Een machine learning-model voor kwetsbaarheid gebaseerd op metingen van draagbare apparaten

Waarom alledaagse beweging op oudere leeftijd ertoe doet

Nu steeds meer mensen hun 70, 80 en ouder bereiken, zoeken artsen naar betere manieren om te signaleren wie het risico loopt verzwakt te raken, zelfstandigheid te verliezen of spoedeisende zorg nodig te hebben. De medische term voor deze kwetsbaarheid is frailty, maar de huidige tests voor frailty zijn traag, vaak subjectief en moeilijk regelmatig te herhalen. Deze studie onderzoekt of eenvoudige bewegingsgegevens van een polsdrager—een activity tracker—die tests kunnen vervangen en zelfs artsen beter kunnen helpen ernstige uitkomsten zoals ziekenhuisopname en sterfte te voorspellen.

Van clipboard naar polsbandjes

Traditionele frailty-scores vragen naar vermoeidheid en gewichtsverlies, meten loopsnelheid en grijpkracht en tellen veel gezondheidsproblemen op. Deze instrumenten zijn nuttig maar tijdrovend, en sommige zijn afhankelijk van het geheugen van de patiënt of het oordeel van een drukbezette behandelaar. De onderzoekers vroegen zich af of een objectievere blik op het dagelijks leven—hoeveel mensen daadwerkelijk bewegen, zitten en slapen—dezelfde informatie efficiënter zou kunnen vastleggen. Met een op een smartwatch gelijkend apparaat, een versnellingsmeter, registreerden ze elke stap, pauze en activiteitspiek bij ouderen gedurende een week.

Een week beweging omgezet in risicoscores

Het team maakte gebruik van de Toledo Study for Healthy Aging in Spanje, die honderden 65-plussers volgt. Na interviews, lichamelijk onderzoek, bloedonderzoek en lichaamsscans werden 437 deelnemers gevraagd het activiteitsapparaat zeven dagen te dragen. Gespecialiseerde software zette de ruwe bewegingssignalen om in numerieke kenmerken zoals totaal aantal stappen, periodes van hevige activiteit en lange sedentaire periodes, evenals patronen gerelateerd aan slaap en waakzaamheid. Deze kenmerken werden vervolgens in een machine learning-model gevoed—a computerprogramma dat patronen uit gegevens leert—om te onderzoeken of het meerdere gevestigde frailty-schalen en verwante gezondheidsrisicofactoren kon reproduceren.

Een computer leren kwetsbaarheid te herkennen

De onderzoekers gebruikten een aanpak genaamd gradient-boosted decision trees, die veel eenvoudige beslisregels combineert tot een krachtige voorspeller. Ze splitsten herhaaldelijk hun dataset in twee helften, trainden het model op de ene helft en testten het op de andere, om zeker te zijn dat de resultaten ook zouden standhouden bij onbekende personen. Het model kon een gedetailleerde frailty-score, bekend als de Frailty Trait Scale, met goede nauwkeurigheid schatten op basis van louter activiteitspatronen. Vergelijkbaar succes werd gezien voor andere frailty-maten en voor individuele risicofactoren gerelateerd aan veroudering, zoals bloedwaarden en grijpkracht. Opvallend was dat twee dagen—ongeveer 48 uur—van zorgvuldig gekozen gegevens bijna net zo informatief waren als de hele week, wat suggereert dat korte, gerichte monitoring voldoende kan zijn.

Vooruitkijken naar ziekenhuisopnames en overleving

Buiten het nabootsen van bestaande frailty-scores werd het op activiteit gebaseerde model getest op uitkomsten die patiënten en families diep aangaan: opname in het ziekenhuis en het risico op overlijden in de tijd. Hierbij presteerden de op beweging gebaseerde voorspellingen vaak beter dan de traditionele frailty-schalen zelf. Met andere woorden, hoe iemand zich daadwerkelijk beweegt en rust in het dagelijks leven gaf een duidelijker signaal van naderend risico dan klinische tests op een enkel moment. Deze bevinding suggereert dat wearables artsen kunnen helpen hoogrisicopatiënten eerder te identificeren en vervolgzorg of ondersteunende diensten af te stemmen voordat crises ontstaan.

Wat dit kan betekenen voor gezond ouder worden

De studie suggereert dat korte periodes van monitoring met een eenvoudig polsapparaat een efficiënte, objectieve vervanging kunnen bieden voor complexe frailty-onderzoeken, terwijl ze ook de voorspellingen van ernstige gezondheidsgebeurtenissen aanscherpen. Voor ouderen kan dat uiteindelijk minder lange kliniekbezoeken en meer continue, thuismetingen betekenen om te zien hoe hun gezondheid verandert. Voor zorgsystemen opent het de mogelijkheid om kwetsbaarheid in grote bevolkingsgroepen te volgen en beperkte middelen te richten op wie ze het meest nodig heeft. De auteurs waarschuwen dat meer diverse groepen en aanvullende biologische metingen nodig zullen zijn om het meest volledige beeld van veroudering te bouwen. Toch wijzen hun resultaten op een toekomst waarin alledaagse beweging, stil geregistreerd, een krachtig instrument wordt om zelfstandigheid te beschermen en meer gezonde levensjaren te verlengen.

Bronvermelding: Culos, A., Manas, A., Shidara, K. et al. A machine learning model for frailty based on wearable device measurements. Commun Med 6, 173 (2026). https://doi.org/10.1038/s43856-026-01419-7

Trefwoorden: kwetsbaarheid, draagbare sensoren, ouderen, machine learning, gezond ouder worden