De smartphone is niet meer weg te denken. We hebben er allemaal een op zak en soms zijn we er meer mee bezig dan we willen. Zou ons smartphonegebruik ook iets kunnen zeggen over onze hersengezondheid? Kunnen we de smartphone inzetten voor thuismonitoring?
Thuismonitoring raakt steeds meer ingeburgerd in de zorg. Patiënten controleren zelf hun bloeddruk, vullen scorelijsten in en meten hun zuurstofsaturatie. Maar dit soort vormen van thuismonitoring hebben twee nadelen: de metingen zijn vaak lastig om betrouwbaar uit de voeren en ze bieden slechts een momentopname. Onze smartphone gebruiken we daarentegen de hele dag door. Zonder dat we het in de gaten hebben, leveren we daarmee een schat van informatie over onze hersengezondheid.
Onderzoekers van Universiteit Leiden, aangevoerd door dr. Arko Ghosh, ontdekten dat het mogelijk is om cognitieve veroudering af te leiden uit smartphonegedrag. Het blijkt dat snelle, opeenvolgende schermaanrakingen afnemen als we ouder worden en dat langzame aanrakingen juist toenemen.[1] Met deze kennis is het mogelijk om leeftijd te voorspellen met een mean absolute error van slechts zes jaar.[2] Smartphonegedrag correleert ook sterk met cognitieve testen voor reactiesnelheid, schakelvermogen en werkgeheugen.[2] Maar hoe kunnen we dit inzetten voor thuismonitoring?
Neurologische aandoeningen trekken vaak een wissel op de cognitie. Epilepsie is daar een goed voorbeeld van. Na een epileptische aanval kan iemand last hebben van vermoeidheid, verwardheid en een lager concentratieniveau. Op de lange termijn kunnen aanvallen blijvende cognitieve schade geven. En tenslotte kan ook anti-aanvalsmedicatie, waar mensen met epilepsie soms levenslang aan gebonden zijn, problemen geven met geheugen, concentratie en reactievermogen.
Het is bij epilepsie een hele uitdaging om de juiste medicatie te vinden: enerzijds wil je dat het de aanvallen zoveel mogelijk voorkomt, anderzijds wil je dat het zo min mogelijk bijwerkingen geeft. De neuroloog schrijft eerst een medicijn voor dat het beste past bij het type epilepsie. Maar het komt vaak voor dat later blijkt dat dit middel de aanvallen niet vermindert of te veel bijwerkingen geeft. Het medicijn wordt dan afgebouwd en een ander middel wordt gestart. Dit proces wordt soms meerdere keren doorlopen, en kan maanden tot jaren duren.
Betrouwbare meetmethoden
Het kiezen van de juiste anti-aanvalsmedicatie wordt bemoeilijkt door een gebrek aan objectieve indicatoren. Voor het bijhouden van aanvallen zijn er dagboekjes, maar regelmatig worden aanvallen niet herinnerd en komen ze niet in het dagboekje terecht. Voor het bijhouden van bijwerkingen zijn er vragenlijsten, maar deze bieden slechts een momentopname. Daarom kreeg ons consortium, aangevoerd door prof. dr. Arn van den Maagdenberg (LUMC) en dr. Roland Thijs (LUMC, SEIN), financiering van ZonMW en Stichting Proefdiervrij om te zoeken naar betrouwbare meetmethoden die het behandelproces bij epilepsie en migraine kunnen versnellen. De smartphone is een van de meetmethodes die we onderzoeken.
De techniek werkt als volgt. Met een app registreren we alle schermaanrakingen (figuur 1). We berekenen de tijd die er zit tussen elke schermaanraking, het zogenaamde inter-touch interval. Vervolgens visualiseren we deze intervallen in een tweedimensionale joint-interval distribution. Op de x-as plaatsen we de duur van het ene interval, op de y-as de duur van het direct daaropvolgende interval. Ieder punt in de distributie vat dus drie schermaanrakingen samen: het interval tussen de eerste en tweede schermaanraking en het interval tussen de tweede en derde schermaanraking. In zijn geheel geeft de distributie hiermee de dynamiek van het smartphonegedrag weer. Snel gedrag heeft korte intervallen en eindigt in de linkeronderhoek. Langzaam gedrag heeft lange intervallen en krijgt een plek in de rechterbovenhoek. Consistent gedrag groepeert zich langs de x=y lijn. Inconsistent gedrag waaiert uit over de hele distributie. Tenslotte passen we kernel estimation toe om de distributie om te zetten in een kansverdeling. Op deze manier kunnen we de joint-interval distributions met elkaar vergelijken, zonder afhankelijk te zijn van het aantal schermaanrakingen.
Onze voorlopige resultaten zijn veelbelovend. Bij een groep van honderd mensen met epilepsie hebben we het smartphonegedrag gedurende drie tot zes maanden gemonitord. Als eerste stap hebben we gekeken wat er gebeurt als we hun leeftijd voorspellen op basis van hun smartphonegedrag. Het bleek dat het voorspellingsmodel mensen met epilepsie gemiddeld tien jaar te oud inschat.[2] Hun smartphonegedrag laat dus kenmerken zien die passen bij veroudering, zoals vertraging. We wilden de oorzaak hiervan achterhalen, en dus onderzochten we nauwkeurig de 700 duizend schermaanrakingen van één persoon. We vonden een opmerkelijk verband tussen medicatie en smartphonegedrag: toen de anti-aanvalsmedicatie tijdelijk werd afgebouwd, werd het smartphonegedrag aanzienlijk sneller.[3] Ook was er een duidelijke vertraging na een tonisch-clonische aanval.[3] De smartphone blijkt in staat te zijn om de effecten van medicatie en aanvallen objectief te monitoren.
Deze bevindingen vereisen uiteraard nadere studie. We onderzoeken op dit moment of de bevindingen van de ene persoon reproduceerbaar zijn bij de overige deelnemers. Maar tot nu toe wijst alles erop dat de smartphone potentie heeft voor thuismonitoring, ook bij andere neurologische aandoeningen. De meetmethode is gebaseerd op alledaags gedrag, wordt niet beïnvloed door het wittejasseneffect en is niet afhankelijk van de meetvaardigheid van de patiënt. Met verdere ontwikkeling kan de smartphone een waardevol instrument worden om hersengezondheid langdurig en onafgebroken te monitoren.
Referenties
- [1] Ceolini E, Kock R, Band GPH, Stoet G, Ghosh A. Temporal clusters of age-related behavioral alterations captured in smartphone touchscreen interactions. iScience 2022;25:104791. https://doi.org/10.1016/j.isci.2022.104791.
- [2] Ceolini E, Brunner I, Bunschoten J, Majoie MHJM, Thijs RD, Ghosh A. A model of healthy aging based on smartphone interactions reveals advanced behavioral age in neurological disease. iScience 2022;25:104792. https://doi.org/10.1016/j.isci.2022.104792.
- [3] van Nieuw Amerongen AR, Meppelink AM, Ghosh A, Thijs RD. Real-world smartphone data can trace the behavioural impact of epilepsy: A case study. European Journal of Neurology n.d.;n/a:e16433. https://doi.org/10.1111/ene.16433.
