Studiendesign und Methodik
Abbildung 1 gibt eine Gesamtübersicht des HyponaTrack-Systems: den User Flow von App-Start bis Studienabschluss, die Datenflussarchitektur von der Erfassung über die Verarbeitung bis zu den sechs Ausgabekanälen, sowie den dreistufigen Eskalationsalgorithmus mit risikoadjustierten Schwellenwerten.
Die detaillierten Einzeldiagramme finden sich in den jeweiligen Teilen: Eskalationsalgorithmus und Risikostratifizierung in Teil II — Algorithmus-Spezifikation.
Studientyp und Population
| Parameter | Beschreibung |
|---|---|
| Studientyp | Prospektive, multizentrische, explorative Beobachtungsstudie (Kalibrierungsstudie) |
| Zentren | UKE Hamburg (Klinik für Neurochirurgie / Pituitary Unit); Malteser Fördeklinikum St. Katharina, Flensburg |
| Population | Patienten nach transsphenoidaler Hypophysen-OP |
| Einschluss | Erwachsene (≥ 18 J.), elektiver Eingriff, iPhone-Nutzung möglich |
| Ausschluss | Vorbekannte SIADH-Neigung, Niereninsuffizienz (GFR < 30), laufende Diuretika-Therapie |
| Präoperative Baseline | POD −1 bis −7: Nüchterngewicht, Serum-Na⁺, Symptom-Score, Reaktionszeit, Urin-SG, HealthKit-7-Tage-Import (Schritte, HRV, Schlaf, Walking Steadiness) |
| Risikostratifizierung | Dreistufiger Score (niedrig / mittel / hoch) aus prä-, intra- und postoperativen Faktoren – moduliert Alarm-Schwellenwerte (vgl. Anhang E) |
| Monitoring-Zeitraum | POD 1–14 |
| Stichprobengröße | n = 60–80 (explorativ; bei 13,3 % DPH-Inzidenz (Webb et al., 2025) ~8–11 Events – hinreichend für univariate ROC-Schätzung; formale Power-Berechnung für Folgestudie) |
| Referenzstandard | Serum-Natrium an POD 3, 5, 7, 10 (ambulante Blutentnahme) |
Multimodales Monitoring-Protokoll
| Stufe | Datenquelle | Erfassung | Gewicht | Kosten |
|---|---|---|---|---|
| Primär | Körpergewicht (WLAN-Waage) | 2×/Tag | Hoch | ~100–300 € |
| Primär | Flüssigkeitszufuhr (Smart-Trinkflasche) | Kontinuierlich | Hoch | ~50–100 € |
| Primär | Symptom-Score (App) | 2×/Tag | Hoch | App-Entw. |
| Sekundär | Urin-SG (Handrefraktometer) | 1×/Morgen | Mittel–hoch | ~200–350 € |
| Kontext | Aktivität, HRV, Schlaf (Wearable/HealthKit) |
Passiv, kontinuierlich | Niedrig–moderat | vorhanden |
| Kontext | Reaktionszeit-Test (App) | 1×/Tag | Moderat | App-Entw. |
| Explorativ | EEG Alpha-Power (Muse S, n = 20–30) | 1× 5 min/Tag | Explorativ | Leihgerät |
Symptom-Score
| Symptom | Skala | Gewichtung |
|---|---|---|
| Übelkeit / Appetitlosigkeit | 0–3 (keine – stark) | Hoch |
| Kopfschmerz (nicht wundbedingt) | 0–3 | Hoch |
| Müdigkeit / Abgeschlagenheit | 0–3 | Mittel |
| Verwirrtheit / Konzentration | 0–3 | Hoch (Spätzeichen) |
| Muskelkrämpfe | 0–1 (nein/ja) | Mittel |
| Allgemeines Wohlbefinden | 0–10 (VAS) | Moderat |
Präoperative Baseline-Erhebung
Die Verwendung einer postoperativen Baseline (POD 1–3) ist problematisch: Gewicht (i.v.-Flüssigkeiten, Nüchternheit), Aktivität (Bettruhe), Kognition (Anästhesie, Opioide) und Vitalzeichen (Stressreaktion, Steroide) sind in den ersten postoperativen Tagen massiv verändert. Eine präoperative Baseline liefert den wahren individuellen Referenzwert.
