Een systematische verkenning van digitale biomarkers voor het opsporen van depressieve episoden bij bipolaire stoornis

Waarom je telefoon en een ring een terugval kunnen signaleren

Voor veel mensen met een bipolaire stoornis lijken depressieve periodes soms zonder waarschuwing te komen en raken ze werk, relaties en dagelijks functioneren ontregeld. Deze studie stelt een eenvoudige vraag met verstrekkende gevolgen: kunnen patronen in alledaagse gegevens — afkomstig van een draagbare ring die activiteit en slaap bijhoudt, plus zeer korte dagelijkse stemmingchecks — betrouwbaar aangeven wanneer iemand van een stabiele fase in een depressie terechtkomt? Als dat zo is, kunnen technologieën die mensen al bij zich dragen patiënten en clinici helpen eerder te reageren, lang voordat een crisis behandeling afdwingt.

Het echte leven volgen over maanden, niet minuten

De onderzoekers volgden 133 volwassenen met bipolaire stoornis type I of II gedurende een mediaan van ongeveer acht maanden. Deelnemers droegen een Oura-ring, een commercieel verkrijgbaar apparaat dat continu beweging en slaap registreert, en vulden via e-mail zeer korte dagelijkse beoordelingen in van hun stemming, energie en angst. Een keer per week vulden ze ook een standaard depressievragenlijst in die in de kliniek wordt gebruikt. Met deze wekelijkse vragenlijsten markeerde het team wanneer een deelnemer in een depressieve episode terechtkwam — gedefinieerd als minstens twee weken op rij met klinisch significante symptomen — en wanneer die persoon zich in een stabiele, of euthyme, toestand bevond. Zo ontstonden lange, gedetailleerde “stromen” van gedrag en gevoelens door goede en slechte periodes heen.

Duizenden datapunten terugbrengen tot enkele duidelijke signalen

Uit de ruwe gegevens maakten de wetenschappers 49 basisvariabelen (zoals dagelijkse stapactiviteit, inslaaptijd en gemiddelde stemmingsscore) over verschillende tijdschalen, en extraheren ze vervolgens zeven wiskundige beschrijvingen van hoe elke variabele zich in de tijd gedraagt. Deze beschrijvingen vatten niet alleen niveaus samen, maar ook hoeveel een maat van dag tot dag schommelde, hoe extreem die wisselingen waren en hoe vergelijkbaar de ene dag met de andere was. Het resultaat was 343 kandidaat-"digitale biomarkers" die patronen in slaap, activiteit en zelfgerapporteerde stemming, energie en angst beschrijven. Ze gebruikten vervolgens verklaarbare machine-learningmethoden — algoritmen die zowel patronen kunnen classificeren als aangeven welke invoer het belangrijkst was — om te zien welke combinaties depressieve dagen het beste scheidden van stabiele dagen.

Hoe depressie eruitzag in dagelijkse patronen

Van alle signalen bleken dagelijkse zelfbeoordelingen de sterkste enkele informatiebron. Modellen die alleen de drie dagelijkse schuifjes voor stemming, energie en angst gebruikten, onderscheidden depressieve episodes van stabiele periodes met hoge nauwkeurigheid (een area under the ROC-curve van ongeveer 0,82, waarbij 1,0 perfect is en 0,5 niet beter dan toeval). Tijdens depressieve episodes beoordeelden mensen hun stemming en energie duidelijk lager. Tegelijkertijd fluctueerden hun scores binnen een smal laag bereik — wat een statistisch patroon opleverde dat de auteurs het relatieve–absolute variabiliteitsparadox noemen: stemming en energie leken relatieve gesproken variabeler ten opzichte van hun lage gemiddelde, maar in absolute termen voelden mensen aanhoudend laag en “vastzittend.” Met andere woorden: depressie leek hier meer op een langdurige, vlakke vallei dan op scherpe pieken en dalen.

Subtiele veranderingen in beweging en slaap blijven van belang

Zelfs zonder zelfbeoordelingen bood de draagbare ring op zichzelf nuttige aanwijzingen. Depressieve episodes hielden verband met minder dag-tot-dag variatie in algemene activiteit — de bewegingsniveaus van mensen waren consequent lager. Ook in slaappatronen traden verschuivingen op. De tijd die het kostte om in slaap te vallen varieerde sterker van nacht tot nacht, terwijl metingen van diepe slaap doorgaans minder extreme uitschieters lieten zien. Hoewel modellen op basis van activiteit en slaap minder nauwkeurig waren dan modellen met dagelijkse stemmingsrapporten, presteerden ze nog steeds beter dan toeval en waren ze robuust in veel statistische controles, wat suggereert dat de lichaamsritmes zelf tijdens depressieve fasen stijver en minder flexibel worden.

Van beschrijving naar vroegwaarschuwingssystemen

De auteurs benadrukken dat dit werk een vroege maar cruciale stap is: het richt zich op het nauwkeurig beschrijven wanneer iemand depressief is, niet op het voorspellen van episodes voordat ze beginnen. Toch is het beeld dat naar voren komt intuïtief herkenbaar: tijdens depressieve episodes voelen mensen zich consequent slechter en minder energiek, bewegen ze minder en meer eentonig en hebben ze onregelmatiger bedtijden. Omdat de belangrijkste digitale biomarkers die zij identificeerden relatief eenvoudig zijn — dag-tot-dag variabiliteit in stemming, activiteit en inslaaptijd — zouden deze uiteindelijk in apps of klinische dashboards kunnen worden ingebouwd. Voor patiënten zou dat kunnen betekenen dat een telefoon en een ring deze patronen stilletjes op de achtergrond volgen en hen en hun behandelaar waarschuwen wanneer hun alledaagse ritmes beginnen te lijken op eerdere depressies, wat de deur opent naar tijdiger, meer gepersonaliseerde zorg.

Bronvermelding: Halabi, R., Mulsant, B.H., Tolend, M. et al. A systematic exploration of digital biomarkers for the detection of depressive episodes in bipolar disorder. npj Mental Health Res 5, 13 (2026). https://doi.org/10.1038/s44184-026-00195-5

Trefwoorden: bipolaire stoornis, digitale biomarkers, draagbare sensoren, detectie van depressie, digitale fenotypering