Ahmed Nait Aicha gepromoveerd op algoritme dat bijdraagt aan gezond en actief ouder worden
20-11-2020
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 heeft Ahmed Nait Aicha aangetoond in zijn promotieonderzoek, dat hij op donderdag 19 november heeft verdedigd aan de Universiteit van Amsterdam. Vanuit de Hogeschool van Amsterdam werd Ahmed begeleid door promotor Ben Kröse, voormalig lector van de onderzoeksgroep Digital Life.
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.
Slimme huizen
Ahmed Nait Aicha toont aan dat met ‘ambient technology’ de functionele gezondheid van zelfstandig wonende ouderen te meten is, 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
- het voorspellen van vallen in de nabije toekomst
Om de algoritmen te voeden, gebruikte Ahmed Nait Aicha 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 is voor vereenzaming. Ahmed 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 vastgesteld.
Loopsnelheid voorspelt functionele gezondheid
Een belangrijke voorspeller van functionele gezondheid van ouderen is de loopsnelheid in huis. Ahmed 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 Ahmed 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 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 Ahmed 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.
Wil je de promotie terugkijken? Klik dan op deze link.
De officiële titel van het proefschrift van Ahmed Nait Aicha is: 'Smart Technology for Ageing in Place: machine learning for continuous sensor monitoring of the functional health of independently living older adults’.