Erhebung (POD −1 bis −7): Nüchterngewicht (kalibrierte Waage – gleiche wie postoperativ), Aufnahme-Labor (Na⁺, K⁺, Kreatinin), Symptom-Score und Reaktionszeit-Test über die App (dient zugleich als Geräte-Schulung), Urin-SG-Erstmessung (Refraktometer-Training), HealthKit-Import der letzten 7 Tage (Schritte, HRV, Schlaf, Walking Steadiness). Im explorativen Forschungsarm zusätzlich eine 5-minütige EEG-Resting-State-Messung (Muse S) für die individuelle Alpha-Peak-Frequenz.
Konsequenz für den Algorithmus: Die Gewichts-Baseline-Differenz (Regel D des Eskalationsalgorithmus) wird gegen das präoperative Nüchterngewicht berechnet, nicht gegen den postoperativen Mittelwert. Ein Patient, der 2 kg über seinem Prä-OP-Gewicht liegt, hat objektiv ~2 l Wasser retiniert – gegen eine postoperative Baseline wäre dieses Signal durch perioperative Flüssigkeitsverschiebungen (± 1–3 kg) maskiert. Fallback bei Notfall-OP: POD 1–3.
Risikostratifizierung
Jeder Patient erhält einen Risiko-Score, der die Empfindlichkeit des Eskalationsalgorithmus moduliert. Die vollständige Faktortabelle findet sich in Teil II — Risiko-Score; die Klassen-Einteilung ist:
| Risiko-Klasse | Score | Konsequenz |
|---|---|---|
| Niedrig | 0–4 | Standard-Schwellenwerte |
| Mittel | 5–9 | Sensitivere Schwellenwerte; Gewichts-GELB ab +0,3 statt +0,5 kg |
| Hoch | ≥ 10 | Sensitivste Schwellenwerte + täglicher Study-Nurse-Kontakt |
Eskalationsalgorithmus (Ampellogik)
| Stufe | Trigger-Kriterien | Aktion |
|---|---|---|
| GRÜN | Gewicht/24 h ∈ [−0,5 .. +0,5 kg], Symptom-Score ≤ 3, Urin-SG < 1,010, Flüssigkeit < 1,5 l/Tag, keine Aktivitäts-Auffälligkeit | Routine-Monitoring fortführen |
| GELB | Gewichtszunahme 0,5–1,0 kg/24 h ODER Score 4–6 ODER USG ≥ 1,010 ODER Flüssigkeitsaufnahme > 1,5 l ODER Aktivitätsabfall > 20 % vs. Baseline | Telefonische Rückmeldung an Ambulanz; ggf. ambulante Na⁺-Kontrolle am Folgetag |
| ROT | Gewichtszunahme ≥ 1 kg/24 h UND (Score ≥ 7 ODER Verwirrtheit/Krampfanfall) ODER Flüssigkeitsaufnahme > 2 l trotz Restriktion ODER ≥ 3 gleichzeitige GELB-Trigger | Sofortige Vorstellung in der Notaufnahme / neurochirurgischen Ambulanz |
Der vollständige Eskalationsalgorithmus mit Risiko-Modifikatoren und POD-abhängigen Schwellenwerten ist in Abbildung 1 (③) und detailliert in Teil II — Eskalationslogik dargestellt.
Endpunkte
| Typ | Endpunkt |
|---|---|
| Primär | Machbarkeit/Adhärenz/Datenqualität des App-Monitorings (Stufe-1-Pilot): Anteil Teilnehmender mit ≥ 50 % Compliance der Primärparameter an ≥ 10/14 Tagen (Punktschätzer + 95 %-KI) |
| Sekundär | Diagnostische Güte (Sensitivität/Spezifität, schätzend mit 95 %-KI; zeitabh. ROC/Landmark) des Ampelsystems für DPH (Serum-Na⁺ < 130) gegen alert-unabhängigen Referenzstandard POD 3/5/7/10; ROC-AUC der Einzelparameter (Gewichtsdelta, Symptom-Score, Urin-SG, Kognition); Time-to-Detection; Compliance-Rate pro Parameter |
| Explorativ | Korrelation EEG-Alpha-Power-Trend mit Na⁺-Verlauf; Walking-Steadiness-Veränderungen POD 8–14; Falsch-Positiv-Rate und Number-Needed-to-Screen |
Compliance und Machbarkeit
| Parameter | Erwartete Compliance | Begründung |
|---|---|---|
| Gewicht (Waage) | 75–85 % | Geringer Aufwand, automatische Sync |
| Symptom-Score (App) | 65–75 % | 2 min Eingabe, CareKit-Erinnerungen |
| Urin-SG (Refraktometer) | 55–65 % | Höchster aktiver Aufwand |
| Trinkflasche | 50–60 % | Nicht alle Flüssigkeit erfasst |
| EEG (Forschungsarm) | 40–55 % | 5 min + Setup, Stirnband-Komfort |
| Wearable (passiv) | 85–90 % | Kein aktiver Aufwand |
Strategien: CareKit-Push-Erinnerungen, Study-Nurse-Anruf bei 2 fehlenden Tagen, vereinfachter Modus bei niedrigem Engagement (nur Gewicht + Symptome).
