Het concept ‘quantified self’ doet bij velen waarschijnlijk niet meteen een belletje rinkelen... Toch worden de onderliggende principes al een hele tijd actief – zij het misschien onbewust – door veel mensen toegepast. Is Quantified zelf een hype? Of is er meer aan de hand. Ik sprak met expert ter zake: Prof. Dr. Jan Aerts van iMinds/KU Leuven.
Quantified self?
Aan de basis van quantified self ligt de trend om info te verzamelen over je eigen persoon en je omgeving, en die informatie actief te gebruiken om je gedrag (bij) te sturen. Eigenlijk kan dat in eender welk domein, maar in het kader van dit stuk zouden we even dieper willen ingaan op de mogelijkheden in de zorg- en welzijnssector.
Een praktisch voorbeeld: na een beroerte krijgen patiënten typisch bloedverdunners voorgeschreven, waarvan de dosis statistisch wordt berekend op basis van populatiegemiddelden. Probleem is echter dat verschillende mensen een verschillende gevoeligheid hebben voor dit type medicatie: bij sommigen zal een kleine dosis al werken, terwijl bij anderen zelfs een grote dosis slechts een beperkt effect heeft.
Dat maakt het erg belangrijk om de dosis juist af te stellen: bij een te hoge dosis (voor dat individu) is er immers kans op interne bloedingen, bij een te kleine dosis helpt het medicijn niet. Vandaag gebeurt die specifieke dosering vooral op een trial-and-error basis: de dokter probeert verschillende doseringen en bekijkt welke het meest gepast is.
Door middel van DNA sequencing en de toepassing van quantified self is het echter mogelijk om de gevoeligheid van het individu op voorhand te achterhalen, en daardoor een patiënt-specifieke dosis te bepalen.
Eenzelfde methode kan worden gebruikt voor het controleren van de bloedsuikerspiegel bij patiënten in intensive care, en het toedienen van de juiste dosis insuline om complicaties en overlijdens te vermijden. In Leuven werd daarrond – in samenwerking met het Vlaams digitaal onderzoekscentrum iMinds – al een vrij grote studie opgezet met 300 patiënten.
En we kunnen zelfs nog een stap verder gaan, waarbij data op een proactieve manier gebruikt worden om gezondheidsproblemen te vermijden. Een prachtig voorbeeld is dat van prof. Larry Smarr, een computerwetenschapper die naar Californië verhuisde om er aan de unief les te geven. Zoals in Californië de gewoonte is, begon Larry actief aan zijn conditie te werken en data rond zijn gezondheid te verzamelen (onder meer door middel van bloedstalen).
Door die bloedstalen voortdurend te vergelijken, ontdekte Larry al snel een aantal afwijkende waarden – als voorbode van de ziekte van Crohn. Dankzij zijn toepassing van quantified self avant-la-lettre, kon er ingegrepen worden nog voor hij enig symptoom vertoonde.
Realiteit of hype?
Er worden vandaag al heel veel persoonlijke data verzameld. We kunnen zelfs spreken van een echte hype, waarbij alles wordt gemeten: stappen, tassen koffie, minuten slaap, loopsnelheid en -afstand, enz.
Ondanks die hype wordt er met de eigenlijke gegevens echter nog niet veel gedaan. Bovendien is het maar de vraag of we – op technologisch vlak – wel al klaar zijn om de talloze mogelijkheden van quantified self te benutten... Het antwoord: niet echt.
De uitdagingen
Een eerste struikelblok is het verzamelen en verwerken van (vooral) real-time data. Stel je voor dat een aantal indicatoren aanwijzen dat je stressniveau oploopt; we zouden dan verwachten dat je persoonlijke gezondheidsapp je laat weten dat het nu tijd is om een wandeling te maken – om te vermijden dat je stressniveau nog verder de hoogte ingaat (met alle gezondheidsrisico’s vandien). Die real-time interactie is echter nog steeds niet evident – en wordt verder onderzocht.
Daarnaast zal het succes van quantified self in grote mate afhangen van data-integratie en -aggregatie. Ook op dat vlak moet er nog een lange weg worden afgelegd: momenteel werken de verschillende apps / tools / technologieën immers nog in hun eigen vacuüm.
De ontwikkeling van standaarden en application programming interfaces (APIs) waardoor toestellen en apps van verschillende merken met elkaar kunnen praten, zal dus noodzakelijk zijn om quantified self echt te laten doorbreken.
Toch is dat allemaal niet zo evident; zo zal zelfs een vrij eenvoudig concept als een ‘stap’ bijvoorbeeld gestandaardiseerd moeten worden, want vandaag meten verschillende stappentellers stappen op een andere manier.
Tenslotte moet er ook werk worden gemaakt van data-interpretatie. Vandaag wordt vooral gewerkt met automatische tools (algoritmen) om vooraf gespecifiëerde data te verwerken tot bruikbare gegevens.
Het is echter minstens even interessant om te zoeken naar parameters die je nog niet kent (de zogenaamde ‘known unknowns’), die in kaart kunnen worden gebracht met behulp van nieuwe visualisatiemethoden.
Het privacyprobleem
Nieuwe (online) technologieën en privacyproblemen; het is een heel actueel debat – en quantified self past daar perfect in. Uiteraard is er van privacyproblemen geen sprake wanneer iemand zich elke dag weegt en die resultaten bijhoudt op papier.
Het privacyvraagstuk komt echter wel naar boven van zodra er gebruik wordt gemaakt van online apps. Het leuke – of tegenstrijdige – van het hele debat is echter dat het gebruik van persoonlijke data pas echt interessant wordt wanneer je jezelf kan vergelijken met anderen. Een constante afweging, met andere woorden, tussen het ontvangen van relevante info en het zelf opgeven van een stukje privacy...
Conclusie
Tot slot: eigenlijk weten we helemaal nog niet wat quantified self voor ons in petto heeft... Zoals gezegd, is het een concept dat al lang sluimerend aanwezig is – maar recente technologische evoluties maken dit nu stilaan een realiteit.
De mogelijkheden van quantified self zijn quasi onbegrensd, maar de toekomst zal uitwijzen of het gedoemd is een hype te blijven, dan wel een heilige graal kan worden. Wordt ongetwijfeld vervolgd!
Dit artikel kwam tot stand op basis van interview met Prof Dr Jan Aerts, iMinds – KU Leuven.
