Onderzoekers van Stanford University hebben een eenvoudige maar krachtige nieuwe manier ontwikkeld om patiënten met neuromusculaire aandoeningen te monitoren met behulp van alleen een smartphone. Hun onderzoek toont aan dat alledaagse mobiele apparaten kunnen tippen aan, en zelfs beter zijn dan, traditionele klinische hulpmiddelen zoals stopwatches en dure bewegingsanalysesystemen, en een snellere en toegankelijkere manier bieden om de voortgang van patiënten te meten.
Al tientallen jaren vertrouwen clinici op stopwatches om te beoordelen hoe lang patiënten nodig hebben om basistaken uit te voeren, zoals opstaan of een korte afstand lopen. Hoewel deze methode eenvoudig en goedkoop is, slaagt ze er niet in om subtiele veranderingen in mobiliteit vast te leggen, wat een grote beperking is bij het volgen van langzaam voortschrijdende ziekten zoals facioscapulohumerale spierdystrofie (FSHD) of myotone dystrofie (MD).
Smartphonecamera's
Om dit aan te pakken, hebben professor Scott Delp, Ph.D., en zijn team smartphonecamera's gecombineerd met AI-gestuurde biomechanische modellering. Met behulp van een gratis app genaamd OpenCap, ontwikkeld aan Stanford, hebben ze meer dan 130 deelnemers geregistreerd die een reeks van negen bewegingen uitvoerden. De software zette de video's automatisch om in 3D ‘digitale tweelingen’, waardoor onderzoekers in slechts enkele minuten meer dan 30 biomechanische kenmerken konden analyseren, waaronder paslengte, enkelheffing en bewegingsbereik.
De resultaten, gepubliceerd in NEJM AI, waren opmerkelijk. De gegevens afkomstig van de smartphone kwamen bijna perfect overeen met de resultaten van de stopwatch en gaven een dieper inzicht in het bewegingspatroon van elke patiënt. Het systeem kon zelfs met een nauwkeurigheid van 82% onderscheid maken tussen verschillende neuromusculaire aandoeningen, vergeleken met slechts 50% bij traditionele timingtests.
“Ons doel was om geavanceerde biomechanische analyse even toegankelijk te maken als de ontwikkeling van geneesmiddelen”, aldus Delp. “Met alleen een smartphone kunnen we nu overal, zelfs buiten klinische omgevingen, nauwkeurige bewegingsbeoordelingen uitvoeren.”
Toegang tot diagnostische monitoring
Deze aanpak zou de toegang tot diagnostische monitoring kunnen democratiseren, vooral voor patiënten die ver van gespecialiseerde bewegingslaboratoria wonen. Het maakt een vroegere detectie van bewegingsstoornissen en een snellere deelname aan klinische proeven mogelijk, wat de ontwikkeling van geneesmiddelen kan versnellen en de zorg kan verbeteren.
Duizenden instellingen, van medische onderzoekscentra tot topsportteams, maken al gebruik van OpenCap. Het Duitse nationale volleybalteam gebruikte de tool bijvoorbeeld om het blessurerisico en de prestaties van 160 atleten te analyseren, en verzamelde in één seizoen wat voorheen jaren in beslag nam.
Klinische tests
Het Stanford-team is nu van plan om smartphone-gebaseerde analyse te integreren in klinische proeven voor neuromusculaire aandoeningen. Door gedetailleerde, realistische gegevens te verstrekken, zou de technologie therapiemonitoring nauwkeuriger, schaalbaarder en patiëntgerichter kunnen maken.
“Deze methode om bewegingen nauwkeurig en snel te beoordelen staat op het punt om meerdere vakgebieden te transformeren”, aldus Delp. “Van neurologie tot revalidatie en sportgeneeskunde, we gaan een nieuw tijdperk van digitale mobiliteitsbeoordeling tegemoet.”
Smartphones in de zorg
Iedereen heeft er een, en moderne smartphone zitten bomvol sensoren en andere technologische innovaties. Het is dus niet gek dat deze gadgets ook binnen de zorg steeds vaker ingezet worden. Aanvankelijk met name voor relatief eenvoudige taken zoals het invullen van digitale vragenlijsten, het raadplegen van patiëntenportalen en videobellen met een arts of verpleegkundige.
Inmiddels zien we ook steeds meer zorgtoepassingen waarbij de high-tech functies van de smartphone een rol spelen. Een goed voorbeeld daarvan is het gebruik van ingebouwde sensoren van de smartphone, zoals de GPS, versnellingssensor en stappenteller, om subtiele gedragspatronen te registreren die kunnen wijzen op psychische klachten.
Een ander voorbeeld is een ontwikkeling waarbij oogfoto’s, gemaakt met de camera van een smartphone, met behulp van machine-learning geanalyseerd worden om de eventuele aanwezigheid van bloedarmoede bij kinderen te kunnen ontdekken.
