LDiHK entwickeln: Unsere Reise beim EuroTech x Hong Kong Talent Exchange Hackathon 2026
Anfang dieses Jahres hatte ich die Gelegenheit, am EuroTech x Hong Kong Talent Exchange Hackathon 2026 teilzunehmen. Gemeinsam mit drei fantastischen Teamkollegen widmeten wir uns einer drängenden Herausforderung im modernen Gesundheitswesen: der Schnittstelle zwischen digitalem Verhalten und mentaler Gesundheit.
Unsere Lösung, Life Data Intelligence Hong Kong (LDiHK), entstand aus einer einfachen, aber wirkungsvollen Prämisse: Wir können Warnsignale psychischer Krisen früher erkennen, indem wir die Daten analysieren, die Menschen ohnehin täglich erzeugen.
Hier ist ein Blick hinter die Kulissen dessen, was wir gebaut haben, welche Technologie dahintersteckt und welche Rolle ich dabei hatte, das MVP zum Leben zu erwecken.
Das Problem: Ein überlastetes System
Hongkong steht vor einer stillen Krise der psychischen Gesundheit.
Aktuelle Studien zeigen, dass fast 46 % der Menschen Symptome psychischer Störungen aufweisen und eine reguläre psychiatrische Überweisung bis zu 44 Wochen dauern kann.
Wenn Betroffene endlich die benötigte Hilfe erhalten, befinden sie sich oft schon in einer akuten Krise. Gleichzeitig belegen jahrzehntelange wissenschaftliche Studien einen klaren Zusammenhang zwischen Social-Media-Nutzung und Depressionsrisiken. Intensive tägliche Nutzung, eine fragmentierte Aufmerksamkeitsspanne über mehrere Plattformen hinweg und nächtliches Scrollen, das den zirkadianen Rhythmus stört, erhöhen das Risiko für internalisierende Störungen messbar.
Wir wollten die Lücke zwischen diesen beiden Realitäten schließen.
Die Lösung: Life Data Intelligence Hong Kong
Unser Ansatz war es, digitale Tracking-Daten in proaktive Vorsorge zu verwandeln. Wir entwickelten eine Plattform, auf der Nutzer ihre exportierten Social-Media-Nutzungsdaten freiwillig hochladen können (über DSGVO-Datenexporte von Plattformen wie YouTube, Instagram und LinkedIn).
Die Plattform normalisiert die Daten und bewertet das Depressionsrisiko der Nutzer anhand eines mathematischen Modells. LDiHK ist jedoch nicht nur ein Diagnosewerkzeug, sondern ein B2B-Service, der auf Krankenversicherungen zugeschnitten ist.
Das Geschäftsmodell
- Versicherer lizenzieren das Modell: Wir verkaufen unser Machine-Learning-Klassifikationsmodell an Versicherungsgesellschaften.
- Freiwilliges Teilen von Daten: Versicherer bieten ihren Mitgliedern Beitragsrabatte an, wenn diese ihre Social-Media-Nutzungsdaten freiwillig teilen.
- Proaktive Intervention: Versicherer nutzen unsere Risikobewertung, um frühzeitige prophylaktische Maßnahmen zu empfehlen.
- Die Win-Win-Situation: Patienten erhalten frühzeitige Hilfe und Versicherer senken die enormen langfristigen Kosten, die durch unbehandelte psychische Erkrankungen entstehen.
Meine Rolle: Frontend, Infrastruktur und Pitching
In einem Viererteam zu arbeiten bedeutete, dass wir alle mehrere Rollen gleichzeitig übernehmen mussten. Ich war primär für die Frontend-Architektur verantwortlich, teilte mir die Aufgaben rund um Hosting und Tech-Stack und brachte mich zudem in die Kernideenfindung sowie den finalen Pitch ein.
1. Architektur von Frontend und Tech-Stack
Unsere Architektur musste Datenaufnahme, Normalisierung, Datenanreicherung und Abfragen bewältigen – und gleichzeitig ein visuell intuitives Dashboard für den Nutzer bereitstellen. Ich entwickelte das Frontend so, dass ein nahtloser Ablauf gewährleistet war: vom Moment, in dem ein Nutzer seine ZIP-Datei hochlädt, bis hin zur Darstellung persönlicher Insights und dem Vergleich mit demographischen Benchmarks.
