Vroege detectie van ontsteking via slimme technologie
De traditionele medische benadering richt zich meestal op behandeling nádat klachten optreden. Een Canadees onderzoeksteam toont nu aan dat het ook anders kan. Door gebruik te maken van kunstmatige intelligentie (AI) en commerciële wearables, slaagden zij erin om een vroegtijdig alarmsysteem te ontwikkelen dat acute systemische ontsteking kan herkennen voordat klinische symptomen zich aandienen.
Ontstekingsreacties vóór zijn: waarom het belangrijk is
Een acute systemische ontsteking is een snelle, wijdverspreide immuunreactie die meestal volgt op een infectie of verwonding. Hoewel deze reactie vaak vanzelf afneemt, kan het in bepaalde gevallen leiden tot complicaties zoals orgaanschade of -falen. Dit risico is met name aanwezig bij mensen met onderliggende aandoeningen, zoals COPD.
Door deze ontsteking vroeg te herkennen via draagbare technologie, ontstaat de mogelijkheid om preventief op te treden. Denk hierbij aan het eerder starten van monitoring, thuismeting of medicamenteuze ondersteuning. Het systeem werd getest bij gezonde volwassenen die een levend verzwakt griepvaccin ontvingen, waarmee een realistisch infectiemodel werd nagebootst.
Zo werkte het onderzoek: continue metingen en AI-analyse
Meetperiode en gegevensverzameling
Aan het onderzoek namen 55 proefpersonen deel, tussen 18 en 59 jaar oud. Zij droegen gedurende twaalf dagen drie commerciële wearables: een ring, een horloge en een slim shirt. Deze verzamelden onder meer gegevens over hartslag, hartslagvariabiliteit, ademhaling, temperatuur, bloeddruk, slaapkwaliteit en fysieke activiteit.
Daarnaast werden bloedmonsters afgenomen om ontstekingsmarkers te meten, PCR-tests uitgevoerd om virale infecties aan te tonen en gebruikten de deelnemers een app om klachten te melden.
Van ruwe data naar voorspellende algoritmen
Meer dan twee miljard datapunten werden geanalyseerd met machine learning-technieken. Op basis hiervan werden meerdere AI-modellen ontwikkeld. Negen modellen gebruikten fysiologische signalen voor het voorspellen van ontstekingspieken, één model baseerde zich enkel op zelfgerapporteerde symptomen.
Het eenvoudigste model met de minste ingangsvariabelen bleek het meest bruikbaar voor dagelijkse toepassingen. Het behaalde alsnog een voorspellende waarde van bijna 90%.
Waarom zelfgerapporteerde klachten tekortschieten
Het symptoomgebaseerde model presteerde slechter dan de modellen die gebruikmaakten van sensorgegevens. Sommige proefpersonen vertoonden immers ontstekingsreacties zonder klachten (zogenaamde fout-negatieven), terwijl anderen klachten rapporteerden zonder aantoonbare ontsteking (fout-positieven). Deze laatste groep ervoer mogelijk een nocebo-effect: verwachte klachten zonder fysiologische basis.
Bij vier deelnemers die tijdens het onderzoek besmet raakten met SARS-CoV-2, konden de AI-modellen al ontstekingsactiviteit waarnemen vóórdat symptomen optraden of een PCR-test positief uitviel.
Toekomstvisie: inzet in de eerstelijnszorg
De onderzoekers voorzien een brede inzet van deze technologie voor het detecteren van ontsteking bij infecties met virussen zoals rhinovirus, RSV en SARS-CoV-2. De monitoring zou volledig kunnen plaatsvinden via draagbare sensoren, zonder bloedafname of fysiek consult.
Voor de huisartsenpraktijk biedt dit perspectief op vroegere opsporing bij patiënten met verhoogd risico op complicaties. Denk aan proactieve monitoring bij ouderen of patiënten met chronische longaandoeningen. Door ontsteking te signaleren voordat deze klinisch tot uiting komt, kunnen interventies eerder worden ingezet, wat mogelijk ziekenhuisopnames voorkomt.
