Wearable-gegevens gebruiken om de ernst van depressie te detecteren in klinische en niet-klinische steekproeven

Waarom je fitnesstracker meer kan onthullen dan alleen stappen

Veel mensen dragen nu smartwatches of fitnesstrackers om stappen te tellen en slaap te volgen. Deze studie stelt een opvallende vraag: zouden diezelfde gadgets stilletjes kunnen aangeven wanneer iemand mogelijk worstelt met depressie, zelfs voordat die persoon hulp zoekt? Door te kijken naar alledaagse patronen in hartslag, beweging en slaap, onderzochten de onderzoekers of consumenten-wearables kunnen helpen mensen met hogere niveaus van depressieve symptomen te signaleren, zowel onder studenten als onder patiënten die al behandeling kregen.

Twee groepen, één gedeeld apparaat

Om dit idee te testen, combineerde het team gegevens van twee heel verschillende groepen die allemaal twee weken eenzelfde Garmin-polssensor droegen. De ene groep bestond uit universiteitsstudenten in Nederland, van wie de meesten geen behandeling voor psychische problemen ontvingen. De andere groep kwam uit een Duitse universiteitskliniek, waar patiënten therapie kregen voor vastgestelde depressie. Iedereen vulde ook een korte gestandaardiseerde vragenlijst over stemming in, en de onderzoekers gebruikten de scores om deelnemers in te delen als “screen-positief voor depressie” of “niet screen-positief.” Deze opzet maakte het mogelijk te zien of wearable-signalen konden onderscheid maken tussen mensen met hogere en lagere symptoomniveaus in zowel alledaagse als klinische settings.

Dagelijkse ritmes omzetten in signalen

De polsbandjes registreerden basiskenmerken die veel fitnesstrackers meten: hoeveel stappen mensen per dag zetten, hoe lang ze sliepen, wanneer ze naar bed gingen en wakker werden, en hoe hun hartslag zich gedroeg tijdens waken en slaap. In plaats van zich op losse dagen te richten, vat het team twee weken aan gegevens per persoon samen, waarbij ze niet alleen gemiddelden noteerden maar ook hoeveel deze patronen van dag tot dag varieerden. Vervolgens gebruikten ze een type statistisch model dat vaak in machine learning wordt toegepast en is ontworpen om veel gerelateerde voorspellers tegelijk te verwerken, om te zien of een mix van deze features correct kon classificeren wie screen-positief was voor hogere depressieserniteit.

Wat de wearables onthulden

Over alle 282 deelnemers presteerde het model goed: in de achtergehouden testdata onderscheidde het model de groep met hogere symptomen van de groep met lagere symptomen ongeveer vier van de vijf keer correct. Drie soorten signalen kwamen duidelijk naar voren. Mensen met onregelmatiger slaap—grotere schommelingen in hoe lang ze elke nacht sliepen—horden vaker in de groep met hogere symptomen. Degenen die op hun meest actieve dagen lagere piekstapcounts bereikten, vertoonden ook vaker meer ernstige symptomen, wat aansluit bij eerder werk dat depressie koppelt aan verminderde fysieke activiteit. Tot slot hadden individuen van wie de laagste daghartslag bijzonder laag was vaker hogere symptoomscores, wat wijst op veranderingen in lichamelijke opwinding of energie die gepaard kunnen gaan met depressie.

Voorbij wie je bent, richting hoe je leeft

De onderzoekers onderzochten ook hoeveel van de voorspelling simpelweg voortkwam uit het weten tot welke groep iemand behoorde—student of klinische patiënt. Groepslidmaatschap op zich was een sterke aanwijzing, aangezien de poliklinische steekproef gemiddeld veel hogere depressiescores had dan de studentengroep. Toch verbeterde de algehele prestatie wanneer wearable-features werden toegevoegd aan modellen die al wisten tot welke groep iemand behoorde. Met andere woorden: hoe iemand sliep, bewoog en hoe zijn hart zich gedroeg, leverde nog steeds extra informatie bovenop basisachtergrondfactoren. Vervolganalyses die corrigeerden voor leeftijd, bedtijd of iets andere drempels op de stemmingsvragenlijst, toonden vergelijkbare resultaten, hoewel de belangrijkste signalen enigszins verschoven naar slaaptiming en rusthartslagpatronen.

Veelbelovend, met belangrijke nuanceringen

Hoewel de bevindingen bemoedigend zijn, benadrukken de auteurs dat huidige wearable-gegevens geen op zichzelf staande diagnostische tool vormen. Veel deelnemers, vooral in de klinische groep, moesten worden uitgesloten omdat hun apparaten niet genoeg gegevens leverden, en de uiteindelijke steekproef vergeleek voornamelijk mensen met duidelijke depressie met vooral gezonde studenten. Dat betekent dat het model minder getest is op het oppikken van subtiele of vroege stemmingsveranderingen. Verschillen in leeftijd, studiebelasting en andere levensomstandigheden tussen de groepen kunnen de patronen ook hebben beïnvloed. Het werk laat zien dat alledaagse ritmes, vastgelegd door gangbare gadgets, betekenisvolle aspecten van geestelijke gezondheid kunnen weerspiegelen, maar echt betrouwbare toepassing in de praktijk vereist grotere en meer diverse studies.

Wat dit betekent voor het dagelijks leven

Voor leken is de belangrijkste conclusie dat veranderingen in slaappatroonregelmaat, beweging en de lichamelijke "rusttoestand" meetbare sporen achterlaten die smartwatches kunnen detecteren. In deze studie hielpen zulke sporen het identificeren van mensen met hogere niveaus van depressieve symptomen in zowel student- als patiëntpopulaties. In de toekomst zouden vergelijkbare methoden vroege waarschuwingssystemen kunnen ondersteunen die individuen of clinici alerteren wanneer patronen beginnen te lijken op die geassocieerd met depressie, wat tijdige gesprekken of controles kan aanmoedigen. Voorlopig is de boodschap hoopvol maar voorzichtig: je fitnesstracker begint aanwijzingen voor je geestelijke gezondheid op te vangen, maar is nog niet klaar om een getrainde professional—or je eigen stem om hulp te vragen—te vervangen.

Bronvermelding: Hehlmann, M.I., Tutunji, R., Lutz, W. et al. Using wearable data to detect depression severity across clinical and non-clinical samples. Sci Rep 16, 11380 (2026). https://doi.org/10.1038/s41598-026-47177-3

Trefwoorden: draagbare apparaten, detectie van depressie, slaap- en activiteitspatronen, digitale geestelijke gezondheid, passieve sensing