Komt een m/v/x bij de dokter. Vraagt die dokter: hoe is het de voorbije maand nog geweest met de stress of migraine? Of bij mensen die lijden aan een depressie: hoe heb je je de voorbije tijd gevoeld? Vaak blijkt het knap lastig om die schijnbaar eenvoudige vraag objectief correct te beantwoorden in het dokterskabinet, omdat onze herinnering naast subjectief ook niet altijd betrouwbaar is. En dat bemoeilijkt de behandeling. Een analyse van ons gedrag en onze spraak kan dan waardevolle extra informatie opleveren. Hoe? Gepersonaliseerde AI-modellen vertalen data van smartphones, smartwatches en audio-opnames naar vroegere detectie van symptomen en herval, efficiëntere behandeling en een beter begrip van een hele resem gezondheidsklachten.
Alomtegenwoordige stress, even alomtegenwoordige data
Stress is quasi overal: 4 op de 5 werkende Vlamingen geven aan een zekere mate van stress te ervaren op het werk. Bij 70% van de getroffenen gaat het zelfs om chronische stress die langer dan drie maanden aanhoudt. Geheel ongevaarlijk is dat niet: het kan bestaande gevoelens van angst, depressie en de kans op burn-out verergeren, maar het gaat ook gepaard met een verhoogd risico op hart- en vaatziektes, een verzwakt immuunsysteem en het kan leiden tot de ontwikkeling van stressgerelateerde pijn op diverse plekken in het lichaam, zoals bijvoorbeeld migraine in het hoofd. Bij migraine is trouwens vooral het plots wegvallen van stress een trigger voor een aanval. Bij mensen die aan depressie lijden, is moeilijker recupereren van stress dan weer een indicator van een op til zijnde periode van herval.
Kortom: wie stress frequent in de gaten kan houden, kan een hele resem gezondheidsproblemen behandelen voordat die escaleren of een chronisch probleem worden. Dat kan interessante voordelen opleveren, zowel voor de individuele patiënt als voor de maatschappij. Want vaak komen mensen pas aankloppen bij een arts wanneer hun probleem al behoorlijk ver gevorderd is.
Alleen blijkt ‘stress meten’ niet zo evident. Zelfrapportage door patiënten is vrij onbetrouwbaar, en is vaak onderhevig aan een gewenningseffect: mensen die chronisch last hebben gaan hun probleem typisch onderschatten, waardoor ze vaak onvoldoende sterke medicatie voorgeschreven krijgen.
Bovendien –en dat maakt stress vrij uniek– kan het er bij twee verschillende individuen behoorlijk ongelijk uitzien. De ene begint te zweten, de andere wordt passiever, nog een andere krijgt hartkloppingen en een laatste reageert nauwelijks. Anders dan bij het meten van slaap en slaapkwaliteit, is er voor stress geen generiek meetmodel dat op iedereen van toepassing is. Bovendien zijn het vaak net de mensen die problemen hebben, die op een atypische manier reageren op stress.
In samenwerking met professor Marie-Anne Vanderhasselt (faculteit Geneeskunde & Gezondheidswetenschappen van de UGent), timmeren onderzoekers van IDlab Gent, een imec-onderzoeksgroep aan de UGent, aan een gepersonaliseerd model om stress nauwkeuriger te monitoren op basis van een rijke combinatie aan data (Stojchevska, M., Steenwinckel, B., Van Der Donckt, J. et al. Assessing the added value of context during stress detection from wearable data. BMC Med Inform Decis Mak 22, 268 (2022)).
Aangezien bijna iedereen over een smartphone beschikt en heel wat mensen ook een wearable of smartwatch dragen, genereren we continu interessante gegevens. Sensoren meten verschillende fysiologische parameters zoals hartslag, huidgeleiding en hartslagvariabiliteit. En via een smartphone kan je ook andere relevante data capteren, zoals de snelheid waarmee je typt, je locatie, het soort apps dat je gebruikt en hoe lang je dat doet, enzovoort. Afwijkingen in deze parameters van het reguliere patroon kunnen betekenisvolle risicofactoren en waarschuwingssignalen aan het licht brengen, die anders onder de radar zouden blijven. Zo kan voor sommige personen het plots snel wisselen tussen verschillende applicaties of net het mindere gebruik van de smartphone wijzen op stress.
