Intelligente beslissystemen voor vroege opsporing van de ziekte van Alzheimer met draagbare technologieën en deep learning

Waarom je horloge op een dag geheugenproblemen kan signaleren

De meesten van ons zien smartwatches en fitnesstrackers vooral als stappentellers en slaaptrackers. Deze studie onderzoekt een ambitieuzer gebruik: alledaagse wearables, gecombineerd met geavanceerde patroonherkenningssoftware, omvormen tot een waarschuwingssysteem voor de ziekte van Alzheimer in een vroeg stadium. De aandoening detecteren vóór merkbaar geheugenverlies kan patiënten en families meer tijd geven om te plannen en artsen een betere kans bieden om het verloop te vertragen.

Van ziekenhuisfoto’s naar alledaagse sensoren

Vandaag de dag wordt Alzheimer meestal opgespoord met hersenscans, medische beeldvorming en lange, persoonlijke geheugentests. Deze methoden zijn duur, tijdrovend en missen vaak de allerlaatste vroege tekenen van problemen, wanneer hersenveranderingen nog mild en mogelijk behandelbaarder zijn. Ondertussen verzamelen consumentendraagbare apparaten stilletjes continue informatie over hartslag, slaap en beweging. De auteurs stellen dat deze continue, niet-invasieve datastromen subtiele veranderingen in dagelijks leven en lichaamsritmes kunnen onthullen die zich voordoen voordat volledige symptomen verschijnen, waardoor het thuis een verlengstuk van de kliniek wordt.

Machines leren het dagelijkse ritme van het lichaam lezen

De kern van het voorgestelde systeem, Early Detection using Deep Learning Algorithm (ED‑DLA), is een vorm van kunstmatige intelligentie die bekendstaat als een recurrent neuraal netwerk. In plaats van naar afzonderlijke metingen te kijken, onderzoekt dit model hoe signalen in de tijd veranderen — hoe slaappatronen over weken verschuiven, hoe loopsnelheid verandert of hoe de hartslagvariabiliteit geleidelijk verspringt. De onderzoekers gebruiken een specifieke variant, Long Short‑Term Memory (LSTM)-netwerken, gestapeld in drie lagen. Deze netwerken zijn ontworpen om lange reeksen te onthouden, waardoor ze goed geschikt zijn om de trage, sluipende veranderingen te herkennen die op vroege Alzheimer kunnen duiden in plaats van dagelijkse ruis.

Hoe de wearable‑AI‑pipeline werkt

In het systeem verzamelen sensoren aan pols en hoofd data over hartslag, beweging, slaapgedrag en zelfs hersenactiviteit. Voordat de signalen het leermodel bereiken, worden ze opgeschoond om ruis te verwijderen en geschaald zodat vergelijkingen tussen personen eerlijk kunnen zijn. Het team transformeert de gegevens vervolgens om verborgen patronen te benadrukken, bijvoorbeeld met wiskundige hulpmiddelen die complexe relaties tussen beweging en hartritme vastleggen. De verwerkte informatie stroomt door de LSTM‑lagen, die geleidelijk een compacte “handtekening” van iemands gedrag en fysiologie opbouwen. Een laatste beslismodule zet deze handtekening om in risicocategorieën en het systeem kan waarschuwingen versturen via een eenvoudig dashboard naar clinici of mantelzorgers.

De aanpak op de proef stellen

Om na te gaan of dit idee praktisch veelbelovend is, trainden en testten de auteurs hun model op een grote set tijdreekssignalen van 1.200 volwassen en oudere vrijwilligers die een jaar lang werden gemonitord. Ze vergeleken ED‑DLA met verschillende andere AI‑benaderingen die in dementieonderzoek worden gebruikt. Statistische tests toonden aan dat het nieuwe systeem significant beter presteerde dan de alternatieven. Het identificeerde veranderingen gerelateerd aan vroege Alzheimer met een algehele nauwkeurigheid van ongeveer 96 procent, een sensitiviteit van bijna 98 procent (weinig echte gevallen werden gemist) en sterke prestaties in het herkennen van betekenisvolle patronen in de tijd. Even belangrijk, het behield hoge betrouwbaarheid bij continue gegevensverwerking, wat suggereert dat het near real‑time monitoring zou kunnen ondersteunen in plaats van incidentele controles.

Wat dit kan betekenen voor patiënten en families

In concrete termen wijst dit werk op een toekomst waarin routinegadgets helpen hersenveranderingen te signaleren lang voordat een crisis tot een ziekenhuisbezoek leidt. Het voorgestelde kader vervangt geen artsen of gedetailleerde hersenscans, maar het kan fungeren als een vroeg waarschuwingssysteem dat mensen aanspoort tot eerder onderzoek en behandeling en clinici helpt volgen of therapieën werken. Omdat de methode steunt op comfortabele, niet‑invasieve wearables en schaalbare software, kan ze breed worden ingezet tegen relatief lage kosten. De auteurs zien dit als een stap naar proactiezere, gepersonaliseerde dementiezorg, waarbij continue zachte monitoring patiënten, families en zorgsystemen extra tijd geeft om te reageren.

Bronvermelding: Sathish, R., Muthukumar, R., Kumaran, K.M. et al. Intelligent decision-making systems for early detection of alzheimer’s disease using wearable technologies and deep learning. Sci Rep 16, 6025 (2026). https://doi.org/10.1038/s41598-026-36895-3

Trefwoorden: Vroege opsporing van Alzheimer, draagbare sensoren, deep learning, recurrente neurale netwerken, digitale gezondheidsmonitoring