Was wir untersucht haben und was wir herausgefunden haben
Zwischen Januar und Februar 2026 führten wir eine Studie mit 332 Erwachsenen in ganz Deutschland durch. Die Teilnehmenden bildeten einen breiten Querschnitt der deutschen Bevölkerung und wurden nicht aus einer klinischen Population ausgewählt. 89,5 % waren gesetzlich krankenversichert (GKV). Wir untersuchten, ob validierte psychologische Konstrukte aus der Gesundheitsverhaltensforschung die Bereitschaft vorhersagen können, sich mit KI-gestützter chronischer Versorgung auseinanderzusetzen.
53 %
prädiktoren
Ein einfacheres Modell mit nur vier Faktoren funktioniert genauso gut wie, und manchmal sogar etwas besser als, ein komplexeres Modell mit allen sieben getesteten psychologischen Faktoren.
Die vier stärksten Prädiktoren dafür, ob jemand sich langfristig mit einem Gesundheits-KI-System auseinandersetzt, sind: die Überzeugung, sich tatsächlich verändern zu können, die Erwartung, dass Veränderung einen Unterschied macht, ein konkreter Plan für das Handeln und die aktive Beobachtung des eigenen Verhaltens im Alltag.
Das System muss nicht kompliziert sein, um wirksam zu sein.
01 · Das ProblemWarum die meisten digitalen Gesundheitstools scheitern
Chronische Erkrankungen sind die größte Belastung für Gesundheitssysteme in ganz Europa. In Deutschland leben rund 40 % der Erwachsenen mit mindestens einer chronischen Erkrankung. Der Umgang mit diesen Erkrankungen erfordert beständige, nachhaltige Veränderungen im Alltag, und genau daran scheitern die meisten digitalen Gesundheitstools.
Die vorherrschende Annahme ist: Wenn man Menschen genug Informationen gibt — ihren Schrittzähler, ihren Blutzucker, einen personalisierten Risikoscore — werden sie ihr Verhalten ändern. Jahrzehnte der Gesundheitspsychologie zeigen, dass es so nicht funktioniert. Information ist notwendig, aber nicht ausreichend. Menschen müssen auch davon überzeugt sein, dass sie zu Veränderung fähig sind, einen klaren Nutzen erkennen, einen Plan haben und Unterstützung erfahren, wenn es schwierig wird.
Das Problem ist nicht ein Mangel an Daten. Es ist ein Mangel an psychologischer Fundierung. Die meiste Gesundheits-KI ist darauf ausgerichtet, Ergebnisse vorherzusagen. Nur sehr wenig ist darauf ausgerichtet, den Prozess der Veränderung zu verstehen und zu unterstützen.
Das Health Action Process Approach Modell
Das unserem System zugrunde liegende Rahmenwerk heißt Health Action Process Approach (HAPA), entwickelt vom Gesundheitspsychologen Ralf Schwarzer und in Hunderten von Studien über die letzten 30 Jahre getestet. Die zentrale Erkenntnis: Verhaltensänderung geschieht in zwei Phasen, nicht in einer.
Phase 1: Motivation
Die Absicht zur Veränderung entwickeln. Dies hängt ab von der wahrgenommenen Gefährdung, der Überzeugung, dass Veränderung helfen wird, und vor allem von der Überzeugung, zu dieser Veränderung fähig zu sein (Selbstwirksamkeit).
Phase 2: Handlung
Es tatsächlich tun, und dabei bleiben. Dies erfordert konkrete Planung, Strategien für den Umgang mit Rückschlägen und die Gewohnheit, das eigene Verhalten regelmäßig zu überprüfen.
Diese Unterscheidung ist entscheidend für das KI-Design. Ein System, das nur auf Motivation abzielt, wird bei der Unterstützung der Umsetzung konsequent scheitern. Unser System ist darauf ausgelegt, beide Phasen zu adressieren.
HAPA wurde validiert in den Bereichen Herzrehabilitation, Typ-2-Diabetes-Management und Krebsvorsorge. In all diesen Bereichen treten zwei Faktoren konsistent hervor: Selbstwirksamkeit (die Überzeugung, es schaffen zu können) und Handlungsplanung (ein konkreter Plan für Wann, Wo und Wie).
