DOSP-VHR-003084 | MIA, Meer in Actie

Achtergrond

Beweging wordt algemeen erkend als een substantieel voordeel voor oudere volwassenen, gezien het hun algehele welzijn verbetert en de prevalentie van gezondheidsrisico's reduceert. Desondanks, om een actieve levensstijl binnen deze demografische groep te faciliteren, is het cruciaal om de determinanten die beweging beïnvloeden grondig te begrijpen. Traditionele methoden steunen voornamelijk op crossectionele evaluaties, die uitgaan van zowel de stabiliteit van determinanten van beweging over tijd als van hun onafhankelijke werking. De complexiteit van dagelijkse dynamieken brengt echter vaak tijdelijke variabiliteit in individuele determinanten met zich mee. Digitale fenotypering (DF), uitgevoerd met data afkomstig van persoonlijke digitale apparaten, faciliteert een continue, niet-supervisie gebonden en real-time kwantificering van individueel gedrag binnen hun natuurlijke omgeving. Deze methodologie biedt meer ecologisch valide en dynamische evaluaties, en innoveert ons begrip van de complexiteit achter individuele bewegingspatronen in hun specifieke omgevingscontext.

Doelstelling

Het doel van dit onderzoeksproject is een grondige analyse uit te voeren van de essentiële factoren die het bewegingsgedrag van oudere volwassenen beïnvloeden, door middel van het verzamelen van gegevens over hun levensstijl. Deze gegevensinzameling is gericht op het optimaliseren van de MIA-app die ontwikkeld werd tijdens het voorgaande PWO-project P133.

Methoden

Observationale data zullen gedurende een periode van twee weken worden verzameld om diverse functies te evalueren, waarbij zowel crosssectionaal- als longitudinale dataverzamelingstechnieken worden gecombineerd. Patronen in bewegingsgedrag en de invloeden op uitkomsten van beweging zullen worden gedetecteerd, met het doel digitale fenotypen gerelateerd aan beweging te identificeren. De meetmethoden zijn gebaseerd op het 'Behavior Change Wheel' en omvatten zowel zelfrapportages en klinische beoordelingen voor de cross sectionele datacollectie, als ‘ecological momentary assessment en time series analyse voor longitudinale gegevens. De statistische analyse omvat machine learning technieken voor het beheersen van datacomplexiteit, waarbij onbegeleide leeralgoritmen worden ingezet om patronen te ontdekken, en begeleide leeralgoritmen om variabelen te identificeren. De analyses zullen worden uitgevoerd in RStudio (versie 3.6.3), met een significantieniveau vastgesteld op 0,05.

Discussie

Een innovatieve benadering voor het begrijpen van bewegingsgedrag bij oudere volwassenen zal in deze studie worden toegepast. De uitdagingen omvatten variaties in technologieadoptie, bruikbaarheid en de onbewezen validiteit van gezondheidstechnologieën. Ethische overwegingen, de representativiteit van de steekproef, betrokkenheid van deelnemers en expertise op het gebied van machine learning vormen eveneens cruciale aspecten voor het welslagen van de studie. Deze studie biedt beloftevolle perspectieven voor het overbruggen van traditionele en dynamische beoordelingsmethoden van bewegingsgedrag bij ouderen, ter bevordering van een actieve levensstijl.