Validatie van SocialBit als smartwatch-algoritme voor detectie van sociale interactie in een klinische populatie

Waarom het tellen van gesprekken ertoe doet

Na een ernstige ziekte zoals een beroerte kunnen kleine alledaagse momenten—zoals een praatje met een verpleegkundige of grapjes met familie—stille invloed hebben op het herstel. Sociale banden beschermen de hersengezondheid en kunnen zelfs de levensduur verlengen, maar artsen hebben zelden een betrouwbare manier om vast te stellen hoe sociaal betrokken een patiënt daadwerkelijk gedurende de dag is. Deze studie introduceert SocialBit, een op een smartwatch gebaseerd systeem dat op een privacybewuste manier luistert naar gesprekken en onderzoekt of het realistische sociale interacties bij opgenomen patiënten na een beroerte accuraat kan volgen.

Een smartwatch die hoort, niet afluistert

SocialBit is een software-algoritme dat op een standaard smartwatch draait. In plaats van gesprekken op te nemen of de woorden die mensen zeggen te analyseren, gebruikt het korte fragmenten van omgevingsgeluid om patronen zoals volume, ritme en andere akoestische kenmerken vast te leggen. Daarmee bepaalt het of een minuut waarschijnlijk een interactie inhield—eenvoudig gedefinieerd als elk geluid gemaakt door of gericht aan de patiënt door een ander persoon, inclusief gefragmenteerde of niet-verbale spraak die veel voorkomt na een beroerte. Omdat het systeem nooit ruwe audio of getranscribeerde tekst opslaat, is het ontworpen om privacy te bewaren terwijl het zorgverleners toch een continue weergave van iemands sociale wereld biedt.

Het apparaat testen in het echte ziekenhuisleven

Om te onderzoeken of SocialBit buiten het laboratorium werkt, schreven de onderzoekers 153 volwassenen in die opgenomen waren met een ischemische beroerte in twee ziekenhuizen in Boston. Patiënten droegen de smartwatch tijdens daguren tot maximaal acht dagen, terwijl getrainde waarnemers beveiligde livevideo bekeken en elke minuut labelden als sociaal of niet-sociaal. Dit leverde bijna 89.000 minuten door mensen gecodeerde data op, waarvan ongeveer 14.000 minuten ook SocialBit-metingen hadden. De patiënten verschilden sterk: de ernst van de beroertes liep uiteen van zeer mild tot ernstig, de scores voor denken en geheugen besloegen bijna de volledige schaal, en 24 deelnemers hadden verschillende vormen van afasie, een taalstoornis die gesprekken vaak verstoort. Deze diversiteit stelde het team in staat te testen of het systeem standhield, zelfs wanneer spraak haperde, verhaspeld was of minimaal bleef.

Hoe goed het algoritme presteerde

Wanneer de inschattingen van SocialBit werden vergeleken met de minuut-tot-minuut labels van de menselijke codeurs, detecteerde de best presterende versie van het algoritme sociale interactie correct in ongeveer 87 procent van de minuten die die interactie daadwerkelijk bevatten en herkende het niet-interactie in 88 procent van de gevallen correct. Statistisch plaatste dit SocialBit boven bestaande algemene spraak- en gesprekdetectoren. Belangrijk is dat de samenvatting van hoeveel tijd patiënten over de dag met interactie doorbrachten dicht overeenkwam met de schattingen van mensen, ondanks dat de smartwatch slechts één van de vijf minuten sampelde om batterij te sparen. De prestatie bleef sterk onder veel realistische omstandigheden, waaronder achtergrondtelevisie, nevenconversaties in de kamer, telefoon- en videogesprekken, verschillende ziekenhuisafdelingen en twee soorten smartwatch-hardware.

Ook patiënten die moeite hebben met spreken meenemen

Een belangrijke vraag was of SocialBit zou falen bij mensen met afasie, die mogelijk minder spreken of niet-standaard spraak produceren. In deze subgroep presteerde het algoritme nog steeds goed, met slechts een bescheiden daling in nauwkeurigheid vergeleken met patiënten zonder taalproblemen. Het systeem gedroeg zich ook op klinisch zinvolle manieren: patiënten met ernstigere beroertes hadden minder minuten met gedetecteerde interactie, wat weerspiegelt wat de menselijke codeurs waarnamen. Elke toename van één punt in de ernstscore van de beroerte hing samen met ongeveer één procent minder tijd besteed aan interactie. Dit suggereert dat SocialBit niet alleen geluid herkent, maar een betekenisvolle dimensie van het sociale leven van patiënten vastlegt.

Wat dit voor de zorg kan betekenen

De auteurs beweren dat een hulpmiddel als SocialBit sociale interactie in een "vitale parameter" zou kunnen veranderen die samen met bloeddruk of hartslag wordt gevolgd. In onderzoek zou het een objectieve uitkomstmaat kunnen leveren voor klinische onderzoeken die gericht zijn op het verbeteren van de kwaliteit van leven of het verminderen van isolement. In de dagelijkse praktijk zou het zorgverleners en mantelzorgers kunnen waarschuwen wanneer een patiënt minder sociaal betrokken raakt, zodat eerder ondersteuning of aanpassingen in de omgeving plaatsvinden. Hoewel er meer werk nodig is om het systeem voor thuisgebruik aan te passen en niet alleen te registreren hoe vaak mensen interactie hebben maar ook hoe betekenisvol die momenten zijn, toont deze studie aan dat een eenvoudige smartwatch betrouwbaar een krachtig maar eerder onzichtbaar ingrediënt van herstel kan meten: menselijke verbinding.

Bronvermelding: Dhand, A., Tate, S., Mack, C. et al. Validation of SocialBit as a smartwatch algorithm for social interaction detection in a clinical population. Sci Rep 16, 4529 (2026). https://doi.org/10.1038/s41598-026-37746-x

Trefwoorden: herstel na beroerte, sociale interactie, smartwatch-sensing, digitaal biomarker, afasie