Hinweis
EEG-Explorativarm — Abwägung (⚑ PI-Entscheidung). Der Muse-S-Arm (TRL 2, erwartete Compliance 40–55 %, n = 20–30) erhöht Setup- und Patientenlast in einer Studie, deren Primärendpunkt jetzt Adhärenz/Machbarkeit ist — er kann diesen Endpunkt also verschlechtern und ist für seine eigene Alpha-Power-↔︎-Na⁺-Korrelation (Spearman) unterpowert. Empfehlung: den EEG-Arm in eine spätere mechanistische Substudie verschieben und den Pilot auf die tragenden Parameter (Gewicht, Flüssigkeit, Urin-SG, Aktivität, Kognition) fokussieren; falls beibehalten, klar als nachrangig und feasibility-neutral kennzeichnen.
Umgang mit Falsch-Positiven
Bei ~70 % Spezifität des Gewichtsparameters und 13,3 % DPH-Inzidenz (n = 70) sind ~18 falsche GELB/ROT-Alarme zu erwarten. Gegenmaßnahmen: (1) UND-Verknüpfung für ROT (Gewichtszunahme allein → GELB, nicht ROT). (2) Zwischen-Eskalation: ROT → Telefon → ambulante Na⁺ → ggf. Notaufnahme. (3) Falsch-Positiv-Rate und NNS als sekundäre Endpunkte (akzeptable NNS: 10–15 Kontakte pro detektiertem Event).
Limitationen und verbessertes Studiendesign
Das hier skizzierte Pilotdesign ist bewusst explorativ. Eine kritische Methodik-Prüfung identifiziert jedoch mehrere Verzerrungsquellen, die teils genau den primären Endpunkt treffen, sowie einen klinischen Blind Spot mit Sicherheitsrelevanz. Sie werden hier offen dokumentiert und in ein verbessertes, zweistufiges Design überführt.
Methodische Limitationen und Blind Spots
| Punkt | Risiko | Gegenmaßnahme |
|---|---|---|
| Verifikations-/Work-up-Bias | Ein GELB-Alert löst die ambulante Na⁺-Kontrolle aus → der Indextest bestimmt mit, ob der Referenztest stattfindet → künstlich erhöhte Sensitivität | Festes, alert-unabhängiges Na⁺-Schema für alle Teilnehmenden; engmaschiger im kritischen Fenster (POD 5–11); verblindete Auswertung Index ↔︎ Referenz (Bossuyt et al., 2015) |
| Geringe Ereigniszahl | Primär „Genauigkeit für Na⁺ < 130” bei 13,3 % Prävalenz und n ≈ 70 → ~9 Events → Sensitivitäts-KI ±25–35 pp; der α-Test im SAP ist faktisch nicht interpretierbar | Primären Endpunkt auf Machbarkeit/Adhärenz umstellen; Genauigkeit als Schätzung (KI) sekundär; Fallzahl für ein Prädiktionsmodell formal nach (Riley et al., 2020) statt EPV-Daumenregel; ggf. Hochrisiko-Enrichment |
| CSW-Blindheit (Richtungsfehler) | Logik triggert nur bei Gewichtszunahme; Gewichtsverlust wird verworfen → CSW/RSW-Hyponaträmie (gefährliche, salzpflichtige Form) als systematische False Negatives | Bidirektionale Gewichtslogik (Regel E, siehe Eskalationslogik); bei fallendem Gewicht keine Restriktionsempfehlung (Cui et al., 2019; Sterns & Silver, 2008) |
| OR-Verknüpfung der Trigger | Viele ODER-Trigger über 14 Tage × 2/Tag → hohe Falsch-Positiv-/Alarmlast (Alarmmüdigkeit) | Alerts/Patientenwoche, PPV und NNS als co-primäre Usability-Endpunkte, nicht nur explorativ |
