Was beantwortet dieses Whitepaper zuerst?
Dieses Whitepaper erklärt zuerst die wichtigsten Fragen zum PEM-Risikomodell und vertieft danach Technik, Methodik und Evidenz.
Kurzantwort
Was macht das PEM-Risikomodell in einem Satz?
Das Modell kombiniert HRV, Ruhepuls und Aktivitätsmuster gegen die persönliche Baseline, um Phasen erhöhten PEM-Risikos früher sichtbar zu machen.
Nutzen
Warum sind Wearable-Daten hier überhaupt hilfreich?
Weil PEM oft zeitverzögert auftritt und reine Selbstbeobachtung zu spät sein kann. Physiologische Signale können zusätzliche Hinweise liefern, bevor die volle Verschlechterung eintritt.
Grenze
Was leistet das Modell ausdrücklich nicht?
Es ersetzt keine Diagnose. Das Modell dient als strukturierte Risiko- und Beobachtungshilfe, die gemeinsam mit Symptomen, Verlauf und Kontext interpretiert werden muss.
Zusammenfassung
Dieses Whitepaper beschreibt einen Algorithmus zur Vorhersage des Risikos für Post-Exertional Malaise (PEM) auf Basis von HRV, Ruhepuls und Aktivitätsdaten. Ziel ist eine frühere Einordnung von Überlastung bei ME/CFS, Long COVID und verwandten Fatigue-Syndromen.
1. Warum PEM-Prognosen schwierig sind
PEM tritt häufig zeitverzögert nach Belastung auf und wird von Betroffenen subjektiv erlebt. Diese Kombination erschwert eine rein symptomorientierte Frühwarnung.
Wearable-Daten eröffnen hier eine zusätzliche Ebene: Sie erfassen physiologische Veränderungen früher und konsistenter als punktuelle Selbstauskünfte allein.
2. Der Modellansatz
Der Ansatz kombiniert drei Signale: Herzratenvariabilität, Ruheherzfrequenz und Aktivitätsmuster. Statt Einzelsignale isoliert zu betrachten, werden sie gegen die persönliche Baseline gewichtet aggregiert.
So entsteht ein Stressindikator, der autonome Dysregulation und ungewöhnliche Belastungsprofile in einem gemeinsamen Score zusammenführt.
3. Einsatz in Elara
Elara nutzt den Score, um Belastungstrends longitudinal zu beobachten und Risikofasen sichtbar zu machen. Das Modell ist nicht als Diagnoseersatz gedacht, sondern als strukturierte Entscheidungs- und Beobachtungshilfe.
Im Zusammenspiel mit Symptomtracking entsteht so eine belastbarere Grundlage für Pacing, Verlaufseinschätzung und Forschungsauswertungen.
Wesentliche Punkte
Mehrere Biomarker sind robuster als ein einzelnes Signal.
Der Vergleich mit der individuellen Baseline ist entscheidend.
Das Modell zielt auf Risikoeinschätzung und Früherkennung, nicht auf Diagnosestellung.
Literatur
Davenport TE, Stevens SR, VanNess JM, Stevens J, Snell CR. (2019)
"Conceptual model for post-exertional malaise in myalgic encephalomyelitis/chronic fatigue syndrome"
Work, 62(3): 505-513
Davis HE, McCorkell L, Vogel JM, Topol EJ. (2023)
"Long COVID: major findings, mechanisms and recommendations"
Nat Rev Microbiol, 21(3): 133-146
Rao N, et al. (2020)
"Heart rate variability as a biomarker for fatigue in chronic fatigue syndrome: A pilot study"
Journal of Translational Medicine, 18: 412
Komaroff AL, Lipkin WI. (2021)
"Insights from myalgic encephalomyelitis/chronic fatigue syndrome may help unravel the pathogenesis of postacute COVID-19 syndrome"
Trends Mol Med, 27(9): 895-906
Wirth K, Scheibenbogen C. (2021)
"A unifying hypothesis of the pathophysiology of myalgic encephalomyelitis/chronic fatigue syndrome (ME/CFS)"
Autoimmun Rev, 20(1): 102527
Die vollständige Referenzliste des internen Whitepapers umfasst zusätzliche Quellen und Implementierungsdetails.