Door het gedrag van ouderen met machine learning te analyseren kan hun fysieke gezondheid beter worden gevolgd. Dat draagt bij aan een gezondere en actievere oude dag, zo blijkt uit onderzoek van Ahmed Nait Aicha waarop hij gisteren promoveerde aan de Uva.
Steeds meer ouderen blijven zelfstandig wonen en behouden daarbij hun sociale netwerken en autonomie. Om dat te bevorderen is functionele gezondheid cruciaal, dat wil zeggen: de mate waarin iemand activiteiten kan uitvoeren zonder beperkt te worden door pijn of letsel. Het vroegtijdig detecteren van een achteruitgang van fysieke gesteldheid kan zorgen voor tijdige interventie. Daardoor kunnen ouderen langer gezond en actief blijven.
Nait Aicha toont in zijn onderzoek aan dat de functionele gezondheid van zelfstandig wonende ouderen te meten is met ‘ambient technology’, technologie die is ingebouwd in apparaten die we dagelijks gebruiken, zoals een smartphone, lampen met bewegingssensoren en slimme thermostaten. Hiervoor zijn dus geen dure woningaanpassingen nodig. Hij ontwikkelde machine learning-algoritmen voor het detecteren van bezoek, het continu meten van de loopsnelheid in huis, en het voorspellen van vallen in de nabije toekomst. Om de algoritmen te voeden gebruikte hij sensordata die hij verzamelde in zogenoemde ‘slimme huizen’.
Bezoek als indicator voor sociale participatie
Een belangrijke indicatie van sociale participatie houdt verband met de (on)regelmatige bezoeken aan ouderen. Regelmatig bezoek gebeurt meestal door zorgmedewerkers en kan duiden op chronische ziekte, terwijl weinig tot geen bezoek een indicator kan zijn voor vereenzaming. Nait Aicha ontwikkelde een algoritme dat een indicatie kan geven van sociale participatie. Door middel van een model worden dagelijkse en wekelijkse cycli vastgesteld. Op deze manier kan de data van de bezoeker worden gefilterd en het type van de frequentie van het bezoek worden vastgesteld.
Een belangrijke voorspeller van functionele gezondheid van ouderen is de loopsnelheid in huis. Daarvoor ontwikkelde Nait Aicha een methode die automatisch looppaden verzamelt en de loopsnelheid berekent. Deze omstandigheden zijn beter dan bestaande tests, zoals TUG en POMA, die worden beïnvloed door de observatiemethode. De methode van Nait Aicha kan ook veranderingen in het dagelijks ritme ontdekken. Plotseling vaak naar het toilet gaan bijvoorbeeld kan een indicatie zijn voor een blaasontsteking.
Deep learning om valrisico te beoordelen
Een valrisicobeoordeling is een proces waarbij de kans op vallen binnen een periode van zes tot twaalf maanden wordt ingeschat. De beoordeling wordt vaak uitgevoerd om personen met een hoog risico te identificeren. Valrisico is ook een belangrijke indicator van functionele gezondheid. De modellen van Nait Aicha kunnen personen herkennen op basis van hun manier van bewegen, maar ook veranderingen in gedrag. Die verandering kan een indicatie zijn voor een verandering in functionele gezondheid.
Nait Aicha deed zijn promotieonderzoek ‘Smart Technology for Ageing in Place: machine learning for continuous sensor monitoring of the functional health of independently living older adults’ aan de Universiteit van Amsterdam. Hij werkte als onderzoeker bij het lectoraat Digital Life, dat verbonden is aan de faculteit Digitale Media en Creative Industrie van de Hogeschool van Amsterdam. Onderzoek binnen dit lectoraat is gericht op innovatieve technologieën, sensoren en digitale informatie in het dagelijks leven. Op dit moment is Nait Aicha werkzaam als senior data scientist bij de Gemeente Amsterdam.
Foto: onderzoeker Ahmed Nait Aicha met een bewoner van revalidatiecentrum Naarderheem.