Handgemaakte MRI-radiomics van vergrote perivasculaire ruimtes en machine learning voorspellen cognitieve stoornissen en slaapstoornissen bij jongvolwassenen

Waarom je telefoongebruik ertoe kan doen voor je brein

Veel jongvolwassenen brengen elke dag uren door met hun smartphones—vaak tot laat in de nacht. Deze studie stelt een dringende vraag: kan dat langdurige mobiele telefoongebruik stilletjes je denkvermogen en slaap beïnvloeden? Met behulp van gedetailleerde hersenscans en kunstmatige intelligentie onderzochten de onderzoekers subtiele veranderingen in kleine met vloeistof gevulde kanalen in de hersenen en testten ze of die veranderingen vroege problemen met geheugen, aandacht en slaap bij intensieve telefoongebruikers kunnen signaleren.

Minieme hersenkanalen met een grote taak

Onze hersenen bevatten smalle tunnels rond bloedvaten die helpen afvalstoffen weg te spoelen, vooral tijdens de slaap. Deze tunnels, perivasculaire ruimtes genoemd, kunnen op MRI-scans vergroot lijken en wijzen erop dat het reinigingssysteem van de hersenen mogelijk niet optimaal werkt. Eerder onderzoek koppelde vergrote ruimtes aan aandoeningen zoals dementie en slechte slaap bij ouderen. De huidige studie vroeg of vergelijkbare veranderingen ook voorkomen bij jongere mensen die veel met hun telefoon bezig zijn—en of die veranderingen samenhangen met hoe goed ze slapen en denken.

Scannen van zware telefoongebruikers

Het team bestudeerde 82 jongvolwassenen en volwassenen van middelbare leeftijd in China die allemaal minstens vier uur per dag hun telefoon gebruikten. Iedereen onderging een hersen-MRI en vulde standaardvragenlijsten in die denkvermogen, nachtelijke slaapkwaliteit, symptomen van slapeloosheid en slaperigheid overdag meten. In plaats van te vertrouwen op de ruwe visuele inschatting van een arts, gebruikte het team een getraind computerprogramma om automatisch vergrote perivasculaire ruimtes af te bakenen en te meten in 17 verschillende hersengebieden. Voor elk gebied telde de software het aantal ruimtes en berekende hun grootte, lengte en vorm, wat resulteerde in 70 gedetailleerde metingen die samen met iemands leeftijd en geslacht werden geanalyseerd.

Machines leren risico te herkennen

Om deze hersenmetingen om te zetten in praktische waarschuwingsinstrumenten gebruikten de onderzoekers machine learning—ze leerden algoritmen onderscheid te maken tussen mensen met en zonder cognitieve problemen of slaapproblemen. Eerst reduceerden ze de 70 hersenkenmerken tot de zes meest informatieve per taak, en trainden vervolgens twee modeltypen: Gaussian process-classifiers en decision trees. Eén model probeerde te detecteren wie meetbare cognitieve stoornissen had; andere modellen probeerden slechte slaapkwaliteit, slapeloosheidssymptomen of overmatige slaperigheid overdag te identificeren. Bij tests met nieuwe deelnemers bleek het cognitieve model meestal juist verschil te maken tussen impaired en unimpaired gevallen, en de modellen voor slaap en slaperigheid presteerden in vergelijkbare mate goed.

Waar in de hersenen de signalen vandaan komen

De meest sprekende kenmerken waren niet willekeurig verspreid: ze concentreerden zich in gebieden die bekendstaan om hun rol bij denken en het reguleren van slaap. Veranderingen in de frontale kwabben, die helpen bij planning en aandacht, en in diepe structuren zoals de thalamus en basale ganglia droegen sterk bij aan voorspellingen over cognitieve scores en slapeloosheid. Vergrote ruimtes in de temporaalkwabben en in een witte-stofgebied dat het centrum semiovale wordt genoemd, waren sterk verbonden met gerapporteerde slaapkwaliteit en slaperigheid overdag. Met behulp van interpretatietools lieten de auteurs zien hoe specifieke kenmerken—zoals de gemiddelde lengte of kromming van deze kleine ruimtes in bepaalde regio’s—het model naar de voorspelling “aangetast” of “normaal” duwden voor elk individu.

Wat dit kan betekenen voor preventie

Hoewel de studie relatief klein is en niet kan aantonen dat intensief telefoongebruik deze hersenveranderingen veroorzaakt, suggereren de resultaten dat de structuur van perivasculaire ruimtes kan dienen als een vroeg waarschuwingssignaal voor denkproblemen en slaapproblemen bij verder gezonde jongvolwassenen. Als dit bevestigd wordt in grotere en meer diverse groepen, zouden snelle MRI-scans gecombineerd met eenvoudige machine-learningtools artsen op een dag kunnen helpen mensen te signaleren wiens hersenen vroege stress tonen door slechte slaap of leefgewoonten—lang voordat volledige dementie of chronische slaapstoornissen ontstaan. Voor lezers is de boodschap helder: hoe lang en hoe laat je op je telefoon zit kan niet alleen leiden tot vermoeidheid, maar ook tot subtiele veranderingen in hersengezondheid die serieus genomen moeten worden.

Bronvermelding: Li, L., Wu, J., Li, B. et al. Handcrafted MRI radiomics of enlarged perivascular spaces and machine learning predict cognitive impairment and sleep disturbance in young adults. Sci Rep 16, 5177 (2026). https://doi.org/10.1038/s41598-026-35845-3

Trefwoorden: smartphonegebruik, slaapkwaliteit, cognitieve stoornis, hersen-MRI, machine learning