Een machine learning-kader voor gepersonaliseerde trainingsvoorschriften op basis van BMI en fysieke fitheidsevaluatie

Waarom slim trainen ertoe doet

Veel jongvolwassenen krijgen gewicht erbij, zelfs wanneer ze actief proberen te blijven. Generieke adviezen zoals “150 minuten per week bewegen” voelen vaak vaag en houden geen rekening met individuele verschillen in fitheid, lichaamsbouw of voortgang. Deze studie onderzoekt of kunstmatige intelligentie eenvoudige fitheidstests kan omzetten in sterk gepersonaliseerde trainingsschema’s die jongeren efficiënter en veiliger uit de categorie overgewicht helpen dan uniforme richtlijnen.

Fitheidstests omzetten in een persoonlijk profiel

De onderzoekers werkten met gegevens van 6.698 mannelijke studenten van 18 tot 20 jaar. Elke student had een body mass index (BMI)-meting en vier standaard fitheidstests: een 3.000 meter loop voor uithoudingsvermogen, optrekken voor bovenlichaamkracht, sit-ups voor romp-uithoudingsvermogen en een shuttle run voor snelheid en behendigheid. Samen geven deze metingen een redelijk compleet beeld van hoe hart, spieren en bewegingssysteem functioneren. In plaats van elke test afzonderlijk te bekijken, wilde het team het complexe patroon begrijpen dat dit fitheidsprofiel koppelt aan iemands BMI-categorie—ondergewicht, normaal, overgewicht of obesitas.

Een hybride AI die leest hoe je beweegt

Om deze patronen te doorgronden bouwde het team een hybride machine learning-systeem dat twee verschillende sterke punten combineert. Ten eerste scant een eendimensionaal convolutioneel neuraal netwerk, ondersteund door een attentiemechanisme, de reeks rondetijden in de 3.000 meter loop terwijl het ook rekening houdt met kracht- en sprintscores. Dit stelt het systeem in staat details op te merken, zoals of iemand sterk inzakt in de laatste ronden of juist een constant tempo aanhoudt. Ten tweede wordt de gecondenseerde informatie doorgegeven aan een gradient-boosting beslissingsmodel, dat zeer goed is in het trekken van duidelijke categoriegrenzen—hier de vier BMI-groepen. Deze gecombineerde aanpak classificeerde BMI met 94,5% nauwkeurigheid, wat duidelijk beter presteerde dan standaardmodellen zoals logistieke regressie, random forests en XGBoost op dezelfde data, terwijl voorspellingen nog steeds in minder dan een milliseconde per persoon werden gemaakt.

Van voorspellingen naar op maat gemaakte trainingsplannen

De sleutelstap is het vertalen van deze voorspellingen naar praktische workouts. Om het systeem begrijpelijk te houden voor coaches en clinici gebruikten de onderzoekers een methode genaamd SHAP die laat zien hoeveel elke fitheidstest iemands BMI-voorspelling naar een gezondere of minder gezonde categorie stuurt. Voor elke student rangschikt het model welke zwakke punten het zwaarst wegen—zoals weinig optrekkingen of trage looptijden. Een regelgebaseerde motor zet die prioriteiten vervolgens om in specifieke oefentypes, zoals meer sessies voor bovenlichaamkracht, extra aerobe training of extra snelheid- en behendigheidstraining. Om de twee weken tijdens de proef werden nieuwe testresultaten teruggevoerd in het systeem zodat het trainingsvolume omhoog of omlaag kon worden bijgesteld en de belasting verminderd kon worden als tekenen van vermoeidheid een risico op overtraining aangaven.

Het systeem op de proef stellen

Om te onderzoeken of deze AI-gestuurde aanpak daadwerkelijk de gezondheid verbetert, voerde het team een gerandomiseerde gecontroleerde proef van 12 weken uit met 1.160 nieuwe studenten. De helft kreeg conventionele beweeginstructies; de andere helft volgde de gepersonaliseerde voorschriften van het model, inclusief gestructureerde hoge-intensiteit intervallen, gestage aerobe arbeid, krachttraining en basis voedingsadvies. De gepersonaliseerde groep liet opvallende verbeteringen zien: het totale aandeel studenten met overgewicht of obesitas daalde met 23,5%, bijna zeven van de tien deelnemers met overgewicht zakten naar de normale range, en veel deelnemers met obesitas verhuisden naar de categorie overgewicht. De fitheid verbeterde ook substantieel, met ongeveer 15% meer optrekkingen, bijna 10% snellere 3.000 meter tijden en meer dan 10% snellere shuttle runs dan de controlegroep, allemaal zonder toename van blessures.

Wat dit betekent voor alledaagse gezondheid

Voor niet-specialisten is de conclusie dat eenvoudige, vertrouwde tests—hoe ver je kunt lopen, hoeveel optrekkingen en sit-ups je kunt doen en hoe snel je heen en weer kunt sprinten—voedsel kunnen zijn voor een AI-systeem dat trainingsschema’s ontwerpt afgestemd op jouw lichaam en huidige vaardigheden. Deze studie toont aan dat zo’n systeem niet alleen kan voorspellen wie een hoger aan gewicht gerelateerd risico loopt, maar ook trainingsplannen kan leveren die mensen veilig richting een gezondere BMI helpen terwijl ze sterker en fitter worden. Hoewel het werk tot nu toe gericht is op jonge mannen in één omgeving, wijst het op een toekomst waarin smartphone-apps of klinische tools echt gepersonaliseerde, continu bijgewerkte bewegingsadviezen voor veel verschillende groepen kunnen bieden.

Bronvermelding: Mo, M., Li, B., Yang, Y. et al. A machine learning framework for personalized exercise prescription based on BMI and physical fitness assessment. Sci Rep 16, 13336 (2026). https://doi.org/10.1038/s41598-026-42405-2

Trefwoorden: gepersonaliseerde training, machine learning in de gezondheidszorg, BMI en fitheid, preventie van obesitas bij jongeren, AI-werkoutplanning