Wie Longev AI lernt: Regeln, Daten und geprüfte Prognosen
Der Kern von Longev AI sind erklärbare klinische Regeln über der eigenen Basislinie des Gastes; darauf sammelt die Plattform Paare „Einwirkung → Reaktion“ und misst offen ihren eigenen Prognosefehler.
Für wen diese Seite gedacht ist. Für technische Audits, Ärzte und Investoren – für alle, die fragen: «Handelt es sich um maschinelles Lernen oder um feste Regeln?» Die Antwort ist ehrlich und direkt über das Portal überprüfbar.
Der Kern sind Regeln – ganz bewusst. Jede Empfehlung leitet sich aus einem festgelegten Schwellenwert ab und lässt sich in einem Satz erklären; kostenpflichtige Anwendungen ändert ausschließlich der Arzt. Im medizinischen Ablauf unterzeichnet niemand eine Blackbox.
Personalisierung über die eigene Basis. Warnhinweise orientieren sich nicht an einer «Bevölkerungsnorm», sondern am eigenen Durchschnitt des Gastes während des Aufenthalts: Ein Ruhepuls von 62 sagt nichts aus, solange man nicht weiß, dass er die ganze Woche bei 54 lag.
Zwei Datensätze. Das Entscheidungsprotokoll («Messwerte des Gastes → ärztliche Entscheidung») und das Ergebnisprotokoll («gestrige Anwendungen und Belastung → morgendliche Messwerte der Uhr»). Beide sind konstruktionsbedingt anonymisiert und lassen sich als JSONL-Zeilen exportieren.
Geprüfte Prognosen. Die Plattform prognostiziert den morgigen Ruhepuls, die HRV, die Body Battery und den Schlafwert mit drei Modellen und weist den durchschnittlichen Fehler jedes Modells aus – als Tabelle, nicht als bloßes Versprechen.
Die Abgrenzung. Wellness & Lifestyle Intelligence dient der Unterstützung des Lebensstils und ist kein Medizinprodukt; das letzte Wort hat immer der Arzt. Aktualisiert am 25.08.2026.
Regeln statt einer Blackbox – und warum
Longev AI arbeitet als deterministische Engine: Dieselbe Nacht führt bei denselben Schwellenwerten immer zum selben Ergebnisblatt. Das ist keine Einschränkung, die die Plattform verschweigt, sondern eine bewusste Entwicklungsentscheidung aus drei Gründen.
Erstens die ärztliche Unterschrift. Das morgendliche Blatt wird vom Arzt unterzeichnet, und jede Zeile darauf muss die Frage nach dem «Warum» beantworten: «Ruhepuls 68 gegenüber Ihrem Durchschnitt von 61 – wir empfehlen, die anstrengende Anwendung zu ersetzen». Empfehlungen, die sich nicht mit einer Zahl belegen lassen, gibt die Engine gar nicht erst aus.
Zweitens der rechtliche Rahmen. Ein System, das eigenständig medizinische Verordnungen anhand eines intransparenten Modells anpasst, rückt in den Bereich der Medizinprodukte und der Hochrisikosysteme gemäß der europäischen Verordnung über künstliche Intelligenz (EU AI Act). Die Plattform bleibt bewusst eine Unterstützung des Lebensstils: Sie schlägt vor, erklärt und überlässt die Entscheidung dem Arzt (rechtlicher Rahmen).
Drittens der Kaltstart. Ein lernfähiges Modell ohne Daten ist festen Regeln unterlegen: In einem Hotel, das erst gestern angebunden wurde, fehlen schlichtweg Trainingsdaten. Regeln funktionieren ab dem ersten Gast – und die Datengrundlage für künftige Modelle sammelt die Plattform ab dem ersten Morgen, wie weiter unten beschrieben.
Individuelle Basiswerte statt einer Bevölkerungsnorm
Nahezu jeder Schwellenwert der Engine vergleicht den Gast mit seinen eigenen Werten. Die Basis ist der Durchschnitt seines aktuellen Aufenthalts: Unvollständige Anreisetage bleiben konsequent außen vor. Solange weniger als zwei vollständige Tage vorliegen, werden noch keine Schwellenwert-Warnungen auf Basis der individuellen Werte ausgelöst – der Vergleich mit einer einzelnen Nacht wäre wie ein Münzwurf, der als Befund ausgegeben wird. Der Arzt kann diese Mindestdauer auf bis zu 5 Tage anheben.
