Eine Studie aus Katar zeigt, dass die digitale Gesundheitskompetenz (Digital Health Literacy) bei arabischen Erwachsenen mit Diabetes, Bluthochdruck oder rheumatoider Arthritis insgesamt nur moderat ausgeprägt ist. Rund die Hälfte der Befragten erreichte einen hohen Wert auf der eHealth Literacy Scale. Besonders ältere Personen und Menschen mit niedrigerem Bildungsniveau schnitten deutlich schlechter ab. Die Nutzung des Internets zur Suche nach Gesundheitsinformationen war der stärkste Prädiktor für eine hohe Kompetenz. Hintergrund Digitale Gesundheitskompetenz beschreibt die Fähigkeit, Gesundheitsinformationen aus digitalen Quellen zu finden, zu verstehen, zu bewerten und anzuwenden. Sie gilt als wichtige Voraussetzung für ein erfolgreiches Selbstmanagement bei chronischen Erkrankungen. In Katar und weiteren Ländern der Region werden zunehmend digitale Gesundheitsangebote entwickelt. Bisher fehlten jedoch belastbare Daten zur digitalen Gesundheitskompetenz bei arabischsprachigen Patienten mit chronischen Erkrankungen. Methode Die Forscher führten eine Querschnittsstudie an der Hamad Medical Corporation in Katar durch. Zwischen Juli… 

Ein umfassender Review fasst den aktuellen Stand von Human Digital Twins (HDTs) zusammen – virtuellen, kontinuierlich aktualisierten Abbildern einzelner Patienten, die Echtzeitdaten mit computergestützten Modellen verbinden. Die Technologie soll künftig Behandlungsverläufe vorhersagen, Therapien optimieren und die Planung klinischer Studien verbessern. Die Übersichtsarbeit identifiziert sowohl das Potenzial als auch zentrale technische, regulatorische und ethische Hürden auf dem Weg in die klinische Praxis. Hintergrund Die personalisierte Medizin erfordert Modelle, die individuelle biologische, genetische und klinische Merkmale berücksichtigen. Bisherige computergestützte Ansätze arbeiten meist mit populationsbasierten Durchschnittswerten oder statischen Simulationen. Human Digital Twins gehen darüber hinaus: Sie schaffen dynamische virtuelle Patientenmodelle, die durch kontinuierliche Datenzufuhr (Genomik, Bildgebung, Wearables, Laborwerte) laufend aktualisiert werden und prädiktive Simulationen ermöglichen. Technologische Grundlage HDTs beruhen auf einer mehrschichtigen Architektur. Auf der Datenebene werden genomische, bildgebende, sensorische und klinische Informationen zusammengeführt. Machine-Learning-Verfahren, insbesondere Deep-Learning- und Transformer-Modelle, erfassen komplexe nichtlineare Zusammenhänge.… 

Ein Forscherteam aus Indien hat ein neues KI-System vorgestellt, das Alzheimer-Erkrankungen frühzeitig erkennen soll – und dabei sowohl die Privatsphäre der Patienten schützt als auch nachvollziehbare Entscheidungen liefert. Das Modell namens FuzzyFed-CNN kombiniert Bildanalyse von MRT-Aufnahmen mit klinischen Daten in einem föderierten Lernansatz. Die Studie wurde in der Fachzeitschrift Frontiers in Artificial Intelligence veröffentlicht (DOI: 10.3389/frai.2026.1852196). Hintergrund Die Früherkennung von Alzheimer ist entscheidend, um den Krankheitsverlauf zu verlangsamen. Bisherige KI-Modelle analysieren meist nur MRT-Bilder oder klinische Daten zentral – was Datenschutzprobleme aufwirft und die Nachvollziehbarkeit der Entscheidungen erschwert. Zudem fehlt vielen Systemen die Fähigkeit, Unsicherheiten in klinischen Daten (z. B. bei MMSE-Werten oder Hippocampus-Volumen) angemessen zu berücksichtigen. Die Methode: FuzzyFed-CNN Das vorgeschlagene System verarbeitet zwei Datenströme parallel: Die beiden Feature-Vektoren werden fusioniert. Das Training erfolgt föderiert (Federated Learning) mit dem FedAvg-Algorithmus: Die teilnehmenden Kliniken trainieren lokal auf ihren eigenen Daten… 

Eine systematische Übersichtsarbeit und Meta-Analyse zeigt, dass Künstliche Intelligenz (KI) Tuberkulose (TB) anhand von Hustenaufnahmen mit hoher Genauigkeit erkennen kann. Die gepoolte Sensitivität lag bei 91 % und die Spezifität bei 89 %. Die Autoren sehen darin ein potenziell kostengünstiges und leicht zugängliches Screening-Tool für ressourcenarme Regionen. Die Studie wurde in der Fachzeitschrift Frontiers in Artificial Intelligence veröffentlicht. Hintergrund Tuberkulose ist weltweit die häufigste zum Tode führende Infektionskrankheit. Besonders in Ländern mit niedrigem und mittlerem Einkommen fehlt es oft an schnellen, günstigen und leicht verfügbaren Diagnoseverfahren. Der typische TB-Husten unterscheidet sich akustisch von Husten bei anderen Erkrankungen. KI-gestützte Analyse von Hustenaufnahmen könnte daher eine nicht-invasive, skalierbare Screening-Methode darstellen – insbesondere mithilfe von Smartphones. Methode und Ergebnisse Die Forscher werteten 14 Studien aus (hauptsächlich aus Asien und Afrika), die zwischen 2009 und 2024 veröffentlicht wurden. In sieben Studien mit ausreichenden Daten…