Heel wat commercieel beschikbare sporthorloges detecteren vandaag al stress via piekdetectie in de hartslagmeting: wijkt je hartslag af van de gedefinieerde baseline? Vanuit fitheidsperspectief is dat vaak al voldoende: het geeft een goed globaal beeld aan de gebruiker over hoe fit of vermoeid die is. Maar vanuit gezondheidsperspectief –en zeker in een medische context– is dat eigenlijk niet voldoende, en zijn complexere modellen nodig die rekening houden met méér parameters. Bovendien kunnen die modellen behalve een detecterende waarde best ook een voorspellende waarde hebben.
Recent is gebleken dat ook onze manier van spreken, bijvoorbeeld de intonatie en snelheid waarmee je spreekt, een relevante bron van informatie is (Borna et al., A review of voice-based pain detection in adults using artificial intelligence). Met de hulp van AI-algoritmes kunnen deze ruwe data gecombineerd en geanalyseerd worden tot waardevolle inzichten over stressgerelateerde gezondheidsklachten.
Hoe je praat, zegt veel
Recent wint ‘spraak’ aan populariteit als indicator voor stress en pijn. Het gaat dan eerder om stemanalyse (hoe je iets zegt) dan om het analyseren van de gesproken woorden zelf. Vergelijk het met Shazam, de app die toelaat om een liedje te herkennen op basis van de eerste noot. Maar de opdracht is moeilijker: elke menselijke stem is anders en niet elke stem reageert even heftig op stress. Via machine learning moet AI jou en je stem goed leren kennen. Door achteraf feedback van gebruikers te vragen over de gedane voorspellingen en detecties door het model, kunnen de modellen voortdurend worden verbeterd en aangepast.
Zulke deep learning-methodes worden vandaag al in klinische setting gebruikt om kenmerken zoals toonhoogte, ritme, intonatie en meer uit een audiofragment te halen. Voorlopig wordt dit vooral toegepast op stukjes tekst die herhaald worden, of een beschrijving van een afbeelding. Maar interessanter zou het zijn om deze methodes te kunnen toepassen op open vragen, omdat die de meest authentieke en natuurlijke weergave van de menselijke stem en emotionele toestand teweegbrengen, waardoor de nauwkeurigheid van stressdetectiealgoritmen verbetert. Zo mogelijk nog interessanter wordt het als we dit soort data ook zouden verzamelen buiten een klinische setting, in het dagdagelijkse leven. In theorie is dat haalbaar: quasi iedereen heeft met de smartphone een microfoon van voldoende kwaliteit in de broekzak. Maar er zijn nog wat praktische en ethische vraagtekens. Zo zou je heel wat ruis moeten kunnen wegfilteren. En een smartphone die meeluistert: dat stelt ook wel enkele privacyproblemen.
Dankzij de vooruitgang in smartphonehardware kunnen dit soort AI-modellen echter wel al lokaal draaien, op het toestel zelf. Dit biedt belangrijke praktische voordelen: je hebt geen permanente internetverbinding nodig, en bovendien moeten privacygevoelige spraakgegevens niet over en weer gestuurd worden naar de cloud.