Unsere Hosting-Architektur basierte auf einem modernen, skalierbaren Stack:
| Stack-Ebene | Technologie | Hauptfunktion |
|---|---|---|
| Frontend | Netlify | Benutzeroberfläche und clientseitige Analysen. |
| Backend | Render API | Verarbeitung von Uploads und Ausführung von Enrichment-Workern. |
| Datenbank | Supabase Postgres | Speicherung vorverarbeiteter Daten und Referenzdemografien. |
| Speicher | AWS S3 | Temporäre Speicherung großer ZIP-Uploads. |
Eine zentrale technische Herausforderung war der Umgang mit unstrukturierten, fragmentierten Daten aus verschiedenen Plattformen. Ich half beim Entwurf einer Pipeline, die unterschiedliche Logdateien einlesen, in einen einheitlichen Standard normalisieren und intuitiv visualisieren konnte. Beispielsweise nutzten wir die YouTube Data API über Background-Worker, um den Wiedergabeverlauf mit präzisen Videolängen anzureichern, sodass unser Modell mit exakten Bildschirmzeit-Metriken arbeiten konnte.
2. Das mathematische Fundament
Um sicherzustellen, dass unsere Lösung auf soliden wissenschaftlichen Füßen steht, basierte unsere Risikobewertungslogik vollständig auf unabhängigen, begutachteten Studien (etwa Daten aus der UK Millennium Cohort Study und JAMA Psychiatry).
Wir bauten ein multivariables logistisches Regressionsmodell auf, um eine kontinuierliche Vorhersagefunktion durch unsere Datenpunkte zu legen. Da digitale Stressfaktoren einen 16-Jährigen ganz anders beeinflussen als einen 60-Jährigen, entschieden wir uns im Backend dafür, die Logik in drei separate Modelle zu unterteilen: Jugendliche, junge Erwachsene und ältere Zielgruppen. Das erhöhte zwar die Komplexität im Backend, war für klinische Genauigkeit aber unabdingbar.
3. Den Pitch gestalten
Abseits des Codes half ich dabei, unsere Präsentation für die Jury zu schärfen. Wir mussten beweisen, dass LDiHK nicht nur technisch funktionierte, sondern auch rechtlich konform, gesellschaftlich verantwortungsvoll und wirtschaftlich tragfähig war.
- Ethische Daten: Wir legten großen Wert darauf, dass unsere Plattform kein Scraping betreibt – sie basiert rein auf einwilligungsbasiertem, freiwilligem Datenteilen.
- Strategischer Ausgangspunkt: Wir stellten zudem heraus, warum Hongkong der ideale Startpunkt war. An der Schnittstelle westlicher (WhatsApp, Facebook) und chinesischer (WeChat, Xiaohongshu) digitaler Ökosysteme gelegen, bietet es ein einzigartiges Umfeld, um robuste, kulturübergreifende Modelle zu trainieren, bevor eine Expansion in ganz Asien erfolgt.
Rückblick
LDiHK unter dem Zeitdruck eines Hackathons zu entwickeln, war eine intensive Lektion in Sachen Priorisierung. Wir mussten komplexe Datenverarbeitung mit dem Aufbau eines überzeugenden, benutzerfreundlichen MVPs in Einklang bringen. Zu sehen, wie unsere Datenpipeline rohe Social-Media-Logs erfolgreich einlas, unser Regressionsmodell anwendete und aussagekräftige, handlungsorientierte Gesundheitseinblicke lieferte, war ein ungemein erfüllender Moment.
Der Hackathon hat mir erneut gezeigt, dass die wirkungsvollsten Technologielösungen nicht nur Engineering-Probleme lösen – sie bringen menschliche Anreize in Einklang. Indem wir ein System geschaffen haben, bei dem Nutzer von günstigeren Versicherungsbeiträgen profitieren und Versicherer langfristige Behandlungskosten sparen, haben wir ein Produkt entwickelt, das einen echten Weg zur praktischen Umsetzung vor sich hat.