| Selektions-/Spektrum-Bias | „Nur iPhone + elektiv” schließt Notfälle und Nicht-Smartphone-Nutzende aus (ältere, niedriger BMI = Hochrisiko) → Digital Divide, eingeschränkte Generalisierbarkeit | Screening-Log aller Nicht-Eingeschlossenen; Leihgeräte erwägen; Repräsentativität als Limitation berichten |
| Informative Missingness | Wer sich verschlechtert (Übelkeit, Verwirrtheit), nutzt die App evtl. weniger → das Frühsignal fehlt genau dann | Datenabriss selbst als Risikosignal behandeln (Study-Nurse-Trigger); Missing-Data-Mechanismus prä-spezifizieren |
| Copeptin erhoben? | Copeptin(-Ratio) gilt als starker Prädiktor (Forschungsstand), ist aber nicht im Baseline-Labor gelistet | Einzel-Copeptin/Na-Ratio an POD 3–4 als Benchmark mitführen → erlaubt den Nachweis inkrementellen Werts der günstigen Home-Signale |
| Messvalidität der Geräte | Refraktometer-OCR, Smart-Trinkflasche, Waagen-Timing nicht vorab validiert → „garbage in” | Kleine Geräte-Validierungs-Substudie vor Studienstart |
Zweistufiges Design
Stufe 1 (diese Studie) — Feasibility + Signal-/Modellentwicklung statt Genauigkeits-Konfirmation. Primärer Endpunkt = Machbarkeit/Adhärenz/Datenqualität (dafür reicht n ≈ 70). Diagnostische Güte und Lead-Time nur als Schätzung mit Konfidenzintervall und als zeitabhängige ROC-/Landmark-Analyse (statt „irgendein Alert vs. irgendein Na⁺ < 130”). Referenzstandard alert-unabhängig und verblindet; Copeptin-Ratio als Benchmark; bidirektionale Gewichtslogik; präregistriert und konform zu (Bossuyt et al., 2015) (STARD) bzw. (Collins et al., 2015) (TRIPOD), Bias-Bewertung nach (Wolff et al., 2019) (PROBAST).
Stufe 2 (Folgestudie) — konfirmatorischer Nutzennachweis und MDR-Evidenz. Ein Stepped-Wedge-Cluster-RCT (Hemming et al., 2015) (Monitoring zusätzlich zu Flüssigkeitsrestriktion vs. FR + Standard of Care; primär: schwere DPH / Wiederaufnahme / Time-to-Detection) ist der naheliegende Goldstandard; direkte Präzedenzfälle sind das Stepped-Wedge-Design SHEPHERD für drahtloses postoperatives Monitoring (Posthuma et al., 2024) und die Feasibility-Cluster-RCTs von Downey (Downey et al., 2018). Die Effektgröße lässt sich aus der Meta-Analyse zu Remote-Biometrie ableiten (Wiederaufnahme RR ≈ 0,75; postchirurgisch ≈ 0,82) (Farahani et al., 2025); ein RCT mit Konnektivgeräten senkte Wiederaufnahmen nach Sleeve-Gastrektomie (Carandina et al., 2026), während ein anderer RCT keinen Unterschied fand (Spaulding et al., 2022) — der Nutzen ist also plausibel, aber nicht garantiert und muss konfirmatorisch belegt werden. Caveat: Stepped-Wedge-Designs sind anfällig für Zeittrend-Confounding und brauchen genügend Cluster; bei nur zwei Zentren ist eher eine patientenindividuelle Randomisierung (oder die Aufnahme weiterer Zentren) realistisch (Hemming et al., 2015).
Doppelnutzen: Die in Stufe 2 erzeugte vergleichende klinische Evidenz ist zugleich die klinische Bewertung, die für die EU-MDR-Einordnung als Medizinprodukt-Software erwartet wird (vgl. Ethik und Regulatorik) — Studiendesign und Zulassungsweg fallen zusammen.