Data & AI versterken patiënten, dokters en geneesmiddelen
‘Luister naar je lichaam’: het is zo’n tegelwijsheid die in de praktijk niet altijd even gemakkelijk op te volgen is. Migrainepatiënten bijvoorbeeld, doen er vaak jaren over om te achterhalen wat precies een migraineaanval uitlokt, wat een zogeheten ‘trigger’ is voor de hoofdpijn. Met de komst van een massa objectieve data die voorheen niet beschikbaar waren en zelflerende AI-algoritmes, kan die zoektocht aanzienlijk versnellen (Van Der Donckt, Jonas, et al. “From Self-Reporting to Monitoring for Improved Migraine Management.” EmP: 1st RADar Conference on Engineer Meets Physician, Proceedings, 2022).). Zo kunnen patiënten met migraine of depressie zélf meer inzicht krijgen in hun ziekte, en finaal ook triggers gaan vermijden of gedrag veranderen. Op termijn moet het ook mogelijk worden om patiënten advies op maat te geven en te interveniëren. Een voorbeeld: om gedetecteerde stress terug te dringen, zou het AI-model een regelmatiger slaappatroon kunnen suggereren, of je kunnen voorstellen om ademhalingsoefeningen te doen om stresspieken te vermijden. Uiteraard is ook de ontvankelijkheid voor boodschappen voor ieder individu wat verschillend. Een gepersonaliseerd AI-model zal moeten ontdekken wat voor jou het best werkt.
En ook artsen kunnen in hun kabinet een voordeel doen met de alomtegenwoordigheid van data en AI. Ze zullen de klassieke zelfrapportage kunnen aanvullen met objectieve gegevens en door AI gegenereerde inzichten en voorspellingen. Het maakt het mogelijk om in een vroeger stadium een betere diagnose te stellen, en een therapie voor te stellen die voor deze specifieke patiënt het best werkt, en die ook weer vlot bij te sturen op basis van objectieve feedback. Het kan de vaak frustrerende zoektocht naar de juiste therapie drastisch inkorten, en daar zullen zowel patiënten als artsen blij om zijn.
Alle gegevens en bijbehorende voorspellingen worden aan de arts gepresenteerd via dynamische dashboards.
Een belangrijke randvoorwaarde is wel dat artsen goed begrijpen hoe de AI-modellen tot een bepaalde suggestie komen. Van wetenschappers kan je niet verwachten dat ze zomaar vertrouwen stellen in een ‘black box’ die kant-en-klare inzichten genereert zonder veel uitleg. Het is belangrijk dat AI-algoritmes altijd en te allen tijde ‘verklaarbaar’ zijn.
Daarnaast heeft het uiteraard weinig zin dat een AI-model alle fundamenten van het medisch onderzoek heruitvindt. AI kan beter focussen op wat we nog niet weten – en gebruik maken van de extensieve expertise van dokters (de wiskundige en fysische formules, de klinische protocollen en best practices vervat in flow charts, de kennis op basis van ervaring). ‘Hybride AI’ lost dit op door de ‘nieuwe’ continu gegenereerde data en medische kennis te combineren, waardoor modellen beter presteren dan wanneer ze puur datagedreven zouden zijn.
Om extra vertrouwen in de hybride AI-modellen te krijgen, voegde het team van IDlab ook een onzekerheidskwantificering toe aan de modellen, die de waarschijnlijkheid van bepaalde voorspellingen aangeeft. Zo leert de arts wanneer het model zeer zeker is van zijn voorspelling of wanneer het model toch wat twijfelt. Dankzij het integreren van hun expertkennis, inzicht te geven in hoe het model tot zijn beslissing kwam, en inzicht te bieden in hoe zeker het model is over die beslissing, is het de bedoeling betrouwbare AI-modellen te maken die dokters écht kunnen helpen. Het is niet de bedoeling de arts te vervangen door een AI-model, maar wel om de arts te ondersteunen en efficiënter te maken, waardoor hij meer tijd krijgt voor de patiënt.
De alomtegenwoordige data kunnen tot slot ook inzichten leveren op populatieniveau. Dat is zeker nuttig om problemen die traditioneel onderbelicht zijn geweest in het onderzoek, zoals depressie, beter te begrijpen. Data-analyse op grote schaal maakt het mogelijk om populatiegedrag te analyseren, maar bijvoorbeeld ook te detecteren hoe patiënten afwijken van leeftijdsgenoten of patiënten met een gelijkaardig ziektebeeld. Tegelijk kan AI de onderzoekers ook helpen om nieuwe verbanden tussen data en een bepaalde ziekte te detecteren. Of om medicijnen en behandelingen beter te testen, door aan de hand van je smartphone, spraak en wearable data, de impact te meten op je gedrag en gezondheid, voor en na een therapie. Het is een nieuwe manier van datagedreven werken die in elk geval al op interesse kan rekenen van de farmabedrijven.
