Digitalisering transformeert de gezondheidszorg met steeds meer focus op het gebruik van data voor efficiëntere en persoonlijkere zorg. Wat er op persoonsniveau gegeten wordt, blijft vaak onderbelicht, nochtans is voeding cruciaal voor herstel, welzijn en levenskwaliteit. Het FINE-project onderzoekt hoe persoonlijke voedselinname en bordverlies objectief en efficiënt gemeten kunnen worden. Deze inzichten vormen een belangrijke bouwsteen voor het beter verbinden van voedings- en zorgdata.
Digitalisering speelt een steeds grotere rol in de gezondheidszorg. Klinische data worden systematisch verzameld en geanalyseerd om zorg efficiënter en persoonlijker te maken. Toch blijft één cruciale factor vaak onderbelicht: wat patiënten daadwerkelijk eten. En net voeding speelt een sleutelrol in herstel, welzijn en levenskwaliteit.
Vanuit die uitdaging verkent het FINE‑project hoe persoonlijke voedselinname en voedselverlies op het bord objectief en efficiënt in kaart kunnen worden gebracht, en hoe deze inzichten kunnen doorstromen naar een bredere context waarin voedings- en zorgdata met elkaar verbonden worden.
Voedingsinname: Kleine data, grote impact
Het is duidelijk dat voeding een centrale plaats zou moeten innemen, zeker in een zorgcontext waar met gerichte voedingsinterventies grote gezondheidswinst te behalen valt. Toch blijft vandaag een deel van de maaltijden onaangeroerd. Net daarom is een systematische registratie van voedselinname cruciaal: ze maakt het mogelijk om patronen te herkennen, bij te sturen en te leren wat wel en niet werkt.
Door nauwkeurig te monitoren wat wordt geserveerd en wat effectief wordt geconsumeerd, ontstaat nieuwe kennis op het snijvlak van voeding, gezondheid, zorg en organisatie. Dit opent de weg naar voeding op maat, afgestemd op noden, voorkeuren en wensen, met positieve effecten op de gezondheidstoestand van patiënten, een reductie van voedselverlies en een efficiëntere organisatie van zorg- en keukenprocessen.
De rol van AI Deep learning
Om voedselinname op een objectieve en schaalbare manier in kaart te brengen, zijn geavanceerde meetinstrumenten nodig. Binnen het FINE‑project wordt daarom een meetsysteem ontwikkeld dat gebruikmaakt van machine learning, een vorm van AI.
Het systeem combineert een RGB- en 3D-camera om voedselcomponenten op het bord te identificeren en hun gewicht in te schatten. De herkenning van de verschillende voedselcomponenten gebeurt op basis van 2D-beelden via een segmentatiemodel. Vervolgens worden 3D-beelden gebruikt om het volume van elke component te bepalen. Op basis van deze volumeschattingen kan ofwel via densiteit of via een regressiemodel een inschatting van het gewicht per voedselcomponent worden gemaakt. Om deze modellen betrouwbaar te trainen en toe te passen, is een grote hoeveelheid data nodig. Het meetsysteem vormt zo een essentiële bouwsteen om voedselinname op een consistente manier te meten en deze data later te koppelen aan bredere inzichten rond voeding, zorg en voedselverlies.
Figuur 1: Opzet achter meettoestel voor voedingsinname en voedselverlies op persoonsniveau in FINE.
Binnen het FINE project wordt er gebruik gemaakt van Obelisk om deze gemeten data bruikbaar te maken voor verdere analyse. Dit is een open en modulair dataplatform ontwikkeld binnen imec. Obelisk fungeert als een centrale ruggengraat waarin data uit het meetsysteem op een gestructureerde en gestandaardiseerde manier kan worden verzameld, beheerd en ontsloten. Binnen het project maakt Obelisk het bijvoorbeeld mogelijk om data rond voedingsinname te verwerken tot inzichtelijke dashboards voor analyse en interpretatie. Ook de koppeling met bestaande datasystemen wordt geëxploreerd.
Figuur 2:De rol van Obelisk in FINE.
