Door het gedrag van ouderen met machine learning te analyseren, kan hun fysieke gezondheid beter gevolgd worden. Dat draagt bij aan een gezondere en actievere oude dag. Dat stelt Ahmed Nait Aicha in zijn promotieonderzoek, dat hij op donderdag 19 november verdedigt aan de Universiteit van Amsterdam
De data scientist toont aan dat met ‘ambient technology’ de functionele gezondheid van zelfstandig wonende ouderen prima is te meten, zonder al te dure woningaanpassingen. Dat is 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 continu meten van de loopsnelheid in huis en het voorspellen van vallen in de nabije toekomst. Om de algoritmen te voeden, gebruikte Nait Aicha sensordata die hij verzamelde in zogenoemde ‘slimme huizen’.
Steeds meer ouderen blijven zelfstandig wonen. Ze 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. Als iemands fysieke gesteldheid regelmatig wordt gemeten, is tijdige interventie mogelijk. Daardoor kunnen ouderen langer gezond en actief blijven.
Indicatoren
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 is 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 kunnen de data van de bezoeker worden gefilterd en is het type van de frequentie van het bezoek vast te stellen
Een goede voorspeller van functionele gezondheid van ouderen is de loopsnelheid in huis. Nait Aicha ontwikkelde een methode die automatisch looppaden verzamelt en de loopsnelheid berekent. Deze omstandigheden zijn beter 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. Plotseling vaak naar het toilet gaan, bijvoorbeeld, kan een indicatie zijn voor een blaasontsteking.
Valrisico
Een valrisico-beoordeling 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.
Ahmed Nait Aicha deed zijn promotieonderzoek aan de UvA. 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. Nait Aicha werkt thans als senior data scientist bij de gemeente Amsterdam.
