al. 2022) Zwischenfälle zur Folge haben, können diese Parameter erkannt und bei Bedarf frühzeitig durch geeignete Maßnahmen deutlich reduziert werden. Zusätzlich könnten diese Daten nutzbar gemacht werden, um stressbelasteten Situationen frühzeitig entgegenzuwirken. Ein Beispiel stellen Display-Informationen in einem Fahrzeug dar, die im Falle eines Anstiegs des Stresslevels auf nur erforderliche Informationen reduziert werden könnten. So wäre es möglich, ab einem kritischen Punkt nur wesentliche Informationen für die Anwendenden darzustellen (Schnittstelle Maschine-Mensch; Quandt et al. 2022). Diese auf wesentliche Parameter dargestellte automatisierte Reduktion ist eine hauptsächliche Aufgabenstellung an die Lernfähigkeit der künstlichen Intelligenz (KI) und wesentlicher Bestandteil der daraus resultierenden erfolgreichen Unterstützung. Perspektivisch ermöglicht dieser Ansatz eine hocheffiziente Notfallversorgung, bei der Patientinnen und Patienten in Notfallsituationen individualisiert behandelt werden. Durch die automatisierte Auswahl des geeignetsten Rettungsmittels auf Basis umfassender Informationen und die Integration aller präklinischen Daten könnte der Behandlungserfolg signifikant verbessert werden (Digitalisierung der Rettungskette; Schober 2021).
Der Nachteil von bisher verkauften Off-the-shelf-Wearables (tragbare Geräte „von der Stange“) ist aus physiologischer Sicht die Ungenauigkeit der Datenerfassung. Die meisten Devices zeichnen zumeist nur einen Parameter – wie die Herzfrequenz – auf, aus diesem algorithmenbasiert weitere Parameter modelliert werden. Von entscheidender Bedeutung ist aber auch der Ort der Datenerhebung am Individuum. Am Handgelenk oder auf der Brust aufgenommene Parameter unterliegen erheblichen Limitationen, denn zum Beispiel die Körperkerntemperatur (KKT) kann dort nicht gemessen werden. Zudem kommt es bei einer Auskühlung der Extremitäten zu Durchblutungseinschränkungen, die sich auf bestimmte Parameter, wie die Sauerstoffsättigung, negativ auswirken können. Daher muss eine korrekte Anlage der Sensorik an geeigneten, ausgewählten Körperstellen erfolgen, um verlässliche Ergebnisse erzielen zu können. Um am Beispiel der KKT zu bleiben, wäre aus medizinischer Sicht für die Messung der Kopf der ideale Ort, jedoch ist es schwierig, Sensoren hier anzubringen, es sei denn, es würde ein Helm getragen werden, in dem die Sensortechnologie integriert werden kann. Außerdem existieren nicht für alle Orte verlässliche Algorithmen, insbesondere nicht bei sich immer wieder verändernden Umwelteinflüssen. Eine einfache Handhabung von Sensoren sowie ein entsprechender Tragekomfort gewährleisten eine zunehmende Compliance. Realisierbar wäre dies zum Beispiel durch eine bereits vorgefertigte Unterwäsche, die mit Sensoren an geeigneten Stellen versehen wird („smart textile“, „instrumenting while clothing“ – IwC, ➥ Abb. 2).
Ein wesentlicher Faktor ist zusätzlich, dass die auf der Haut anliegenden Sensoren die Trägerinnen und Träger niemals stören dürfen, weil durch Bewegung sonst falsche Ergebnisse interpretiert werden (Scheit u. Werner 2021). Die anfallenden Daten müssen synchron aufgezeichnet werden, damit ein KI-basierender Algorithmus überhaupt erst entstehen kann (Scheuermann et al. 2020). Im Weiteren sollen neben den physiologischen auch die psychologischen und meteorologischen Parameter einbezogen werden – es entsteht ein physiologisch-psychologisch-meteorologischer Algorithmus (p²mA). Ein solcher Algorithmus kann nur dann vernünftig entwickelt werden, wenn erst einmal erhebliche Daten des „Normalen“ eingeflossen sind (physiologischer Fingerabdruck, „physiological finger print“ – pfp). Stark belastende und stressauslösende Ereignisse können erst dann detektiert und entsprechend zur Handlung genutzt werden. Die Darstellung der Ergebnisse sollte mittels metrischer Skalierung (Scoring von 1–10) erfolgen und durch eine Trendanalyse erweitert werden. Unter Zuhilfenahme von KI kann diese im Vorhinein rechnerisch erhoben werden. Ein Ampelsystem ist hier unbrauchbar, weil die Farbe Gelb keine vernünftige Diskriminierung zulässt, außerdem sind nur drei Items zur Beurteilung zu gering. Der jeweilige Datensatz muss sicher und für die Nutzung in Echtzeit an eine zentrale Stelle übermittelt werden können. Dies findet bereits mittels Telemetriedaten aus Flugzeugen oder dem Motorsport statt, die Betrachtung physiologischer Aspekte fand bislang noch keine Verwendung.
