Warum kardiorespiratorische Fitness in jeden Herzerkrankungs-Risikorechner gehört
Eine neue Übersichtsarbeit argumentiert, dass VO2 max und Aktivitätsdaten von Wearables in standardmäßige Herz-Kreislauf-Risikovorhersagemodelle integriert werden sollten.
Zusammenfassung
Aktuelle kardiovaskuläre Risikorechner stützen sich hauptsächlich auf statische Laborwerte wie Cholesterin und Blutdruck und vernachlässigen dabei zwei der stärksten Prädiktoren für Herzerkrankungen und Sterblichkeit: kardiorespiratorische Fitness und körperliche Aktivität. Diese Übersichtsarbeit fasst Belege zusammen, die zeigen, dass Fitness – am besten durch kardiopulmonale Belastungstests gemessen – die physiologische Gesamtreserve des Körpers widerspiegelt und viele traditionelle Risikofaktoren in ihrer Aussagekraft übertrifft. Wearables liefern heute kontinuierliche Aktivitätsdaten aus dem Alltag, die klinische Momentaufnahmen sinnvoll ergänzen. Die Autoren plädieren für multimodale Vorhersagemodelle, die elektronische Gesundheitsakten, EKG, Bildgebung, Wearables und Belastungstests kombinieren, um die Risikostratifizierung zu personalisieren. Sie warnen jedoch davor, dass den aktuellen Modellen noch eine strenge externe Validierung, eine Berichterstattung zur Kalibrierung sowie Gleichwertigkeitsbewertungen für verschiedene Bevölkerungsgruppen fehlen. Der Aufruf zum Handeln: Fitness als modifizierbaren, klinisch messbaren Phänotyp betrachten – und entsprechend handeln.
Detaillierte Zusammenfassung
Atherosklerotische Herz-Kreislauf-Erkrankungen zählen weltweit nach wie vor zu den häufigsten Todesursachen, doch die Risikogleichungen, auf die Kliniker bei der Prävention zurückgreifen, wurden überwiegend auf der Grundlage statischer, in der Praxis erhobener Variablen entwickelt – Cholesterin, Blutdruck, Alter und Raucherstatus. Zwei der stärksten Prädiktoren für kardiovaskuläre und Gesamtmortalität – die kardiorespiratorische Fitness (CRF) und körperliche Aktivität – werden dabei routinemäßig außer Acht gelassen.
Dieser narrative Review, der auf epidemiologischen Studien, klinischen Studien und methodischen Rahmensätzen basiert, plädiert für die Integration von CRF- und Aktivitätsdaten in Risikomodelle der nächsten Generation. CRF spiegelt die integrierte physiologische Reserve wider – wie effizient Herz, Lunge, Muskeln und autonomes Nervensystem unter Belastung zusammenwirken. Die kardiopulmonale Belastungsuntersuchung (CPET) geht noch weiter und identifiziert die spezifischen Mechanismen, die die Belastungskapazität begrenzen – ob kardial, ventilatorisch, pulmonal-vaskulär, autonom oder peripher. Diese mechanistische Granularität ist klinisch handlungsrelevant auf eine Weise, die ein Nüchtern-Cholesterinpanel schlicht nicht leisten kann.
Wearable-Geräte liefern heute longitudinale, alltagsnahe Messungen körperlicher Aktivität und Sitzverhalten, die einen einzelnen Praxisbesuch sinnvoll ergänzen. Die Autoren skizzieren multimodale Prognosemodelle, die elektronische Patientenakten, Elektrokardiographie, kardiale Bildgebung, Biosignale von Wearables und Belastungsuntersuchungen kombinieren, um personalisierte, dynamische Risikoprofile zu erstellen. Solche Modelle könnten Hochrisikopersonen früher identifizieren und gezielte Interventionen lenken.
Trotz dieses Potenzials bestehen erhebliche Lücken. Die aktuelle Evidenz leidet unter unzureichender externer und prospektiver Validierung, unvollständiger Berichterstattung zur Kalibrierung, begrenzter entscheidungsanalytischer Bewertung sowie mangelhafter Beurteilung der Leistungsfähigkeit über demographische Subgruppen hinweg – was Fragen der Chancengerechtigkeit aufwirft. Modelle, die in Studienpopulationen gut abschneiden, können im klinischen Alltag versagen.
Die Autoren kommen zu dem Schluss, dass körperliche Aktivität und CRF als veränderbare klinische Phänotypen behandelt werden sollten – nicht als optionale Ergänzungen. Zukünftige Risikomodelle müssen standardisierte Messmethoden, mechanistische Validierung digitaler Phänotypen, rigorose Kalibrierung und prospektive Belege für den klinischen Nutzen priorisieren, bevor sie flächendeckend eingesetzt werden.
Wichtigste Erkenntnisse
- Cardiorespiratory fitness is strongly associated with cardiovascular and all-cause mortality, yet is excluded from most standard risk calculators.
- Cardiopulmonary exercise testing identifies specific mechanisms of exercise limitation — cardiac, ventilatory, autonomic, and peripheral.
- Wearables provide continuous, real-world activity data that meaningfully complement static clinic-based risk factors.
- Multimodal models integrating EHR, ECG, imaging, and exercise data may enable more personalized cardiovascular risk stratification.
- Current predictive models lack external validation, calibration data, and subgroup equity assessments — limiting clinical readiness.
Methodik
Dies ist eine narrative Übersichtsarbeit, die Erkenntnisse aus epidemiologischen Studien, klinischen Studien und methodischen Rahmenwerken zu körperlicher Aktivität, Bewegungsmangel und kardiorespiratorischer Fitness (CRF) in der kardiovaskulären Risikovorhersage zusammenführt. Die Übersicht legt den Schwerpunkt auf digitales Phänotyping, mechanistische Sportphysiologie und das Design multimodaler Vorhersagemodelle. Ein systematisches Suchprotokoll oder eine metaanalytische Zusammenführung von Daten wird nicht beschrieben.
Studienlimitierungen
Dies ist ein narratives Review, daher spiegeln die Ergebnisse die Auswahl und Synthese der Autoren wider, nicht eine systematische oder meta-analytische Methodik. Der ausschließliche Zugang zum Abstract bedeutet, dass feinere Details zur Evidenzqualität und spezifische Studienangaben nicht unabhängig bewertet werden können. Die Autoren selbst weisen darauf hin, dass aktuellen multimodalen Vorhersagemodellen externe prospektive Validierung, Kalibrierungsberichte und Subgruppen-Equity-Daten fehlen – was bedeutet, dass eine klinische Implementierung ohne weitere Forschung verfrüht wäre.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: