Vooruitgang in principes en technologieën van niet-mechanische bloeddrukmeting

Waarom uw bloeddrukapparaat slimmer wordt

Hoge bloeddruk verhoogt geruisloos het risico op hartaanval, beroerte en nierfalen bij meer dan een miljard mensen wereldwijd. Toch weten velen niet dat ze het hebben, gedeeltelijk omdat het meten van de bloeddruk meestal betekent: een manchet zoeken, stil zitten en een oncomfortabele knelling ondergaan. Dit overzichtsartikel onderzoekt een nieuwe generatie "manchetloze" technologieën die zachtere, frequentere en meer gebruiksvriendelijke bloeddrukregistratie beloven—ingebouwd in horloges, ringen, camera’s en zelfs radarachtige sensoren.

Van lompe manchetten naar onzichtbare monitors

Het verhaal van bloeddrukmeting begon in de 18e eeuw met buizen die rechtstreeks in slagaders werden geplaatst, een methode die vanwege de nauwkeurigheid nog steeds op intensivecareafdelingen wordt gebruikt. In de 20e eeuw namen artsen armbanden en stethoscopen in gebruik, en later maakten geautomatiseerde manchetapparaten thuismetingen mogelijk. Maar al deze methoden zijn mechanisch: ze knijpen of drukken letterlijk op een slagader om de kracht ervan te lezen, wat pijnlijk kan zijn, ’s nachts verstorend werkt en onpraktisch is om snelle veranderingen in het dagelijks leven te volgen. Recente jaren hebben een verschuiving gezien naar comfortabelere opties die in alledaagse voorwerpen opgaan, waardoor mensen hun bloeddruk kunnen volgen terwijl ze bewegen, werken en slapen.

Druk meten zonder knelling

De auteurs introduceren een eenvoudige maar krachtige manier om de huidige apparaten te classificeren: mechanisch versus niet-mechanisch. Mechanische instrumenten oefenen fysieke druk uit en lezen die direct af, zoals een traditionele manchet. Niet-mechanische hulpmiddelen knijpen daarentegen nooit in de slagader. In plaats daarvan observeren ze het lichaam op subtiele signalen die met de bloeddruk meebewegen—veranderingen in vaatdiameter, de snelheid van de polsgolf, of de vorm van de pols zelf. Draagbare en contactloze apparaten kunnen deze signalen nu volgen met licht (zoals bij polssensoren van smartwatches), echografiepleisters, huidgemonteerde bewegingssensoren, accelerometers op borst en pols, radar of gewone camera’s die kleine kleurverschuivingen in gezicht of hand detecteren. Deze signalen worden vervolgens omgezet in bloeddrukwaarden met behulp van wiskundige formules of machine-learningalgoritmen.

Hoe data en algoritmen pulsen in cijfers veranderen

Niet-mechanische bewaking volgt een viervensterig proces. Eerst leggen sensoren ruwe biosignalen vast, zoals optische polsgolven, elektrische harttracés of kleine lichaamsvibraties. Ten tweede worden deze signalen schoongemaakt: opvallende storingen worden verwijderd, ruis wordt gefilterd en gegevens van meerdere apparaten worden zorgvuldig tijd-uitgelijnd zodat kleine tijdsverschillen—vaak slechts tientallen milliseconden—betrouwbaar zijn. Ten derde schatten modellen de bloeddruk op basis van de schoongemaakte signalen. Vroege pogingen vertrouwden op natuurkundige vergelijkingen die pulssnelheid of vatgrootte aan druk koppelen. Nieuwere benaderingen gebruiken machine learning en deep learning om verborgen patronen te ontdekken, waaronder neurale netwerken die golfvormen direct analyseren, attention-mechanismen die zich richten op de meest informatieve delen van elke slag, en "physics-informed" netwerken die bekende cardiovasculaire wetten in het trainingsproces verweven. Ten slotte koppelt kalibratie alles terug aan de realiteit door de schattingen van het apparaat te vergelijken met een vertrouwde referentie, doorgaans een armmanchet of een invasieve lijn.

Uitdagingen voordat artsen manchetloze apparaten volledig vertrouwen

Ondanks snelle vooruitgang staan manchetloze systemen nog steeds voor obstakels voordat ze op grote schaal in klinieken kunnen worden gebruikt. Hun nauwkeurigheid kan afwijken naarmate iemands lichaam of gedrag verandert—na inspanning, tijdens stress of over maanden en jaren—waardoor veel producten regelmatige herkalibratie vereisen, wat onhandig kan zijn en door gebruikers slecht begrepen wordt. Bestaande internationale normen voor het testen van bloeddrukmeters zijn gebouwd voor manchetten en vatten de eigenaardigheden van apparaten die van sensoren, algoritmen en kalibratiegeschiedenis afhankelijk zijn niet volledig. Het overzicht belicht nieuwe inspanningen, zoals Europese en IEEE-protocollen, die tests toevoegen voor houding, beweging, dag–nachtveranderingen en langetermijnstabiliteit. De auteurs wijzen ook op lacunes: veel prototypes worden slechts in kleine, gecontroleerde groepen getest, en weinig studies onderzoeken hoe vaak kalibratie in het dagelijks leven echt nodig is.

Waar thuisbewaking naartoe gaat

Vooruitkijkend voorzien de auteurs bloeddruktracking die continu, vrijwel onzichtbaar en nauw verbonden is met bredere gezondheidsgegevens. Toekomstige systemen kunnen signalen van meerdere sensoren combineren met medische dossiers en symptoombeschrijvingen met behulp van grootschalige AI-modellen, en zo gepersonaliseerde, contextbewuste schattingen bieden in plaats van one-size-fits-all cijfers. Nieuwe sensortypen—van terahertzgolven tot photoacoustische beeldvorming—kunnen polsmetingen preciezer maken en minder gevoelig voor verschillen in huidtint of lichaamsvorm. Tegelijk zullen betere testregels en ziektegerichte onderzoeken cruciaal zijn om te bewijzen welke technologieën het beste werken voor specifieke groepen, zoals zwangere vrouwen, ouderen of mensen met nachtelijke hypertensie. Voor patiënten en clinici is de kernbelofte eenvoudig: comfortabelere en betrouwbaardere bloeddrukmonitoring die naadloos in het dagelijks leven past, waardoor het eenvoudiger wordt problemen vroeg te detecteren en harten langer gezonder te houden.

Bronvermelding: Zheng, Z., Hao, H., Huang, Y. et al. Advances in principles and technologies of non-mechanical blood pressure monitoring. npj Cardiovasc Health 3, 7 (2026). https://doi.org/10.1038/s44325-025-00102-5

Trefwoorden: manchetloze bloeddruk, draagbare sensoren, hypertensiebewaking, niet-invasief cardiovasculair, deep learning gezondheid