Beoordelen van de haalbaarheid om smartphonegegevens te gebruiken om het risico op idiopathische pulmonale arteriële hypertensie te identificeren

Waarom uw telefoon kan helpen stil hart‑longprobleem te signaleren

De meesten van ons dragen een smartphone en velen dragen een horloge dat stilletjes onze stappen, hartslag en slaap registreert. Deze studie stelt een eenvoudige maar krachtige vraag: zouden die alledaagse digitale sporen artsen kunnen helpen een zeldzame, ernstige hart‑longaandoening genaamd idiopathische pulmonale arteriële hypertensie (IPAH) eerder te ontdekken, lang voordat mensen uiteindelijk bij een specialist terechtkomen? De onderzoekers bestudeerden jaren aan real‑world data van telefoons, horloges en in‑app vragenlijsten om te zien of subtiele patronen in dagelijkse beweging en hartsignalen konden aangeven wie een hoger risico loopt.

Een moeilijk te detecteren ziekte

IPAH vernauwt de bloedvaten die bloed van het hart naar de longen voeren. In de loop van de tijd veroorzaakt dit kortademigheid, uitputting en een risico op hartfalen. Toch zijn de vroege waarschuwingssignalen vaag—vermoeidheid, kortademigheid bij inspanning—en de definitieve test vereist een invasieve hartkatheterisatie in een gespecialiseerd centrum. Veel patiënten wachten ongeveer drie jaar vanaf de eerste symptomen tot de diagnose, waardoor de ziekte dan verder gevorderd en lastiger te behandelen is. Het team achter deze studie wilde weten of continue, passieve monitoring van alledaagse activiteiten eerder een aanwijzing zou kunnen geven dat er iets mis is.

Alledaagse beweging omzetten in gezondheidsaanwijzingen

De onderzoekers gebruikten de My Heart Counts iPhone‑app, die gekoppeld is aan Apple Health‑gegevens van zowel telefoons als Apple Watches. Ze schreven 109 mensen in het VK in die al een iPhone bezaten, waaronder 33 met bevestigde IPAH, 14 met andere ernstige aandoeningen (voornamelijk na zwaar COVID‑19) en 61 gezonde vrijwilligers. Voor sommige patiënten konden ze maanden of zelfs jaren terugkijken vóór de diagnose met behulp van historische gegevens die op de telefoon waren opgeslagen. Ze onderzochten eenvoudige maatstaven zoals het aantal stappen dat mensen zetten, hun wandelsnelheid, het aantal beklommen trappen, hoe hun hartslag zich gedroeg tijdens rust en beweging, en hoe ze ’s nachts sliepen. Deelnemers beantwoordden ook vragen over levensstijl, stemming en houding ten opzichte van beweging en ziekte.

Wat de gegevens over het dagelijks leven onthulden

Mensen die IPAH ontwikkelden, bewogen al minder en langzamer dan gezonde vrijwilligers, zelfs voordat ze waren gediagnosticeerd. Ze zetten minder stappen, beklommen minder trappen en hadden een lagere loopsnelheid. Hun rusthartslag neigde hoger te zijn en de variatie tussen hartslagen was kleiner—tekens dat het lichaam zwaarder moest werken en zich minder goed aanpaste. Ze brachten ook meer tijd wakker door ’s nachts. Na diagnose en behandeling verbeterden deze maten over het algemeen: patiënten liepen meer, beklommen meer trappen en hun hartslagen werden rustiger en flexibeler, wat overeenkomt met verbeteringen die ook zichtbaar zijn in standaard zesminutenwandeltesten in de kliniek. Antwoorden op vragen over mindset en levensstijl voegden een extra laag toe: mensen met IPAH twijfelden vaker of hun huidige activiteitsniveau gunstig was en zagen ziekte vaker als iets vasts of genetisch bepaald, in plaats van iets waar levensstijl invloed op kan hebben.

Computers leren risico herkennen

Om te testen of deze digitale signalen konden helpen IPAH te signaleren, trainde het team machine‑learningmodellen op de appgegevens. Met alleen informatie van vóór de diagnose konden modellen die op horlogegegevens waren gebaseerd (inclusief hartslag) IPAH behoorlijk goed onderscheiden van gezonde en ziektecontroles, met een nauwkeurigheidsmaat genaamd ROC AUC van ongeveer 0,87. Alleen telefoongegevens over activiteit presteerden nog steeds sterk, en het toevoegen van geselecteerde vragen uit de vragenlijst—vooral over levensstijl en levensvoldoening—verhoogde de prestatie tot wel 0,94. Toen ze dezelfde aanpak probeerden in een aparte groep Amerikaanse appgebruikers, deden de modellen het aanvankelijk minder goed, voornamelijk omdat activiteits‑ en gezondheidsachtergronden tussen landen verschilden. Maar na het opnieuw trainen van het systeem met een klein deel van de Amerikaanse data om voor die verschillen te compenseren, bereikte het model opnieuw nuttige nauwkeurigheid (ROC AUC ongeveer 0,74), wat suggereert dat dergelijke hulpmiddelen kunnen worden aangepast aan verschillende populaties.

Wat dit voor patiënten kan betekenen

Voor een algemene lezer is de kernboodschap dat de stappen die u zet, het tempo waarin u loopt en de manier waarop uw hartslag reageert tijdens het dagelijks leven zinvolle gezondheidsinformatie bevatten—zelfs wanneer u zich slechts vaag onwel voelt. Deze studie, hoewel nog klein en verkennend, laat zien dat eenvoudige gegevens die passief door consumentendraagbare apparaten worden verzameld, gecombineerd met een paar korte vragenlijsten, ziekenhuismetingen kunnen nabootsen en kunnen helpen mensen met een ernstige maar verstopte aandoening te onderscheiden van gezonde personen of mensen met andere problemen. De auteurs benadrukken dat veel grotere en meer diverse studies nodig zijn voordat zulke hulpmiddelen de zorg kunnen sturen, en dat de patronen die zij zien niet uniek zijn voor IPAH. Toch wijst hun werk op een toekomst waarin telefoons en wearables fungeren als vroegsignalerende metgezellen, die patiënten en artsen helpen gevaarlijke veranderingen in hart‑longgezondheid eerder op te merken, met minder invasieve tests en tijdiger behandeling.

Bronvermelding: Delgado-SanMartin, J.A., Keles, M., Errington, N. et al. Assessing the feasibility of using smartphone data to identify risk of idiopathic pulmonary arterial hypertension. npj Cardiovasc Health 3, 16 (2026). https://doi.org/10.1038/s44325-026-00114-9

Trefwoorden: digitale gezondheid, pulmonaire hypertensie, draagbare sensoren, smartphonemonitoring, machine learning in de geneeskunde