Literatur
Bossuyt, P. M., Reitsma, J. B., Bruns, D. E., Gatsonis, C. A., Glasziou, P. P., Irwig, L., Lijmer, J. G., Moher, D., Rennie, D., Vet, H. C. W. de, Kressel, H. Y., Rifai, N., Golub, R. M., Altman, D. G., Hooft, L., Korevaar, D. A., & Cohen, J. F. (2015). STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ (Clinical research ed.), 351, h5527. https://doi.org/10.1136/bmj.h5527
Carandina, S., Zulian, V., Ferro, S., Avallone, S., & Iannelli, A. (2026). The impact of connected devices on postoperative readmission rates after sleeve gastrectomy: a randomized controlled trial. International journal of surgery (London, England). https://doi.org/10.1097/JS9.0000000000004962
Collins, G. S., Reitsma, J. B., Altman, D. G., & Moons, K. G. M. (2015). Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): the TRIPOD statement. Annals of Internal Medicine, 162(1), 55–63. https://doi.org/10.7326/M14-0697
Cui, H., He, G., Yang, S., Lv, Y., Jiang, Z., Gang, X., & Wang, G. (2019). Inappropriate Antidiuretic Hormone Secretion and Cerebral Salt-Wasting Syndromes in Neurological Patients. Frontiers in neuroscience, 13, 1170. https://doi.org/10.3389/fnins.2019.01170
Downey, C., Randell, R., Brown, J., & Jayne, D. G. (2018). Continuous Versus Intermittent Vital Signs Monitoring Using a Wearable, Wireless Patch in Patients Admitted to Surgical Wards: Pilot Cluster Randomized Controlled Trial. Journal of medical Internet research, 20(12), e10802. https://doi.org/10.2196/10802
Farahani, P., Taherahmadi, M., Østbye, T., Akingbule, O., Hasanin, S., Merati, M., Hendren, S., Bigvand, A. H., Lewis, L., Azuogalanya, N., Qaffas, A. A., J Renard, V., Lee, M., Slonim, A., Lawler, P. R., & Wahid, L. (2025). Impact of remote biometric sensing on readmission risk and mortality after hospital discharge: Insights from a systematic review and meta-analysis. Journal of hospital medicine, 21(3), 298–307. https://doi.org/10.1002/jhm.70224
Hemming, K., Haines, T. P., Chilton, P. J., Girling, A. J., & Lilford, R. J. (2015). The stepped wedge cluster randomised trial: rationale, design, analysis, and reporting. BMJ (Clinical research ed.), 350, h391. https://doi.org/10.1136/bmj.h391
Posthuma, L. M., Breteler, M. J. M., Lirk, P. B., Nieveen van Dijkum, E. J., Visscher, M. J., Breel, J. S., Wensing, C. A. G. L., Schenk, J., Vlaskamp, L. B., Rossum, M. C. van, Ruurda, J. P., Dijkgraaf, M. G. W., Hollmann, M. W., Kalkman, C. J., & Preckel, B. (2024). Surveillance of high-risk early postsurgical patients for real-time detection of complications using wireless monitoring (SHEPHERD study): results of a randomized multicenter stepped wedge cluster trial. Frontiers in medicine, 10, 1295499. https://doi.org/10.3389/fmed.2023.1295499
Riley, R. D., Ensor, J., Snell, K. I. E., Harrell, F. E., Martin, G. P., Reitsma, J. B., Moons, K. G. M., Collins, G., & Smeden, M. van. (2020). Calculating the sample size required for developing a clinical prediction model. BMJ, 368, m441. https://doi.org/10.1136/bmj.m441
Roser, P., Mende, K. C., Dimitriadis, G. K., Mader, M. M.-D., Aberle, J., Flitsch, J., & Rotermund, R. (2023). The Potential of Self-Assessment and Associated Factors for Delayed Symptomatic Hyponatremia Following Transsphenoidal Surgery: A Single Center Experience. Journal of Clinical Medicine, 12(1), 306. https://doi.org/10.3390/jcm12010306
Spaulding, A., Loomis, E., Brennan, E., Klein, D., Pierson, K., Willford, R., Hallbeck, M. S., & Reisenauer, J. (2022). Postsurgical Remote Patient Monitoring Outcomes and Perceptions: A Mixed-Methods Assessment. Mayo Clinic proceedings. Innovations, quality & outcomes, 6(6), 574–583. https://doi.org/10.1016/j.mayocpiqo.2022.09.005
Sterns, R. H., & Silver, S. M. (2008). Cerebral salt wasting versus SIADH: what difference? Journal of the American Society of Nephrology : JASN, 19(2), 194–196. https://doi.org/10.1681/ASN.2007101118
Webb, S. M. et al. (2025). Delayed hyponatremia following transsphenoidal pituitary surgery: a systematic review and meta-analysis. Neurosurgical Review. https://doi.org/10.1007/s10143-025-03784-8
Wolff, R. F., Moons, K. G. M., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J. B., Kleijnen, J., & Mallett, S. (2019). PROBAST: A Tool to Assess the Risk of Bias and Applicability of Prediction Model Studies. Annals of Internal Medicine, 170(1), 51–58. https://doi.org/10.7326/M18-1376