Het overwinnen van gegevensverlies bij draagbare ziekte‑detectie met GAN‑gebaseerde imputatie

Waarom ontbrekende gegevens van wearables ertoe doen

Fitness trackers en smartwatches beloven veel: wat als ze ons dagen voorafgaand aan ziekte konden waarschuwen voor een infectie? In veel delen van de wereld, vooral in landelijke gebieden met weinig klinieken en laboratoria, kan zo’n vroege waarschuwing het verschil betekenen tussen een milde en een gevaarlijke aandoening. In de praktijk vergeten mensen apparaten te dragen, lopen batterijen leeg en haperen internetverbindingen. Deze studie pakt een eenvoudige maar cruciale vraag aan: kunnen we die gebroken gegevensstromen zodanig herstellen dat we nog steeds vroege tekenen van ziekte kunnen opvangen?

Gaten omzetten in een bruikbaar signaal

De onderzoekers concentreerden zich op hartslaggegevens van polsapparaten, omdat de nachtelijke rusthartslag vaak subtiel stijgt vóór het optreden van symptomen. In plaats van nachten met ontbrekende metingen weg te gooien, gebruikten ze een type kunstmatige intelligentie genaamd een generative adversarial network (GAN) om de gaten op te vullen. Zie de GAN als een zeer bekwame raden‑kunstenaar die typische dagelijkse hartritmepatronen heeft geleerd en kan reconstrueren wat waarschijnlijk tijdens de ontbrekende uren gebeurde, terwijl hij nog steeds ongebruikelijke veranderingen door een infectie kan toestaan.

Het idee testen bij twee zeer verschillende ziekten

Om te onderzoeken of deze aanpak in de echte wereld werkt, bestudeerde het team twee grote groepen mensen. De ene was een COVID‑19‑cohort in de Verenigde Staten met meer dan 3.000 deelnemers die over het algemeen betrouwbare wearable‑gegevens hadden. De andere was een veel kleiner malariacohort in het landelijke westen van Kenia, waar vanwege oplaad-, connectiviteits- en draagtijduitdagingen slechts ongeveer de helft van de verwachte hartslagmetingen daadwerkelijk werd vastgelegd. Opmerkelijk genoeg werd de GAN alleen getraind op de COVID‑19‑gegevens, maar kon hij toch geloofwaardige hartslagpatronen reconstrueren in de malaria‑groep zonder opnieuw te worden getraind.

Verborgen infecties opsporen in landelijk Kenia

In de Keniaanse malaria‑studie droegen 300 volwassenen polsbanden terwijl veldwerkers hen regelmatig testten op malaria en symptoomdagboeken bijhielden. De auteurs combineerden de door de GAN gereconstrueerde nachtelijke hartslagen met een eenvoudig regelgebaseerd systeem dat let op aanhoudende stijgingen boven iemands gebruikelijke basislijn. Van de 161 malariainfecties gaf hun systeem in 100 gevallen vroege waarschuwingen, en in 42 daarvan zou er zonder het invullen van de ontbrekende gegevens helemaal geen waarschuwing zijn geweest. Gemiddeld verschenen deze waarschuwingen ongeveer 12 dagen voordat mensen symptomen rapporteerden, wat bijna overeenkomt met de bekende tijd die malariaparasieten nodig hebben om in het bloed op te bouwen. Zelfs bij zwaar gegevensverlies verschenen waarschuwingen doorgaans op 3,5 opeenvolgende dagen tijdens het infectievenster, waardoor de kans groter werd dat gezondheidswerkers dit zouden opmerken en actie zouden ondernemen.

De balans tussen nauwkeurigheid, transparantie en praktische bruikbaarheid

Het team vergeleek de GAN met gebruikelijke methoden om gaten op te vullen, van zeer eenvoudige benaderingen zoals het voortzetten van de laatste waarde tot meer geavanceerde statistische modellen. In beide ziektegroepen produceerde de GAN over het algemeen de meest accurate reconstructies en behield hij beter de natuurlijke dag‑nacht hartslagritmes, zelfs wanneer meer dan 70 procent van de gegevens ontbrak. Wanneer deze verbeterde signalen werden ingevoerd in geautomatiseerde infectiedetectiemodellen, namen zowel de gevoeligheid (het vinden van echte gevallen) als de precisie (het vermijden van valse alarmen) toe. Tegelijkertijd is de GAN zo ontworpen dat hij lichtgewicht en snel is, zodat hij uiteindelijk op eenvoudige computers of edge‑apparaten kan draaien in gebieden met beperkte stroom en connectiviteit.

Wat dit kan betekenen voor alledaagse zorg

Voor niet‑specialisten is de kernboodschap dat ontbrekende gegevens van wearables niet zomaar ruis zijn om weg te gooien. Met de juiste vorm van intelligente reconstructie kunnen die gaten weer in een zinvol waarschuwingssignaal worden omgezet. Deze studie laat zien dat een AI‑model dat op één ziekte (COVID‑19) is getraind, kan helpen bij het detecteren van een andere ziekte (malaria) in een heel andere omgeving, en in veel gevallen gezondheidswerkers een week of langer vroegtijdig kan waarschuwen. Als zulke systemen veilig en ethisch worden ingezet, kunnen ze gemeenschapsgezondheidswerkers helpen beslissen wie getest moet worden, wanneer ze moeten langskomen en hoe schaarse middelen te prioriteren, waardoor de zorg verschuift van reageren op gevorderde ziekte naar het stilletjes opsporen van infecties terwijl er nog tijd is om in te grijpen.

Bronvermelding: Wallner, J., Berbuir, S., Birner, L. et al. Overcoming Data Loss in Wearable Disease Detection with GAN-Based Imputation. npj Digit. Med. 9, 275 (2026). https://doi.org/10.1038/s41746-026-02518-4

Trefwoorden: draagbare sensoren, detectie van infectieziekten, malaria, imputatie van ontbrekende gegevens, digitale gezondheidszorg in omgevingen met weinig middelen