Wie der Digital Twin funktioniert
Lorettas Chronic Care Digital Twin ist kein einzelner Algorithmus. Er besteht aus drei miteinander verbundenen Systemen, die jeweils eine andere Aufgabe erfüllen und einem anderen Teil des HAPA-Modells entsprechen.
| System | Was es tut | Psychologische Grundlage |
|---|---|---|
| PSI Psychological State Inference | Ermittelt, wo Sie gerade stehen: Wie motiviert, wie zuversichtlich, wie bereit zum Handeln | Entspricht der motivationalen Phase von HAPA: Erfassung von Selbstwirksamkeit, Ergebniserwartungen und Veränderungsbereitschaft |
| BTE Behavioural Trajectory Engine | Verfolgt Verhaltensmuster über die Zeit und prognostiziert, wie sie sich verändern könnten | Entspricht der volitionalen Phase: Modellierung, wie Planung und Selbstregulation Absicht in nachhaltiges Verhalten überführen |
| IST Intervention Simulation Twin | Simuliert, was verschiedene Arten der Unterstützung bewirken würden, bevor sie ausprobiert werden | Nutzt validierte psychologische Prädiktoren, um die wahrscheinliche Wirkung verschiedener Interventionen zu modellieren |
KI im Gesundheitswesen sollte das klinische Urteil erweitern und unterstützen, nicht ersetzen. Jede Komponente ist darauf ausgelegt, Fachkräften im Gesundheitswesen bessere Informationen zu geben, nicht ihnen Entscheidungen abzunehmen.
Die vier Prädiktoren, die zählen
Über alle drei Komponenten des Digital Twin hinweg traten dieselben vier psychologischen Faktoren als stärkste Prädiktoren für Engagement hervor. Unsere Modelle erklärten zwischen 44 % und 53 % der Varianz in der Engagement-Intention — ein starkes Ergebnis in der Gesundheitspsychologie.
Selbstwirksamkeit
Die Überzeugung, gesundheitliche Veränderungen umsetzen zu können. Der stärkste einzelne Prädiktor über alle drei Systemkomponenten.
Ergebniserwartungen
Die Überzeugung, dass Veränderungen tatsächlich einen Unterschied für die eigene Gesundheit machen. Durchgehend der zweitstärkste Faktor.
Handlungsplanung
Einen konkreten Plan haben für Wann, Wo und Wie man handelt. Signifikant in zwei der drei Systemkomponenten.
Handlungskontrolle
Das eigene Gesundheitsverhalten im Alltag aktiv beobachten. Signifikant in zwei der drei Systemkomponenten.
Implikationen für alle Beteiligten
Unterstützung, die Sie dort abholt, wo Sie stehen
Die meisten Menschen mit einer chronischen Erkrankung wissen im Groben, was sie tun sollten. Die Lücke ist psychologisch: ob sie glauben, es durchhalten zu können, ob der Nutzen sich real anfühlt, ob sie einen Plan haben, der zu ihrem tatsächlichen Alltag passt. Lorettas System erkennt diese Faktoren und reagiert darauf, sodass die angebotene Unterstützung darauf ausgerichtet ist, Sie dort abzuholen, wo Sie psychologisch stehen, nicht nur biologisch. Und weil diese Faktoren solche sind, die jede medizinische Fachkraft bereits versteht, kann Ihr Arzt nachvollziehen, was das System tut, verstehen warum und es sinnvoll hinterfragen.
Evidenz, die einer Prüfung standhält
Diese Studie liefert eine zweckgebundene Validierung des psychologischen Modells, das dem System zugrunde liegt. Durchgeführt von einem unabhängigen Forschungsinstitut, gefördert durch ein öffentliches Innovationsprogramm, mit einer Stichprobe, von der 89,5 % GKV-versichert sind. Die vier validierten Konstrukte haben quantifizierte Gewichte, die aus realen Daten abgeleitet sind. Die Architektur erfüllt die Anforderungen der KI-Verordnung der EU konzeptionell: Interpretierbarkeit ist inhärent, menschliche Aufsicht strukturell, und Patientendaten verlassen die institutionellen Grenzen nicht.