Maar eerst: dataprivacy
Het mag duidelijk zijn: data en AI zullen weldra een plek opeisen in de behandeling van stress en daaraan gerelateerde gezondheidsproblemen zoals migraine, depressie of burn-out. De toekomstbeloftes zijn aanzienlijk: vroegere diagnoses en betere behandelingen.
Maar vooraleer de uitrol mogelijk is, moeten de ruwe data van smartwatches en smartphones beschikbaar zijn om er AI-modellen mee te voeden. Dat is vandaag nog niet evident: een patiënt die zijn data opvraagt bij een bedrijf dat fitnesstrackers of smartwatches verkoopt, krijgt doorgaans niet de ruwe data, maar wel een sterk vereenvoudigde afgeleide. Beter –en eerlijker– zou het zijn als de patiënt wél over de eigen gezondheidsdata kan beschikken, en die in een persoonlijk datakluisje kan steken, waarvan die dan zelf uitmaakt wie toegang heeft tot die data, en dat zou dan bijvoorbeeld ’de huisarts kunnen zijn. Daar is een nieuwe data-architectuur voor nodig die gebruikers meer controle geeft over hun persoonlijke data, maar data ook vlotter laat stromen tussen ‘vertrouwde partners’. Dat is het principe van SOLID, bedacht door één van de oprichters van het world wide web, Sir Tim Berners-Lee. SOLID staat ook hoog op de agenda van de Vlaamse overheid sinds de oprichting van het Vlaams Datanutsbedrijf Athumi. De komst van SOLID naar Vlaanderen kan drempelverlagend zijn om beloftevolle nieuwe data, zoals bijvoorbeeld audio-opnames, te delen en te kunnen gebruiken voor medische doeleinden.
Blik op de toekomst: AI in de elektrische behandeling van depressie
Een bijzonder boeiend onderzoeksdomein in de behandeling van depressie is de elektrische stimulatie van het perifere zenuwstelsel, dat de hersenen verbindt met onze organen. Er bestaan verschillende methodes om dat te doen: je kan zwakke stroompulsjes op de hoofdhuid aanbrengen om neurale activiteit bij te sturen, je kan zenuwbanen stimuleren via de oorschelp, of je kan rechtstreeks werken op de nervus vagus via een miniatuurimplantaat. Die nervus vagus kan je gerust de zenuwsnelweg van het menselijk lichaam noemen, en hij beïnvloedt gebieden in de hersenen die betrokken zijn bij stemmingscontrole, zoals het limbische systeem en de prefrontale cortex. Aangenomen wordt dat het stimuleren van de nervus vagus de neurotransmitterniveaus moduleert en de connectiviteit en activiteit in deze hersengebieden verbetert, wat depressieve symptomen helpt verlichten.
Maar welke methode werkt het best voor elke patiënt? Ook hier weer zitten we met grote individuele verschillen tussen patiënten en daarom zijn hybride, gepersonaliseerde AI-modellen aan zet. Door de in het lichaam gemeten data meteen door te spelen naar de behandelende arts, wordt het op termijn zelfs mogelijk om behandelstrategieën in real-time aan te passen op basis van wat gemeten wordt. Het zou in de toekomst een waardevolle aanvulling kunnen vormen op reguliere medicatie, zeker voor chronische ziektes.
Bij imec wordt de expertise in nanotechnologie ingezet om zulke miniatuurimplantaten te verbeteren zodat ze kleiner en energiezuiniger worden. Doel is een steeds gedetailleerdere stimulatie in het lichaam en betere communicatie van geregistreerde signalen van binnen het lichaam naar buiten.
Dit artikel verscheen eerder als onderdeel van de EOS Psyche&Brein Special ‘Gezonder met high tech’