Contextverschillen in de praktijk
Tegelijk is het belangrijk om te erkennen dat zorginstellingen sterk van elkaar verschillen, wat betekent dat een dergelijk meetsysteem niet zomaar één-op-één kan worden uitgerold. De modellen moeten per zorginstelling opnieuw worden afgestemd en hertraind om betrouwbare inschattingen te kunnen maken. Pas wanneer die lokale context voldoende wordt meegenomen, kan de gemeten data op een consistente manier worden ingezet.
Vanuit die basis kan worden verkend hoe deze data niet alleen kan worden gekoppeld aan bestaande data(systemen), maar ook gedeeld kan worden binnen en tussen organisaties. Dergelijke vormen van koppeling en datadeling zijn echter enkel mogelijk onder strikte voorwaarden op het vlak van privacy, governance en datacontrole. Daarom onderzocht FINE hoe voedselinnamedata kan worden ingebed in een bredere Food & Health Data Space, waarin zorginstellingen, foodservice, technologiebedrijven en onderzoekers samenwerken onder duidelijke afspraken en gedeelde spelregels.
Een gedeelde taal als fundament: de rol van ontologie
Uit stakeholderbevragingen en co‑creatiesessies binnen FINE blijkt dat de sterke fragmentatie tussen datasystemen vandaag een belangrijk knelpunt vormt. Door het gebrek aan realtime uitwisseling gaat informatie verloren en blijft waardevolle data onderbenut. Een gemeenschappelijke ontologie is daarom essentieel. Zo’n ontologie fungeert als een gedeelde, machineleesbare taal die vastlegt welke begrippen bestaan en hoe ze zich tot elkaar verhouden. Ze maakt het mogelijk dat verschillende systemen niet alleen data uitwisselen, maar die data ook op dezelfde manier interpreteren. Ontologie vormt zo een cruciale bouwsteen voor echte semantische interoperabiliteit. Binnen FINE werd er een ontologisch kader opgesteld dat toelaat om maaltijd- en voedselinname binnen de zorg op een consistente, interpreteerbare en herbruikbare manier vast te leggen.
Figuur 3: Ontologisch framework in FINE.
Verkennen hoe datadeling rond voeding en zorg mogelijk wordt – data space requirements-workshop
Om beter te begrijpen hoe data over voedselinname veilig en zinvol gedeeld kan worden, organiseerde FINE een reeks stakeholderworkshops met actoren uit zorg, foodservice, technologie en onderzoek. De doelstelling was tweeledig: het concept van een Food & Health Data Space concreet maken én samen in kaart brengen welke kansen, drempels en randvoorwaarden daarbij komen kijken. Aan de hand van praktijkgerichte scenario’s en co-creatieoefeningen verkenden deelnemers hoe datadeling kan worden georganiseerd, zonder dat organisaties de controle over hun data verliezen.
De workshops maakten duidelijk dat het potentieel groot is. Door voedselinnamedata te combineren met gezondheids-, voedings- en operationele data kunnen inzichten ontstaan die vandaag vaak onzichtbaar blijven. Tegelijk brachten de gesprekken ook belangrijke aandachtspunten naar voren. Standaarden rond datasystemen verschillen sterk en vragen rond dataeigenaarschap, privacy en concurrentie zorgen voor terughoudendheid. Een belangrijke les is dan ook dat datadeling alleen kan werken onder duidelijke voorwaarden: met transparantie over wie data gebruikt en waarvoor, met controle bij de dataeigenaar, gedeelde afspraken rond governance en aandacht voor duurzaamheid van het ecosysteem. FINE toont zo dat een Food & Health Data Space geen louter technisch verhaal is, maar vooral een oefening in vertrouwen, samenwerking en duidelijke regels.
Een Food & Health Data Space sluit aan bij bredere Europese initiatieven rond datadeling over sectoren heen, zoals The European Health Data Space (EHDS) en de Common European Agricultural Data Space (CEADS). Data over voedselinname bevindt zich op het kruispunt van deze domeinen en kan een waardevolle aanvulling zijn op deze bestaande initiatieven.
Partners