Eine neue Richtung für die Gesundheits-KI-Forschung
Der Befund, dass HAPA-Konstrukte das System-Engagement mit denselben Parametern vorhersagen, die in klinischen Populationen Ernährungstreue, Bewegungsverhalten und Krebsvorsorge vorhersagen, ist nicht selbstverständlich. Er legt nahe, dass die psychologischen Mechanismen, die Gesundheitsverhalten zugrunde liegen, durch die Anwesenheit eines digitalen Vermittlers nicht gestört werden. Dies weist auf ein allgemeines Prinzip hin: Gesundheits-KI, die auf validierter Verhaltensänderungstheorie basiert, ist wahrscheinlich sowohl interpretierbarer als auch wirksamer als Gesundheits-KI, die rein auf Vorhersagegenauigkeit optimiert ist.
Was das für Deutschland und die Zukunft der Gesundheits-KI bedeutet
Deutschland nimmt eine besondere Stellung in der globalen Debatte über KI im Gesundheitswesen ein. Das öffentliche Vertrauen in Künstliche Intelligenz ist niedrig. Das Eurobarometer 2024 ergab, dass deutsche Befragte zu den skeptischsten in Europa gehörten, was den Einsatz von KI in medizinischen Kontexten betrifft. Diese Skepsis ist nicht irrational. Sie spiegelt eine Kultur wider, die Datensouveränität, institutionelle Rechenschaftspflicht und den Vorrang der Arzt-Patienten-Beziehung wertschätzt. Sie spiegelt eine Bevölkerung wider, die aus guten historischen Gründen eine tiefe Abneigung gegen undurchsichtige Systeme hat, die ohne Verständnis oder Zustimmung der Betroffenen Entscheidungen über Menschen treffen.
Jedes Gesundheits-KI-Unternehmen, das in Deutschland sinnvoll tätig sein will, muss sich mit dieser Realität auseinandersetzen. Die branchenübliche Reaktion war, Vertrauen als Kommunikationsproblem zu behandeln: ein White Paper veröffentlichen, nachträglich eine „Erklärbarkeitsebene“ hinzufügen, auf DSGVO-Konformität verweisen. Dieser Ansatz verkennt die Natur des Widerstands. Deutsche Patienten, Kliniker und Versicherer verlangen kein besseres Marketing. Sie stellen eine strukturelle Frage: Kann ich verstehen, was dieses System tut, und kann ich es zur Rechenschaft ziehen?
Diese Studie liefert den Anfang einer strukturellen Antwort. Die vier psychologischen Konstrukte, die unser Modell zur Vorhersage und Unterstützung von Engagement verwendet, sind keine Black-Box-Merkmale, die durch unüberwachtes Lernen extrahiert wurden. Es sind Konstrukte aus 30 Jahren publizierter Gesundheitspsychologie, von Klinikern anerkannt, durch validierte Instrumente messbar und ohne technisches Fachwissen interpretierbar. Wenn ein Betriebsarzt oder ein Hausarzt die Ausgabe von Lorettas System betrachtet, sieht er Konstrukte, die er bereits versteht: Glaubt diese Person, sich verändern zu können? Hat sie einen Plan? Achtet sie auf ihr eigenes Verhalten? Die KI ersetzt dieses klinische Denken nicht. Sie bereichert es mit strukturierten, longitudinalen Daten, die kein Kliniker allein erheben könnte.
Die Frage für das deutsche Gesundheitssystem ist nicht, ob KI eingesetzt werden soll. Chronische Krankheitslast, Fachkräftemangel und steigende Kosten haben diese Frage obsolet gemacht. Die Frage ist, ob die KI-Systeme, die eingesetzt werden, solche sein werden, die ihre Kliniker verstehen, ihre Patienten ihnen vertrauen und ihre Institutionen sie steuern können.
Wie Loretta diese Ergebnisse nutzt
Diese Resultate sind keine akademische Übung. Sie bilden das operative Fundament jeder Komponente in Lorettas Produktarchitektur. Die Psychological State Inference Engine verwendet diese vier Konstrukte als primäre Parameter, was bedeutet, dass die Einschätzung des Systems, wo eine Person psychologisch steht, in denselben Variablen verankert ist, die diese Studie an einer repräsentativen deutschen Stichprobe validiert hat. Die Behavioural Trajectory Engine modelliert, wie sich diese Konstrukte über die Zeit verändern und verfolgt nicht nur, was jemand tut, sondern die motivationalen und volitionalen Bedingungen, die bestimmen, ob er es weiterhin tun wird. Der Intervention Simulation Twin nutzt diese validierten Gewichte, um zu projizieren, welche Formen der Unterstützung für eine bestimmte Person zu einem bestimmten Zeitpunkt am wahrscheinlichsten wirken, bevor irgendetwas ausprobiert wird.
