Kinderstep voor in the medische big data: voor the data-experts

Wat is het?

Een kinderstep is een populair stuk buitenspeelgoed waar kinderen zich mee voortbewegen.

Voor data-experts wordt dit simpele voertuig nu een onverwachte bron van informatie. Het gaat hier niet om de step zelf, maar om de enorme datasets die gegenereerd worden wanneer kinderen ermee rijden. Denk aan ingebouwde sensoren die snelheid, afstand en rijpatronen meten. Deze data, verzameld uit duizenden steps, vormt samen een 'big data' project binnen de kindersport.

Het doel is om inzicht te krijgen in bewegingsgewoonten, ontwikkelingspatronen en zelfs vroege signalen van motorische uitdagingen. Voor medische big data is dit een goudmijn.

Anonieme, geaggregeerde data van kindersteps kan onderzoekers helpen bij het bestuderen van gezondheidsvraagstukken op populatieniveau.

Het is een concreet voorbeeld van hoe alledaagse objecten een digitale tweeling krijgen in de datawereld.

Hoe werkt het precies?

De dataverzameling begint bij de hardware. Moderne kindersteps kunnen uitgerust zijn met kleine, goedkope sensoren zoals accelerometers en gyroscopen.

Deze meten constante bewegingsdata: hoe hard er wordt gestept, hoe vaak er wordt afgezet, en zelfs de stabiliteit tijdens het rijden. Deze ruwe data wordt via Bluetooth of wifi naar een bijbehorende app of cloudplatform gestuurd. Daar vindt de eerste analyse plaats. Algoritmes filteren ruis en structureren de data tot bruikbare parameters zoals 'gemiddelde snelheid per sessie' of 'duur van actieve beweging'.

Voor medische big data-analyses wordt deze data vervolgens geanonimiseerd en gecombineerd met andere datasets. Onderzoekers kunnen dan op zoek naar correlaties.

Bijvoorbeeld: bestaat er een verband tussen bewegingspatronen op een step en de prevalentie van bepaalde ontwikkelingskenmerken in een regio?

Het is een datapijplijn van sensor naar onderzoeksvraag.

De wetenschap erachter

De kern is biomechanica en bewegingswetenschap. Elke afzet op een step genereert een kracht die door de sensor wordt vertaald naar data.

Patronen in deze data kunnen wijzen op de efficiëntie van de beweging, coördinatie en spierkracht. Dit zijn objectieve metingen die verder gaan dan observatie. Vanuit een medisch perspectief biedt deze data een longitudinale kijk op motorische ontwikkeling.

In plaats van een eenmalige test in een kliniek, krijgen onderzoekers een continue stroom van informatie over hoe een kind zich in een natuurlijke omgeving beweegt.

Dit kan helpen bij het vroegtijdig signaleren van afwijkingen in de ontwikkeling. De 'big data' kracht zit in de statistische analyse. Met data van tienduizenden kinderen kunnen machine learning-modellen normale variatie in beweging onderscheiden van potentieel zorgwekkende trends. Het is een verschuiving van individuele diagnose naar populatie-gezondheidsonderzoek, aangedreven door speelgoeddata.

Voordelen en nadelen

Het grootste voordeel is de schaal en objectiviteit. Onderzoekers krijgen toegang tot ongekend grote datasets van natuurlijk gedrag, verzameld buiten het lab.

Dit kan leiden tot nieuwe inzichten in de motorische ontwikkeling en het ontwerpen van betere preventieve gezondheidsprogramma's. Een ander voordeel is het lage drempelgebruik. Kinderen vinden steppen leuk, waardoor de data op een speelse, ongedwongen manier wordt verzameld.

Dit vermindert de vertekening die kan optreden in een geforceerde testsituatie. Voor data-experts is het een rijke, authentieke dataset.

De nadelen zijn significant. Privacy is de allergrootste zorg. Het verzamelen van data van minderjarigen roept strikte ethische en wettelijke vragen op. De data moet volledig geanonimiseerd zijn en ouders moeten expliciete, geïnformeerde toestemming geven.

Daarnaast is er het risico op 'over-medicalisering' van normaal speelgedrag. Verder is de data nooit perfect.

Bewegingssensoren op een step vangen niet alles: de context (ondergrond, vermoeidheid, speelomgeving) ontbreekt. Dit kan leiden tot foute interpretaties als de context niet wordt meegenomen in de analyse. De data is een stukje van de puzzel, niet het hele verhaal.

Voor wie relevant?

Deze data is primair relevant voor datawetenschappers en onderzoekers in de publieke gezondheid en kindergeneeskunde. Zij kunnen deze datasets gebruiken om modellen te bouwen die bijvoorbeeld het risico op motorische ontwikkelingsachterstanden in kaart brengen op wijk- of stadsniveau.

Ook voor ontwikkelaars van kindersportartikelen is het waardevol. Inzichten uit de data kunnen leiden tot betere, veiligere productontwerpen. Ze kunnen bijvoorbeeld zien welke step-ontwerpen voor de meest natuurlijke beweging zorgen en zo hun producten optimaliseren.

Voor beleidsmakers en gemeenten biedt de geanonimiseerde data inzicht in het bewegingsgedrag van kinderen in hun stad.

Dit kan beleid voor veilige speelruimtes en stimuleringsprogramma's voor buitenspelen onderbouwen. Het vertaalt speelgoedgebruik naar volksgezondheidsinformatie. Tenslotte is het relevant voor ouders en kinderen zelf, zij het indirect.

De inzichten kunnen leiden tot betere voorlichting over gezond bewegen en tot producten die kinderen helpen op een leuke manier actief te blijven. De cirkel is dan rond: van speelgoed naar data en weer terug naar beter speelgoed en een gezondere leefomgeving.