Machine learning-algoritme draagt bij aan langer thuis wonen

Door data over het gedrag van ouderen te analyseren, kan hun fysieke gezondheid beter gevolgd worden. En daardoor kunnen ze natuurlijk weer langer comfortabel thuis te kunnen wonen. In dit kader is het Artificial Intelligence-algoritme van wat promovendus Nait Aicha (via ICT Health) interessant.

Langer comfortabel thuis wonen met AI

Steeds meer ouderen moeten (en willen) langer zelfstandig thuis blijven wonen. Om langer comfortabel thuis te kunnen wonen, is het echter wel zaak dat de persoon niet beperkt wordt door pijn of letsel. Daarom is het belangrijk om achteruitgang van het fysieke gestel vroegtijdig te detecteren.

Promovendus Nait Aicha ontwikkelde een Artificial Intelligence-algoritme (of om specifiek te zijn: machine learning-algoritme) waarmee de functionele gezondheid van zelfstandig wonende ouderen gemeten kan worden. Het algoritme let daarbij op veranderingen in gedrag en activiteit. Het machine learning-algoritme wordt gevoed met data uit technologie die vaak al aanwezig is in woningen, zoals een smartphone en een slimme thermostaat.

Tekst gaat verder onder de afbeelding.

Zo werkt het machine learning-algoritme

Het algoritme werkt met drie indicatoren: bezoek, loopsnelheid in huis en valrisico.

• Bezoek is een indicator voor sociale participatie. Met data over bezoek kan het algoritme een indicatie geven van de mate van sociale participatie. Weinig tot geen bezoek kan bijvoorbeeld een indicator voor eenzaamheid zijn. Extreem regelmatig bezoek duidt vaak op bezoek van zorgmedewerkers en dus op een chronische ziekte.
• De tweede voorspeller van functionele gezondheid is loopsnelheid in huis. Met de methode van Nait Aicha wordt data over looppaden en loopsnelheid berekent. Ook kunnen veranderingen in het dagelijks ritme ontdekt worden. Een voorbeeld: plotselinge toename in toiletbezoek kan een indicatie zijn voor blaasontsteking.
• Ten derde is er het risico op vallen, eveneens een belangrijke indicator van functionele gezondheid. Met dit proces wordt ingeschat hoe groot de kans op vallen is, binnen een periode van zes tot twaalf maanden. Met de methode van Nait Aicha wordt om die inschatting te maken onder meer gekeken naar de manier van bewegen en veranderingen in gedrag.
• Met deze drie indicatoren kunnen we achteruitgang van het fysieke gestel dus hopelijk vroegtijdig te detecteren.

Lees meer: De voordelen van medische wearables in de ouderenzorg

Op weg naar preventieve zorg?

Door deze indicatoren continu te monitoren, kunnen ook (subtiele) aanwijzingen van dreigende problemen opgespoord worden. Sterker nog: wanneer de data wordt geanalyseerd met AI wordt het zelfs mogelijk voorspellingen te doen en preventief in te grijpen. Deze vroegtijdige signalering draagt bij aan de overgang van reactieve naar preventieve zorg. We spreken daarbij ook wel over voorspellende analyses (of predictive analytics). Het gaat dus om het gebruik van data om de toekomst te voorspellen.

Meer lezen over dit onderwerp?

Misschien vind je deze artikelen ook interessant:

5G ingezet in de zorg: waar lage latency van levensbelang is
AI-algoritme beoordeelt nut hersenoperatie Parkinsonpatiënten
Wim Kromwijk maakt met LaCoTA langer comfortabel thuis wonen mogelijk
Dick-Jan Zijda verbetert de zorg met digitale toepassingen