Für die Herzfrequenzvariabilität (HRV – wie ungleichmäßig die Abstände zwischen den Herzschlägen sind) gibt es eine zweite verlässliche Referenz: den persönlichen Normalbereich des Gastes, den der Firstbeat-Algorithmus in Garmin über etwa drei Wochen erlernt. Wenn die Uhr, die den Gast schon länger kennt als unsere zweitägige Basis, «unter dem Bereich» meldet, kann die Bereitschaftskomponente nicht grün ausfallen – das Urteil der Uhr wiegt schwerer als unsere eigene Berechnung, und zwar ausschließlich in dieser vorsichtigen Richtung.
Aus denselben Messwerten wird die Tagesbereitschaft berechnet – eine Zahl von 0 bis 100, vergleichbar mit der Readiness des Oura-Rings oder dem Recovery-Wert des WHOOP-Bands, jedoch basierend auf Garmin-Daten und nach Vorgaben, die der Hotelarzt anpassen kann: Die Body Battery fließt mit 30 Punkten ein, HRV und Schlaf mit jeweils 25, der Ruhepuls und die gestrige Belastung mit jeweils 10. Fehlen Daten für eine Komponente, wird sie nicht durch einen Pauschalwert ersetzt – sie entfällt, die Gewichtung wird neu normiert, und wenn weniger als die Hälfte des Gesamtgewichts vorliegt, wird bewusst kein Gesamtwert ermittelt.
Morgenblatt für den Arzt: Tagesbereitschaft 49 von 100 mit Aufschlüsselung der Komponenten – jede Zeile enthält ihren eigenen Messwert, ihren Basiswert und ihre Begründung×
Die Ebenen der Engine
Ebene
Funktion
Details
Eingabe
25 Messwerte von Garmin-Uhr und -Waage, Fragebogen, ärztliche Verordnungen, Ernährungstagebuch
Ein Hotel-PMS kann die Garmin Health API anbinden und Puls sowie Schlaf abrufen. Was ihm jedoch fehlt, sind die beiden Bestandteile eines Trainingsdatensatzes: die ärztlichen Verordnungen und das Ernährungstagebuch. Deshalb baut die Plattform zwei Datensätze auf — und beide existieren nur dort, wo Biometrie, Verordnungen und Ernährung in einem gemeinsamen Kreislauf zusammenlaufen.
Entscheidungsprotokoll — «Werte des Gastes → was der Arzt getan hat». Jede Aktion in der Übersicht wird zusammen mit einer anonymen Momentaufnahme des Gastes gespeichert: Alter, Geschlecht, Aufenthaltstag, Nachtwerte, eigene Durchschnittswerte, Flags. Schon heute dient dies als Vorschlagssystem: Der Arzt sieht, wie das Haus bei vergleichbaren Werten entschieden hat.
Ergebnisprotokoll — «Einwirkung → Reaktion». An jedem gemessenen Morgen speichert die Plattform automatisch ein Wertepaar: Anwendungen und Belastung des Vortags (inklusive Abendessen nach 20:00 Uhr und getrunkener Mineralwasserbecher) neben den morgendlichen Daten der Uhr — Ruhepuls und HRV im Vergleich zur eigenen Baseline, Schlaf, Body Battery, Bereitschaft, Flags.
Anonymität und Löschung. Die Zeilen enthalten weder Namen noch Geburtsdatum. Wird die Einwilligung in die Gesundheitsdaten widerrufen, werden auch die Wertepaare des Gastes entfernt — der Datensatz wird dadurch verlässlicher, nicht ärmer. Der Export erfolgt als JSONL-Zeilen aus dem Adminbereich.
Beobachtung, keine Kausalität. Über die gesammelten Wertepaare zeigt die Übersicht Durchschnittswerte «mit Faktor / ohne»: Wärmeanwendungen am Vortag, eine anstrengende Behandlung, Belastung 50 % über der Baseline, spätes Abendessen. Ein Vergleich wird erst ab 5 Wertepaaren pro Seite angezeigt und als Beobachtung gekennzeichnet: Ein einzelner Morgen hat zu viele Einflussfaktoren, als dass man einen Mittelwertunterschied als Ursache bezeichnen könnte.
Prognosetest: Fehlerquote statt Versprechen
Die Aussage «die Plattform wird immer präziser» muss einem Audit in Zahlen nachweisbar sein. Dafür gibt es im Adminbereich den Prognosetest: Über den gesamten bisherigen Verlauf prognostiziert die Plattform rückwirkend jeden Morgen — Ruhepuls, HRV, Body Battery und Schlafwert — und berechnet den mittleren absoluten Fehler (MAE): um wie viele Einheiten die Prognose im Durchschnitt abweicht.
