Continuele beoordeling van dagelijkse-loopgang met zelfgestuurd leren van polsversnellingsmetergegevens

Waarom uw horloge op een dag kan bijhouden hoe goed u loopt

Veel mensen dragen al fitnesshorloges die stappen tellen of trainingen bijhouden. Voor ouderen kan de manier waarop ze lopen—snelheid, ritme en stabiliteit—echter vroegtijdige tekenen van gezondheidsproblemen blootleggen, van kwetsbaarheid tot dementie. Deze studie toont aan dat een enkele sensor aan de pols, gecombineerd met een geavanceerd kunstmatig-intelligentiesysteem genaamd ElderNet, dagelijkse bewegingsgegevens kan omzetten in gedetailleerde maten van loopkwaliteit, waardoor een alledaags apparaat mogelijk verandert in een krachtig gezondheidsmonitor.

Van eenvoudige stappentellers naar rijke aanwijzingen over lopen

De meeste polsapparaten schatten tegenwoordig hoe actief u in het algemeen bent: hoe lang u zit, hoe vaak u beweegt of hoeveel stappen u zet. Hoewel nuttig, mengen deze samenvattingen veel verschillende soorten beweging en missen ze de fijnere details van het lopen zelf. Artsen en onderzoekers hechten waarde aan specifieke loopkenmerken—zoals loopsnelheid, aantal stappen per minuut, staplengte en stapregelmaat—omdat die sterke indicatoren zijn van gezond ouder worden en risico op beperkingen, vallen en cognitieve achteruitgang. Traditioneel komen deze maten uit korte tests in klinieken of laboratoria, vaak met sensoren op de onderrug of speciale loopbanen. Die opstellingen zijn nauwkeurig maar onhandig en leggen slechts korte momentopnames vast van iemands mobiliteit.

Een model leren lopen vanaf de pols te lezen

Het team achter ElderNet wilde volledige loopinformatie ontsluiten uit polssensoren die tijdens het normale dagelijks leven worden gedragen, ondanks dat de pols op complexe manieren beweegt en armzwaaien met andere activiteiten mengt. Ze bouwden voort op een zelfgestuurde leerbenadering, waarbij een diep neuraal netwerk eerst zichzelf leert patronen te herkennen in enorme hoeveelheden niet-geannoteerde polsgegevens van meer dan 100.000 mensen uit de UK Biobank. Vervolgens wordt het model verder aangepast met meerdaagse opnames van meer dan 800 zeer oude volwassenen uit het Rush Memory and Aging Project, zodat het speciaal wordt afgestemd op bewegingspatronen van verouderende populaties. Ten slotte wordt het systeem fijngeslepen op een kleinere maar zorgvuldig gelabelde dataset, Mobilise‑D, waarbij deelnemers zowel polssensoren als een uitgebreid referentiesysteem droegen dat hun lopen in realistische omstandigheden precies mat. Deze stap stelt ElderNet in staat complexe polsbewegingen te vertalen naar specifieke loopmaten voor elk gedetecteerd looppatroon.

Hoe goed het systeem lopen meet

Getest bij oudere volwassenen en mensen met aandoeningen zoals hartfalen, longziekten, de ziekte van Parkinson, heupfractuur en multiple sclerose, schatte ElderNet de loopsnelheid met een gemiddelde fout van ongeveer 8,8 centimeter per seconde en toonde het een sterke overeenstemming met het gouden standaard referentiesysteem. Het presteerde ook beter dan een toonaangevende biomechanische methode op basis van handgemaakte kenmerken en een soortgelijk model dat zonder zelfgestuurde voortraining was getraind. De onderzoekers breidden ElderNet uit om aanvullende loopkenmerken te schatten zoals cadans, staplengte en stapregelmaat; met name voor cadans en staplengte was de zelfgestuurde versie duidelijk beter dan de volledig begeleide baseline. Belangrijk is dat de prestaties hoog bleven in een onafhankelijke groep jongere, gezonde volwassenen, wat suggereert dat de aanpak generaliseert buiten de oorspronkelijke trainingsgroep, ondanks dat deze geoptimaliseerd was voor oudere personen.

Dagelijks lopen vertelt een ander verhaal dan klinische tests

Om de klinische bruikbaarheid te verkennen, pasten de auteurs ElderNet toe op ongeveer tien dagen polsgegevens per persoon van honderden zelfstandig wonende oudere volwassenen. Ze vergeleken drie manieren om te signaleren wie meldde mobiliteitsbeperkingen te hebben: korte, begeleide looptests; brede samenvattingen van fysieke activiteit van de pols; en gedetailleerde meerdaagse loopmaten geschat door ElderNet. Terwijl labgebaseerde loopmaten en algemene activiteitsniveaus slechts bescheiden discriminatie boden, deden de rijke, real-world loopkenmerken het veel beter in het scheiden van mensen met en zonder mobiliteitsproblemen. Interessant genoeg waren de looppatronen die in het dagelijks leven werden gezien slechts zwak gerelateerd aan die gemeten tijdens korte klinische wandelingen, wat suggereert dat hoe mensen zich in hun eigen omgeving bewegen aspecten van functioneren vastlegt die traditionele tests missen.

Wat dit kan betekenen voor gezond ouder worden

De studie laat zien dat een veelgebruikt, comfortabel apparaat aan de pols, met de juiste algoritmen, klinische-kwaliteit inzicht kan bieden in hoe mensen in hun dagelijks leven lopen. De nauwkeurigheid van ElderNet ligt in het bereik van veranderingen die klinisch relevant zijn voor loopsnelheid, en de meerdaagse metingen identificeren ouderen met mobiliteitsmoeilijkheden beter dan standaardtests of eenvoudige activiteitsaantallen. Met verdere validatie in meer diverse groepen en over langere periodes kan deze aanpak helpen subtiele achteruitgang eerder te detecteren, ziekteprogressie of herstel te monitoren en meer gepersonaliseerde interventies te sturen, allemaal met gegevens die stilletjes worden verzameld door een horlogeachtig sensor.

Bronvermelding: Brand, Y.E., Buchman, A.S., Kluge, F. et al. Continuous assessment of daily-living gait using self-supervised learning of wrist-worn accelerometer data. npj Digit. Med. 9, 338 (2026). https://doi.org/10.1038/s41746-026-02528-2

Trefwoorden: loopmonitoring, polsversnellingsmeter, gezond ouder worden, zelfgestuurd leren, digitale biomarkers