Functioneel en structureel connectoom-gebaseerd voorspellend modelleren van balans bij oudere volwassenen

Waarom stabiel blijven ertoe doet

Naarmate we ouder worden, kan het simpelweg rechtop staan op een onregelmatige ondergrond een serieuze uitdaging worden. Verlies van balans leidt tot vallen, gebroken botten en verlies van zelfstandigheid. Deze studie stelde een bedrieglijk eenvoudige vraag: kunnen we, door te kijken naar de bedrading en activiteitspatronen van de hersenen in rust, voorspellen hoe goed een oudere volwassene zijn balans behoudt op een onstabord? Door geavanceerde hersenscans te combineren met data‑gedreven analyse beginnen de onderzoekers de verborgen netwerken in kaart te brengen die ouderen helpen op de been te blijven.

Inzicht in het verouderende brein

Het team rekruteerde 54 gezonde volwassenen tussen 64 en 82 jaar oud. Elke deelnemer onderging gedetailleerde MRI‑scans bij een ultra‑hoog magnetisch veld, wat de wetenschappers in staat stelde twee typen informatie vast te leggen. Ten eerste maten ze de fysieke bedrading van de hersenen: bundels zenuwvezels die verschillende regio’s verbinden, bekend als structurele verbindingen. Ten tweede registreerden ze spontane activiteit terwijl de deelnemers rustig rustten, wat onthult welke regio’s de neiging hebben samen te vuren, bekend als functionele verbindingen. Met behulp van een standaardatlas die het brein in 268 gebieden verdeelt, zetten ze deze scans om in grote kaarten van verbindingen, ofwel ‘connectomen’, voor elke persoon.

Balans meten op onstabiele grond

Om balans te meten, stonden deelnemers op een wiebelbord dat op een krachtplaat was geplaatst, met de voeten uit elkaar en handen in de heupen, terwijl ze zich op een vast punt aan de muur concentreerden. De afgeronde bodem van het bord maakte het oppervlak opzettelijk onstabiel. Vanuit de krachtplaat berekenden de onderzoekers hoeveel het zwaartepunt van elke persoon gedurende 20‑seconden proeven heen en weer zwierde. Dit leverde een zwierend oppervlak op: een kleiner oppervlak betekende stabielere balans, terwijl een groter oppervlak meer wiebelen aanduidde. De laagste zwierendoppervlakte van twee pogingen werd als balansscore per persoon genomen.

Computers leren hersennetwerken te lezen

Gewapend met hersennetwerken en balansscores gebruikten de onderzoekers een machine‑learning benadering genaamd connectoom‑gebaseerd voorspellend modelleren. In wezen lieten ze de computer over alle mogelijke verbindingen zoeken naar patronen die samenhingen met betere of slechtere balans, waarbij telkens één persoon buiten de training werd gehouden om de voorspellingsnauwkeurigheid te testen. Ze bouwden afzonderlijke modellen uit functionele en structurele netwerken, met focus op verbindingen waarvan sterkere of zwakkere koppels betrouwbaar waren gerelateerd aan de zwierendoppervlakte. Alleen die randen die consequent hielpen bij de voorspelling over de cross‑validatieruns werden behouden in een uiteindelijke ‘consensus’ netwerk voor elk scantype.

De hersencircuits achter stabiele stappen

Beide typen hersenkaarten bleken informatief. Specifieke sets verbindingen in de rust‑functionele data voorspelden wie meer of minder zou wobblen, en een parallel—maar niet identiek—set structurele verbindingen deed hetzelfde. In beide gevallen waren de belangrijkste verbindingen die de bewegingsgebieden van de hersenen en diepe structuren zoals de basale ganglia en thalamus met elkaar verbonden, evenals netwerken in de frontale en pariëtale lobben die betrokken zijn bij aandacht en controle. Interessant genoeg waren structurele verbindingen die bewegings‑ en frontale gebieden met visuele regio’s overbrugden sterke voorspellers van balans, terwijl hun functionele tegenhangers in rust weinig bijdroegen. Over een tweede testsessie drie maanden later gaven structurele netwerken meer stabiele voorspellingen dan functionele. Cruciaal was dat, wanneer dezelfde modellen werden gevraagd om beenkracht in een afzonderlijke taak te voorspellen, ze faalden—wat suggereert dat deze hersenpatronen specifiek zijn voor balans en niet voor algemene fysieke capaciteit.

Wat dit betekent voor het dagelijks leven

In eenvoudige bewoordingen laat dit werk zien dat hoe goed oudere volwassenen rechtop blijven op een bewegend oppervlak kan worden voorspeld door te kijken naar de architectuur en de rustige activiteit van hun hersennetwerken. De meest informatieve kenmerken zijn geen afzonderlijke ‘balanscentra’, maar gecoördineerde paden die bewegingsgebieden, diepe relaiskernen, frontale controlegebieden en visuele systemen verbinden. Vooral de structurele bedrading lijkt een stabieve vingerafdruk van balanscapaciteit in de tijd te bieden. Hoewel de bevindingen voorlopig zijn en gebaseerd op een bescheiden aantal deelnemers, wijzen ze op een toekomst waarin op het brein gebaseerde metingen kunnen helpen senioren te identificeren die een hoog valrisico lopen en trainings‑ of revalidatieprogramma’s kunnen sturen die de specifieke hersencircuits versterken die nodig zijn om hen veilig op de been te houden.

Bronvermelding: Liu, X., Scherrer, S., Egger, S. et al. Functional and structural connectome-based predictive modelling of balance in elderly adults. Sci Rep 16, 13954 (2026). https://doi.org/10.1038/s41598-026-43724-0

Trefwoorden: balans, veroudering, hersennetwerken, MRI, vallen