Die Berechnung erfolgt Walk-Forward — «streng nach vorn gerichtet»: Die Prognose für einen Morgen stützt sich ausschließlich auf die vorangegangenen Tage, und auch der Belastungskoeffizient lernt nur aus Wertepaaren, die bis zu diesem Zeitpunkt bereits vorlagen. Ein Blick in die Zukunft oder das nachträgliche Anpassen von Ergebnissen ist konstruktionsbedingt ausgeschlossen.
Modell
Wie sie prognostiziert
Zweck in der Tabelle
«Wie gestern»
morgen gilt derselbe Wert wie heute
naive Benchmark: Ein Modell, das diesen Wert nicht übertrifft, verdient die Bezeichnung Modell nicht
«Eigene Baseline»
Durchschnittswert des Gastes während des Aufenthalts — derselbe, der auf dem Morgenblatt steht
zeigt den Nutzen der reinen Personalisierung
«Baseline + Belastung»
eigene Baseline mit Korrektur für die gestrige Überlastung; der Koeffizient greift ab 8 gesammelten Wertepaaren
das erste lernende Element — sein Beitrag ist separat erkennbar
Die Tabelle zeigt ganz bewusst auch unbequeme Ergebnisse: Bei einer kurzen Historie schneidet das naive «Wie gestern» oft besser ab als die Korrekturen — und das ist ein valides Ergebnis, kein Fehler. Der Maßstab für künftige Modelle wird durch genau diese Tabelle gesetzt: Ein Modell wird erst dann produktiv eingesetzt, wenn es das naive Modell anhand der Hoteldaten verlässlich übertrifft, und nicht, wenn es nur auf dem Papier gut klingt.
Roadmap
Jetzt. Regeln über der persönlichen Basis; die Protokolle für Entscheidungen und Ergebnisse wachsen von selbst; der Prognosefehler wird per Knopfdruck gemessen.
Als Nächstes. Prädiktive Modelle auf Basis des Ergebnisjournals – sobald genügend Paare vorliegen, um den naiven Richtwert aus der obigen Tabelle verlässlich zu übertreffen. Bis dahin gibt es keine «smarten» Begriffe auf der Benutzeroberfläche.
Immer. Automatische Verordnungen gibt es nur als Entwurf, den der Arzt unterschreibt: So funktioniert bereits die Morgennotiz, und so wird auch der Verordnungsvorschlag aus dem Entscheidungsprotokoll funktionieren.
Fragen und Antworten
Ist das maschinelles Lernen oder sind es feste Regeln? Der Kern sind nachvollziehbare Regeln auf Basis der persönlichen Ausgangswerte des Gastes. Lernfähige Elemente gibt es bereits – den Belastungskoeffizienten in der Prognose und die Suche nach ähnlichen Fällen im Entscheidungsjournal –, und vollwertige Modelle folgen mit dem Ergebnisjournal, wobei deren Qualität schon jetzt anhand der Fehlertabelle gemessen wird.
Warum kein neuronales Netz? Weil der Bogen von einem Arzt unterschrieben wird und Erklärbarkeit eine klinische Anforderung ist, keine Geschmackssache; weil der EU AI Act intransparente medizinische Empfehlungen strenger bewertet als Regeln; und weil Modelle ohne Daten schlechter sind als Regeln – und die Plattform sammelt diese Daten gerade noch.
Was hindert ein herkömmliches PMS daran, das zu kopieren? Die Garmin Health API liefert zwar Biometriedaten, aber weder die ärztlichen Verordnungen noch die Ernährungseinträge. Das Paar «Einwirkung → Reaktion» entsteht nur dort, wo alle drei Datenströme in einem geschlossenen Kreislauf zusammenlaufen – und dieser Datensatz bleibt beim Hotel.
Wo ist all das zu sehen? In der Übersicht: Einstellungen → Assistent – die Karten beider Protokolle, Beobachtungen nach Faktoren, die Schaltfläche zur Prognoseprüfung und der JSONL-Export (Administratorbereich).
Behauptet die Plattform Kausalität? Nein. Die Durchschnittswerte «mit / ohne Faktor» sind als Beobachtung gekennzeichnet; Kausalschlüsse erfordern Datenmengen und ein Studiendesign, die ein einzelnes Hotel nicht hat – und eine ehrliche Seite sagt das ganz direkt.
Google Analytics zeigt uns, welche Seiten gelesen werden – nur mit Ihrer Einwilligung. Ihre Sprache und diese Auswahl bleiben ohnehin in Ihrem Browser.
