Door data over het gedrag van ouderen met behulp van machine learning te analyseren, kan hun fysieke gezondheid beter gevolgd worden. Dat draagt weer bij aan een gezondere en actievere oude dag, stelt Ahmed Nait Aicha in zijn promotieonderzoek. Hij verdedigt zijn proefschrift op 19 november aan de Universiteit van Amsterdam (UvA).
Steeds meer ouderen blijven langer zelfstandig wonen - daarbij vaak geholpen door leefstijltechnologie en -monitoring. Zij behouden daarbij hun sociale netwerken en autonomie. Om langer thuis wonen te bevorderen, is functionele gezondheid cruciaal, ofwel de mate waarin iemand activiteiten kan uitvoeren zonder beperkt te worden door pijn of letsel. Het vroegtijdig detecteren van een achteruitgang van fysieke gesteldheid via een algoritme kan zorgen voor een tijdige interventie. Daardoor kunnen ouderen langer gezond en actief blijven.
Meten functionele gezondheid
Onderzoeker Ahmed Nait Aicha stelt dat met inzet van ‘ambient technology’ de functionele gezondheid van zelfstandig wonende ouderen te meten is zonder al te dure woningaanpassingen. Het gaat om technologie die ingebouwd is in apparaten die we dagelijks gebruiken, zoals een smartphone, lampen met bewegingssensoren, en slimme thermostaten. Hij ontwikkelde machine learning-algoritmen voor:
- het detecteren van bezoek;
- het continue meten van de loopsnelheid in huis;
- het voorspellen van vallen in de nabije toekomst.
Om de algoritmen te voeden, gebruikte Nait Aicha sensordata die hij verzamelde via bovengenoemde apparatuur in smart homes.
Algoritme geeft indicatie
Een belangrijke indicatie van sociale participatie blijkt verband te houden 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 is voor vereenzaming. Nait Aicha ontwikkelde een algoritme dat een indicatie kan geven van de mate van sociale participatie. Een model stelt dagelijkse en wekelijkse cycli vast. Zo kan de data van de bezoeker worden gefilterd en het type van de frequentie van het bezoek vastgesteld.
Een belangrijke voorspeller van functionele gezondheid van ouderen is volgens het proefschrift de loopsnelheid in huis. Nait Aicha ontwikkelde een methode die automatisch looppaden verzamelt en de loopsnelheid berekent. Deze omstandigheden zouden beter zijn dan bestaande tests, zoals TUG en POMA, die beïnvloed worden door de observatiemethode. De methode van Nait Aicha kan ook veranderingen in het dagelijks ritme ontdekken. Zo kan plotseling vaak naar het toilet gaan een indicatie zijn voor een blaasontsteking.
Beoordelen risico op vallen
Een valrisico-beoordeling is dan weer een proces waarbij de kans op vallen binnen een langere periode 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.
Ahmed Nait Aicha deed zijn promotieonderzoek aan de UvA, waar hij actief was als onderzoeker bij het lectoraat Digital Life (verbonden 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.
Momenteel is Nait Aicha werkzaam als senior data scientist bij de Gemeente Amsterdam. Op donderdag 19 november 2020 om 16.00 uur verdedigt hij zijn proefschrift ‘Smart Technology for Ageing in Place: machine learning for continuous sensor monitoring of the functional health of independently living older adults’ aan de UvA. De promotie is online live te volgen.
