Lipid monitoring using non-invasive measurement technologies and machine learning: a systematic review
Lipidmonitoring mit nicht-invasiven Messverfahren und Machine Learning: systematische Übersichtsarbeit
Archives of Gynecology and Obstetrics · 30.01.2026 · 313 (1)
DOI: 10.1007/s00404-025-08254-6 ↗Auf einen Blick
Die Übersichtsarbeit fand 37 Studien zu minimally und non-invasiven Methoden zur Lipidmessung und zu ML-gestützter kardiovaskulärer Risikovorhersage bei Erwachsenen. Mehrere Ansätze zeigten eine vielversprechende Genauigkeit.
Fragestellung
Welche minimally und non-invasiven Methoden zur Lipidüberwachung und welche ML-basierten Verfahren zur kardiovaskulären Risikoeinschätzung sind bei Erwachsenen verfügbar, genau und klinisch anwendbar?
Methode
Systematische Suche in MEDLINE, Embase, Cochrane Library, Web of Science, Scopus und ClinicalTrials.gov für 2010–2024; eingeschlossen wurden englischsprachige Studien; narrative Synthese und thematische Gruppierung.
Ergebnisse
Aus 14.863 Treffern wurden 37 Studien eingeschlossen. Nahinfrarot-, speichelbasierte und smartphone-gestützte Fingergeräte zeigten eine vielversprechende Genauigkeit; ML-Modelle erreichten einen moderaten Erfolg bei der Vorhersage von kardiovaskulärem Risiko und Lipidwerten.
Einschränkungen
Heterogenität der Studien; Validierung in großen, langfristigen Studien vor klinischer Anwendung erforderlich.
Schlussfolgerung der Autor:innen
Minimally und non-invasive Lipidüberwachung sowie ML-gestützte Risikovorhersage könnten ein zugängliches, personalisiertes kardiovaskuläres Risikomanagement unterstützen.
Kernaussagen
- 37 Studien zu nicht-invasiver Lipidmessung und ML-basiertem Risikomanagement
- Nahinfrarot-, Speichel- und Smartphone-Fingergeräte zeigten vielversprechende Genauigkeit
- Groß angelegte, langfristige Validierungsstudien sind vor klinischer Anwendung nötig
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Systematische Übersicht in der Zeitschrift Archives of Gynecology and Obstetrics, online erschienen am 30.01.2026. Verfasst von Julia Endrass und 5 weiteren Autor:innen. Beteiligte Einrichtung: Faculty of Medicine, University of Bern, Bern, Switzerland. Hauptthemen laut MEDLINE: Machine Learning, Cardiovascular Diseases, Wearable Electronic Devices, Lipids. Die Arbeit wurde bisher 3-mal zitiert (Crossref) und nennt 51 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Background
Cardiovascular diseases (CVD) are the leading cause of death among women, with risk increasing after menopause. Lipid levels are key biomarkers, yet conventional blood tests remain invasive and underutilized. Non-invasive technologies and machine learning (ML) may offer new approaches to lipid monitoring and risk assessment using wearable devices and biosensors.
Objective
This systematic review investigates the availability, accuracy, and clinical applicability of minimally and non-invasive lipid monitoring methods and ML-based cardiovascular risk estimation in adults.
Methods
A systematic search was conducted in MEDLINE, Embase, Cochrane Library, Web of Science, Scopus, and ClinicalTrials.gov (2010–2024). Studies in English were included; case reports and animal studies were excluded. Data extraction focused on devices, measurement approach, and predictive utility for cardiovascular outcomes. Methodological heterogeneity was addressed through narrative synthesis and thematic grouping (Thomas in Cochrane Handb Syst Rev Interv, 2024).
Results
From 14,863 records, 37 studies were included. Near-infrared, saliva-based, and smartphone-enabled fingertip devices showed promising accuracy. ML models using wearable-derived physiological data demonstrated moderate success in predicting cardiovascular risk and lipid levels.
Conclusion
Minimally and non-invasive lipid monitoring and ML-based risk prediction may support accessible, personalized cardiovascular risk management. Despite encouraging findings, validation in large-scale, long-term studies is essential before clinical adoption.
Trial registration
Title registration number (on PROSPERO): CRD420251105896
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Stichwörter der Autor:innen
Substanzen
Autor:innen und Institutionen
- Faculty of Medicine, University of Bern, Bern, Switzerland.
- Department of Cardiology, Cardiance Clinic, Pfaeffikon, Switzerland.
- Department of Obstetrics and Gynaecology, University Hospital Bern - Inselspital, Bern, Switzerland.
- Graduate School for Health Sciences, University of Bern, Bern, Switzerland.
- Department of General Internal Medicine, Hospital Thun, Thun, Switzerland.
- Department of Obstetrics and Gynaecology, University Hospital Bern - Inselspital, Bern, Switzerland. petra.stute@insel.ch.
ORCID-Profile: Petra Stute
Zitieren
APA
Endrass, J., Krbanjevic, V., Khattab, K., Pavicic, E., Zwahlen, M., & Stute, P. (2026). Lipid monitoring using non-invasive measurement technologies and machine learning: a systematic review. Archives of Gynecology and Obstetrics, 313(1). https://doi.org/10.1007/s00404-025-08254-6
Vancouver
Endrass J, Krbanjevic V, Khattab K, Pavicic E, Zwahlen M, Stute P. Lipid monitoring using non-invasive measurement technologies and machine learning: a systematic review. Archives of Gynecology and Obstetrics. 2026;313(1). doi:10.1007/s00404-025-08254-6
BibTeX
@article{Endrass2026,
author = {Endrass, Julia and Krbanjevic, Valerija and Khattab, Kerstin and Pavicic, Elena and Zwahlen, Michelle and Stute, Petra},
title = {Lipid monitoring using non-invasive measurement technologies and machine learning: a systematic review},
journal = {Archives of Gynecology and Obstetrics},
year = {2026},
volume = {313},
number = {1},
doi = {10.1007/s00404-025-08254-6}
}
EUVIMED