Abb. 2: Shirt mit integrierter physiologischer Sensorik (Smart Textile) mit Aufnahmeeinheit
Ausblick
Ein System, das alle beschriebenen Erfordernisse einer allumfassenden Datenanalyse und -übertragung umfasst, befindet sich schon in der fortgeschrittenen Entwicklung. Es ist derzeit aktuell weltweit nur in der Bundesrepublik Deutschland zu finden und ist mit dem mobilen physiologischen Labor – mobPhysioLab® – bereits nutzbar erhältlich (Werner et al. 2024), ist jedoch der stetigen Weiterentwicklung und Anpassungen unterworfen. Der betriebsmedizinische Dienst der Bundeswehr setzt zur Beratung im arbeitsmedizinischen Kontext diese Möglichkeiten im Rahmen der Arbeitsplatzanalyse bereits ein (z. B. Fahrversuche Panzer) und wird diese aus fürsorglichen Gründen immer weiter ausbauen.
Interessenkonflikt: Das Autorenteam gibt an, dass keine Interessenkonflikte vorliegen.
Literatur
Klostermeier R, Haag S, Benlian A: Geschäftsmodelle digitaler Zwillinge: HMD Best Paper Award 2018. Berlin: Springer, 2019.
Kurakova NG, Tsvetkova LA, Polyakova YV: Tsifrovye dvoiniki v khirurgii: dostizheniya i ogranicheniya [Digital twins in surgery: achievements and limitations]. Khirurgiia (Mosk) 2022; (5): 97–110. doi:10.17116/hirurgia202205197.
Moll R, Schulze A, Rusch-Rodosthenous M, Kunke C, Scheibel L: Wearables, Fitness-Apps und der Datenschutz: Alles unter Kontrolle? Verbraucherzentrale NRW e.V. (Hrsg.), 2017.
Quandt M, Stern H, Zeitler W, Freitag M: Human-centered design of cognitive assistance systems for industrial work. Procedia CIRP 2022; 107: 233-238. doi:10.1016/j.procir.2022.04.039.
Rafie N, Jentzer JC, Noseworthy PA, Kashou AH: Mortality prediction in cardiac intensive care unit patients: a systematic review of existing and artificial intelligence augmented approaches. Front Artif Intell 2022; 5: 876007. doi:10.3389/frai.2022.876007 (Open Access).
Scheit L, Werner A: „Wearable Sensors“ zur Unterstützung eines medizinischen Monitorings für militärische Zwecke. WMM 2021; 65: 225–235.
Scheuermann C, Binderberger T, von Frankenberg N, Werner A: Digital twin: a machine learning approach to predict individual stress levels in extreme environments. UbiComp-ISWC ‘20: Adjunct Proceedings of the 2020 ACM International Joint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2020 ACM International Symposium on Wearable Computers, September 2020, S. 657–664.
Schober K: Megatrend Digitalisierung – Smart Textiles und Augmented Reality in der Bundeswehr? Wehrtechnik Sonderheft 2021: 40–41.
Vasquez HM, Pianarosa E, Sirbu R, Diemert LM, Cunningham HV, Donmez B, Rosella LC: Human factors applications in the design of decision support systems for population health: a scoping review. BMJ Open 2022; 12: e054330. doi:10.1186/s12889-024-19968-8 (Open Access).
Werner A, Gunga HC, Küpper T: Historical and current online monitoring of vital parameters of persons on duty in extreme environments. Health Sci J 2024; 18, No. S10: 001. doi:10.36648/1791-809X.16.S10.002.
WHO – Weltgesundheitsorganisation: Verfassung der Weltgesundheitsorganisation (WHO) 0.810.1, „Definition Gesundheit“ vom 22. Juli 1946, Ratifizierung Deutschland 29. Mai 1951.
Abb. 3: Mobiles physiologisches Labor – mobPhysioLab® mit diversen physiologischen Sensoren zur Detektion von Stress für direkte Anwendungen am realen Arbeitsplatz
