Schlafstörungen während der Schwangerschaft sind seit Langem als Risikofaktor für Frühgeburten bekannt. Bisherige Studien basierten jedoch meist auf subjektiven Angaben der Betroffenen, was die Aussagekraft begrenzte. Eine aktuelle Kohortenstudie aus den USA hat nun erstmals Schlafverhalten mittels Aktigraphie über Wearables erfasst und mit dem Risiko für Frühgeburt korreliert.
Analyse zeigt Relevanz der Regelmäßigkeit
In die Studie wurden 665 schwangere Frauen eingeschlossen, die im Verlauf der Schwangerschaft in jedem Trimester für zwei Wochen ein Aktigraphie-Armband trugen. Die daraus abgeleiteten Schlafparameter wurden mit maschinellen Lernverfahren hinsichtlich ihres prädiktiven Werts für Frühgeburten analysiert. Es zeigte sich, dass insbesondere die Tag-zu-Tag-Variabilität von Schlafbeginn, Schlafdauer und Schlafmitte einen signifikanten Einfluss auf das Frühgeburtsrisiko hatte. Konsistente Schlafmuster waren dabei mit einem geringeren Risiko assoziiert, während hohe Schwankungen das Risiko erhöhten. Durchschnittswerte wie Schlafdauer oder durchschnittlicher Schlafbeginn waren hingegen keine ausschlaggebenden Prädiktoren.
Datenkombination erhöht Prognosegüte
Die Analyse ergab, dass die Kombination aus objektiven Schlafdaten und klassischen Anamnesedaten (z. B. sozioökonomische Faktoren) die Vorhersagekraft für Frühgeburten weiter steigert. Besonders für erstmalig schwangere Frauen liefern die objektiven Schlafdaten einen eigenständigen Mehrwert. Bemerkenswert ist, dass einfachere Machine-Learning-Modelle (z. B. Gaussian Naive Bayes) besonders gute Ergebnisse lieferten.
Schlafhygiene in der Schwangerschaft elementar
Die Ergebnisse unterstreichen die Bedeutung von Schlafhygiene und regelmäßigen Schlafgewohnheiten in der Schwangerschaft. Für die gynäkologische Betreuung eröffnen sich neue Möglichkeiten: Wearables könnten künftig prognostisch eingesetzt werden, insbesondere bei Erstgebärenden oder unklarer Anamnese. Interventionen zur Reduktion der Schlafvariabilität könnten ein innovativer Ansatz zur Prävention von Frühgeburten sein. Weitere Studien mit größeren und diverseren Kollektiven sind notwendig, um diese Ansätze zu validieren und in Leitlinien zu integrieren.
Julina Pletziger
Originalpublikation:
Warner BC, England SK, Zhao P et al. Validation of sleep-based actigraphy machine learning models for prediction of preterm birth. npj Women’s Health 2025; 3:40. https://doi.org/10.1101/2025.03.05.25323418
Bilderquelle: Михаил Решетников – stock.adobe.com
