DFIELDSOLUTIONS

Fallstudie · 2026 · KI · Web · Mobile

Deine Smartwatch sieht Muster in Schlaf, Herzfrequenz und Bewegung, die sonst niemand bemerkt.Eine KI-App, die deine Uhrendaten liest. Sie sagt dir tatsächlich, wenn etwas nicht stimmt — in ganz normalen Worten.

AIHealthIQ liest Herzfrequenz, Schlaf, Schritte und Sauerstoffsättigung aus Smartwatches und Fitnessbändern ein, bringt die Verläufe mit einem LLM in Zusammenhang und spielt Vorschläge zu Behandlung, Medikation und Alltag an eine Web- und Mobile-Oberfläche aus. Das Studio hat die Datenaufnahme, die Korrelations-Pipeline, den Empfehlungsteil und die Dashboards geliefert.

  • Express
  • React-Redux
  • SQLite
  • OpenRouter
Interner Build, keine öffentliche URL
AIHealthIQ

Im Einsatz

AIHealthIQ — Startzustand
Startzustand
AIHealthIQ — In Benutzung
In Benutzung
AIHealthIQ — Ergebnis
Ergebnis

Überblick

4
Wearable-Signale
3
Ausgelieferte Oberflächen
1
Korrelations-Pipeline
API
Vollwertige API

Holt Daten aus Smartwatches, Fitnessbändern und anderen Quellen (Herzfrequenz, Schlaf, Schritte, Sauerstoff), bringt sie per KI in Zusammenhang und empfiehlt Behandlung, Medikation oder Änderungen im Alltag. Web- und Mobile-Oberfläche, dazu eine API.

Was ausgeliefert wurde

Was es tut

  • Datenaufnahme aus Wearables
  • KI-Auswertung und Verlaufsbeobachtung
  • Vorschläge zu Behandlung und Alltag
  • Web- und Mobile-Oberfläche, dazu API

Das Problem

  • Smartwatches sammeln Daten, die niemand auswertet
  • Alltagsdaten erreichen selten einen Arzt
  • Man weiß nicht, wann ein Termin wirklich nötig ist

Warum es zählt

  • Jemand schaut durchgehend auf deine Daten
  • Die KI meldet echte Veränderungen, kein Rauschen
  • Konkrete Tipps für den Alltag, keine Allgemeinplätze

Wie es entstand

  1. 01 · BRIEF

    Festlegen, welche Wearable-Signale sich lohnen.

    Workshop mit den Gründern, um festzuzurren, welche vier Signale (Herzfrequenz, Schlaf, Schritte, SpO2) die Empfehlungen wirklich tragen · alles andere flog aus dem Umfang von v1.

  2. 02 · BUILD

    Express-Ingest, LLM-Korrelation, Redux-Oberfläche.

    Das Express-Backend nimmt die Feeds je Hersteller entgegen, normalisiert sie, legt sie in SQLite ab, und OpenRouter leitet dann an das Modell weiter, das zum jeweiligen Signaltyp am besten passt. Redux treibt die React- und Mobile-Oberflächen aus derselben Store-Struktur.

  3. 03 · SHIP

    Web, iOS, Android und die öffentliche API.

    Drei Endnutzer-Oberflächen auf derselben Korrelations-Engine, dazu eine als HealthApplication ausgezeichnete API mit JSON-LD für die Anbindung von Kliniken.

Stack

Ingest

Wearable-Feeds je Hersteller, normalisiert

Apple Health, Garmin, Fitbit, Oura · vor der Korrelation auf ein einziges internes Schema normalisiert.

KI

Korrelations-Engine mit OpenRouter-Routing

Verschiedene Signale gehen an das Modell, das sie am besten beherrscht · kostenbewusster Fallback pro Anfrage.

Oberfläche

Web, iOS und Android aus einem Store

Dieselbe Redux-Store-Struktur für React im Web und React Native mobil · eine einzige Wahrheit für die Verlaufskarten.

API

JSON-API in Klinikqualität

Als HealthApplication ausgezeichnetes Schema · Kliniken können Patientenzusammenfassungen bei Bedarf abrufen.

Fallstudie

“Unsere Smartwatches sammelten Daten, die niemand wirklich gelesen hat. Das Studio hat ein System gebaut, das die Punkte verbindet — Schlaf, Herzfrequenz und Bewegung zusammen — und in klaren Worten sagt, was sich geändert hat und warum es zählt. In der Woche, in der wir anfingen, fand es ein Muster, das mir jahrelang entgangen war. Das Team hat außerdem ein Handbuch übergeben, damit wir neue Quellen ergänzen können, ohne alles neu zu bauen.”

Anonym · Mitgründer · Gesundheitsplattform (unter NDA) · PT

Mehr Arbeiten

DField Solutions · DField Bt. · dezso@dfieldsolutions.com
5,0
“Von der LinkedIn-Nachricht zur Live-Seite. Zwei winzige Änderungen, dann online.”Michael J Ringer · Vilya ProtectionGründer · Spanien