FAQ Technologie

Artificiële intelligentie (AI), doorgaans gedefinieerd als ‘het vermogen van computersystemen om taken uit te voeren die gewoonlijk menselijke cognitieve functies vereisen (zoals leren, redeneren en patroonherkenning)’(1), wordt steeds vaker onderzocht als hulpmiddel bij valpreventie bij oudere personen. Zo kunnen AI-gestuurde systemen afwijkend gedrag detecteren of vroegtijdige valpredicties maken op basis van bijvoorbeeld veranderingen in loop- of beweegpatronen. Ondanks deze technologische toepassingen blijft het huidige gebruik beperkt, mede door een gebrek aan robuust wetenschappelijk bewijs voor grootschalige implementatie.

AI-systemen kunnen soms foutieve signalen of valse alarmen genereren, bijvoorbeeld wanneer er geen daadwerkelijk risico op vallen is. In drukbezette woonzorgcentra, waar het personeel vaak onder hoge werkdruk staat, kan dit ertoe leiden dat zorgverleners alarmen negeren of minder serieus nemen, waardoor de waarschuwingsfunctie van de technologie verminderd wordt.

Prof. dr. Koen Milisen benadrukt dat het primaire doel van valpreventie moet blijven liggen bij het verbeteren van de fysieke functie van oudere personen, waaronder balans, spierkracht en gezichtsvermogen, evenals het verantwoord beperken van slaap- en kalmeermiddelen. AI kan hierbij een aanvullende rol vervullen, maar verdere empirische studies zijn noodzakelijk om de effectiviteit en betrouwbaarheid van deze technologieën te bevestigen.

Bekijk volgend artikel voor meer informatie.

Referenties:

1. OECD, (2019). Recommendation of the Council on Artificial Intelligence, OECD/LEGAL/0449

Zorgdomotica wordt gedefinieerd als ‘elektronische communicatie tussen allerlei elektronische  toepassingen in de woning en woonomgeving ten behoeve van bewoners en dienstverleners,  waardoor patiënten en/of bewoners in hun eigen omgeving verzorgd, ondersteund, gediagnosticeerd, behandeld en gemonitord kunnen worden’(1). Zowel internationaal als in Vlaanderen is zorgdomotica aan een opmars bezig en kent het erg uiteenlopende toepassingen, ook binnen de zorg voor oudere personen (1-4). Deze technologieën,  waaronder (infrarood)sensoren of camerasystemen, worden ingezet om bepaalde gezondheidsparameters te verzamelen. Het gebruik van zorgdomotica laat toe de kwaliteit van leven van oudere personen te verbeteren en hen langer zelfstandig te laten functioneren, alsook de efficiëntie van de zorgverlening door de professionele zorgverlener te verhogen (1).

Er wordt een onderscheid gemaakt tussen de verschillende functionaliteiten in het thuisnetwerk: (niet-)netwerkgebonden hulpmiddelen, gebouwbeheersysteem, ontspanning en vermaak, diagnostiek en gezondheidsmonitoring en informatie en communicatie. Deze systemen zorgen voor informatiedoorstroming naar een zorgcentrale, die de diverse manieren van opvolging initieert: medische behandeling, verzorging, advies en instructies, hulp, toezicht en/of onderhoud (1).

Ondanks toenemende inzet van zorgdomotica is er momenteel onvoldoende wetenschappelijke evidentie dat zorgdomotica bijdraagt in valdetectie- en preventie. Deze technologische hulpmiddelen worden niet altijd door de doelgroep omarmd, waardoor ze hun beoogde effect vaak missen. Daarnaast worden de meeste studies uitgevoerd in een gecontroleerde omgeving met volwassenen en kan dit moeilijk veralgemeend worden naar een breder publiek (2). In de toekomst zouden deze technologieën een belangrijke rol kunnen spelen op dit gebied, maar tot op het heden is de wetenschappelijke onderbouwing ervan en kosteneffectiviteit dus onvoldoende aangetoond (5-7).

Referenties:

1. Van Hoof JWE. Zorgdomotica. Houten: Bohn Stafleu van Loghum; 2012.
2. Montero-Odasso M, van der Velde N, Martin FC, Milisen K, Vlaeyen E, et al. World guidelines for falls prevention and management for older adults: a global initiative. Age Ageing. 2022;51(9). doi:10.1093/ageing/afac205.
3. Stavropoulos TG, Papastergiou A, Mpaltadoros L, Nikolopoulos S, Kompatsiaris I. IoT wearable sensors and devices in elderly care: a literature review. Sensors. 2020;20(10):2826. doi:10.3390/s20102826.
4. Usmani S, Saboor A, Haris M, Khan MA, Park H. Latest research trends in fall detection and prevention using machine learning: a systematic review. Sensors. 2021;21(15):5134. doi:10.3390/s21155134.
5. Montero-Odasso M, Kamkar N, Pieruccini-Faria F, Osman A, Sarquis-Adamson Y, Close J, et al. Evaluation of clinical practice guidelines on fall prevention and management for older adults: a systematic review. JAMA Netw Open. 2021;4(12):e2138911. doi:10.1001/jamanetworkopen.2021.38911.
6. Tanwar R, Nandal N, Zamani M, Manaf AA. Pathway of trends and technologies in fall detection: a systematic review. Healthcare. 2022;10(1):172. doi:10.3390/healthcare10010172.
7. Newaz NT, Hanada E. The methods of fall detection: a literature review. Sensors. 2023;23(11):5212. doi:10.3390/s23115212.