KI-gestützte geschlossene Gehirn-Schnittstellen könnten kognitives Training für ältere Erwachsene personalisieren

Der kognitive Abbau bei älteren Erwachsenen stellt eine der drängendsten Herausforderungen der globalen Alterung dar. Dennoch zeigen aktuell digital vermittelte nicht-pharmakologische Interventionen (dNPIs) – darunter computergestütztes kognitives Training (CCT), nicht-invasive Hirnstimulation (NIBS) und Neurofeedback – eine uneinheitliche Wirksamkeit. Das von Stanford-Forschern identifizierte Kernproblem ist ein grundlegender Missmatch: Bestehende Systeme verwenden bevölkerungsweite Einheitsdesigns, die die individuellen neurobiologischen Echtzeitdynamiken jedes Einzelnen ignorieren. Dies führt zu variablen und häufig enttäuschenden kognitiven Fortschritten – insbesondere hinsichtlich der Transfereffekte auf Alltagsaktivitäten.

Um diesem Problem zu begegnen, schlagen die Autoren ein geschlossenes Mensch-Maschine-Schnittstellen-Framework (HMI) vor, das aus drei integrierten Komponenten besteht. Die Sensorschicht erfasst multimodale neurobiologische Signale aus dem zentralen Nervensystem (ZNS), dem peripheren Nervensystem (PNS) und dem Verhalten – mithilfe von Modalitäten wie EEG, fNIRS, ECG, EMG, EOG, Eye-Tracking und Kameras. Der Controller setzt KI-gestützte Algorithmen ein, um kognitive Zustände in Echtzeit zu dekodieren und multimodale, leicht erfassbare Signale in Vorhersagen schwerer erfassbarer neuronaler Metriken zu übersetzen. Der externe Aktuator passt anschließend die dNPI an – sei es durch adaptive Anpassung der kognitiven Aufgabenschwierigkeit, der Neurostimulationsparameter oder des Biofeedback-Inhalts –, um ein optimales neurokognitives Ressourcenengagement aufrechtzuerhalten.

Die Arbeit umfasst ein PRISMA-geleitetes systematisches Review bestehender Closed-Loop-HMI-Studien, die an älteren Erwachsenen oder Personen mit kognitiver Beeinträchtigung durchgeführt wurden (recherchiert in PubMed, Web of Science, IEEE Xplore und anderen Datenbanken bis November 2024). Die wichtigsten Erkenntnisse aus Tabelle 1 des Reviews zeigen, dass es sich bei den meisten Studien um quasi-experimentelle Machbarkeitsstudien mit kleinen Stichproben handelt, die auf unimodalen Sensoren – vorwiegend EEG oder ECG – basieren und sich auf die Selbstregulation der Neurophysiologie im Ruhezustand konzentrieren, anstatt auf domänenspezifische kognitive Prozesse wie Arbeitsgedächtnis, Aufmerksamkeit oder Verarbeitungsgeschwindigkeit. Lediglich eine identifizierte Studie verwendete bimodale Sensoren (Microsoft Kinect plus ECG) für kognitiv-körperliches Training über mehrere kognitive Kontrolldomänen hinweg. Keine der vorhandenen Studien berücksichtigte altersgerechte Designprinzipien, die auf Benutzerfreundlichkeit, Tragbarkeit oder altersspezifische Aspekte der Signalvalidität ausgerichtet sind.

Ein zentraler Beitrag dieses Frameworks ist die Formalisierung „altersgerechter" Designkriterien entlang dreier Dimensionen: Benutzerfreundlichkeit (Einfachheit, Tragbarkeit, Zugänglichkeit für den Heim- und klinischen Einsatz), Zuverlässigkeit (Konsistenz der Signalerfassung und Vertrauenswürdigkeit des Feedbacks) sowie Validität (genaue Abbildung neurobiologischer Zustände, die für die kognitive Alterung relevant sind). Die Autoren benennen ausdrücklich alterungsbedingte Barrieren, die frühere Systeme ignoriert haben – verminderte Hautleitfähigkeit, Hirnatrophie, Muskelerschlaffung, Tremor, kognitive Ermüdung, sensomotorische Beeinträchtigungen und verlangsamte Verarbeitungsgeschwindigkeit –, die allesamt die Signalqualität verschlechtern, Lernkurven verlängern und die langfristige Adhärenz untergraben können.

Die Personalisierungsstrategie gründet auf dem theoretischen Konzept eines „Mismatches zwischen Nachfrage und Angebot" an kognitiven Ressourcen, wobei das Closed-Loop-System die Interventionsparameter kontinuierlich anpasst, um den aktuellen neurobiologischen Zustand einer Person mit optimalen Engagement-Schwellenwerten in Einklang zu bringen. Die Autoren sehen dieses Framework als Wegbereiter für nachhaltige, übertragbare kognitive Fortschritte – nicht nur eine Verbesserung der trainierten Aufgaben –, indem es auf die zugrunde liegenden neuronalen Schaltkreise spezifischer kognitiver Domänen abzielt. Wesentliche Vorbehalte umfassen das Fehlen von Evidenz aus randomisierten kontrollierten Studien für Closed-Loop-HMIs in dieser Population, die Heterogenität der vorhandenen Studien sowie den konzeptuellen – statt empirischen – Charakter des vorgeschlagenen Frameworks selbst, das noch einer prospektiven Validierung bedarf.