Die praktische Konsequenz ist ein System, bei dem jede Empfehlung, jeder Impuls, jede personalisierte Anleitung auf einen spezifischen psychologischen Mechanismus mit publizierter Evidenz zurückgeführt werden kann. Das unterscheidet Lorettas Ansatz grundlegend vom vorherrschenden Paradigma in der digitalen Gesundheit, wo KI-Modelle auf Engagement-Metriken oder klinische Proxys optimieren, ohne eine Theorie dafür zu haben, warum eine bestimmte Intervention bei einer bestimmten Person wirken sollte. Lorettas System sagt nicht nur vorher. Es erklärt. Und es erklärt in Begriffen, die Kliniker, Patienten und Regulierungsbehörden nachvollziehen und hinterfragen können.
Was als Nächstes kommt
Diese Studie legt das psychologische Fundament. Was sie noch nicht zeigt, ist, dass das System in der realen Welt bessere Gesundheitsergebnisse hervorbringt. Das erfordert longitudinale klinische Validierung mit Menschen, die das System über einen Zeitraum hinweg tatsächlich nutzen — geplant als randomisierte kontrollierte Studie. Wir sind entschlossen, diese Evidenzbasis offen aufzubauen, mit derselben Rigorosität und Transparenz, die diese ersten Ergebnisse hervorgebracht hat.
Wir arbeiten auch auf regulatorische Bereitschaft hin. Die KI-Verordnung der EU stuft Gesundheits-KI als Hochrisiko ein und schreibt Transparenz, menschliche Aufsicht und verantwortungsvolle Governance vor. Lorettas Architektur wurde so konzipiert, dass sie diese Anforderungen strukturell erfüllt, nicht durch nachgerüstete Compliance-Schichten. Interpretierbarkeit ist inhärent. Aufsicht ist architektonisch. Rechenschaftspflicht ist nachvollziehbar.
Psychologische Transparenz
Jede Systemausgabe lässt sich auf validierte, publizierte Konstrukte der Gesundheitspsychologie zurückführen. Keine Black-Box-Merkmale. Keine unerklärlichen Gewichtungen. Kliniker können die Begründung lesen, verstehen und hinterfragen.
Datensouveränität
Aufgebaut auf Federated Learning. Patientendaten verlassen nie die Gesundheitseinrichtung, in der sie erhoben wurden. Gesundheitsdaten gehören den Menschen und Institutionen, von denen sie stammen. Das ist kein Feature. Es ist ein Designprinzip.
Menschliche Aufsicht by Design
Das System informiert. Der Kliniker entscheidet. Keine Komponente des Digital Twin trifft autonome Entscheidungen über die Patientenversorgung. Die KI erweitert das klinische Urteil. Sie ersetzt es nicht.
Gerechtigkeit als Infrastruktur
Finanzielle Belastung ist von Anfang an im Studiendesign berücksichtigt, nicht nachträglich hinzugefügt. Fairness-Auditing über Bevölkerungsgruppen hinweg ist eine geplante Komponente jeder Entwicklungsphase.
Vertrauen in Gesundheits-KI kann nicht behauptet werden. Es muss verdient werden — durch Evidenz, durch Transparenz und durch Systeme, die darauf ausgelegt sind, von den Menschen verstanden zu werden, die sie nutzen und beaufsichtigen. Diese Forschung ist der erste Schritt auf diesem Evidenzweg.
Loretta Health sucht Partner, die diese Überzeugung teilen: Gesundheitspsychologen, Führungskräfte im Gesundheitswesen, Versicherer, Forschende und politische Entscheidungsträger, die die Evidenzbasis für eine neue Art von Gesundheits-KI aufbauen wollen. Wenn das auf Sie zutrifft, würden wir uns sehr freuen, von Ihnen zu hören.
Über diese Forschung
Dieses Dokument ist eine Zusammenfassung des wissenschaftlichen Papers: From Behavioural Theory to Computational Architecture: Psychological Predictors of Engagement Intention Toward a HAPA Grounded Chronic Care Digital Twin. Die Forschung wurde in Partnerschaft mit dem BIFI, Berliner Institut für Innovationsforschung GmbH durchgeführt und von der Investitionsbank Berlin (IBB) im Rahmen des Transfer-BONUS-Programms (TB3607/2025) gefördert.