In een recent blogbericht legt Google Research uit hoe ze werken aan een prototype van een zogeheten Personal Health Agent (PHA) — een AI-systeem dat gegevens van draagbare apparaten (zoals fitnesstrackers) combineert met biomarker-gegevens (zoals bloedwaarden) om gepersonaliseerde, op bewijs gebaseerde gezondheidsinzichten en coaching te bieden.
Volgens de onderzoekers biedt deze benadering een antwoord op de uitdaging dat individuele gezondheidsvragen enorm kunnen verschillen: een vraag zoals “Hoeveel uur sliep ik gemiddeld afgelopen maand?” vergt andere capaciteiten dan “Hoe kan ik mijn slaapkwaliteit verbeteren?”
Om daaraan tegemoet te komen, kiezen de wetenschappers voor een modulaire, multi-agentstructuur, waarin drie gespecialiseerde subagents samenwerken: analyse, domeinexpertise en coaching.
|
The anatomy of a personal health agentLearn about our research prototype, an LLM-powered personal health agent that analyzes data from everyday wellness devices paired with health data, such as blood biomarkers, to offer evidence-based health insights and to provide a personalized coaching experience. |
Een gebruiker centraal: Waar zitten de behoeften?
Voor het ontwerp van PHA startte het team met een gebruiksgericht proces. Ze verzamelden data uit meer dan 1.300 echte gezondheidsvragen op forums, voerden een enquête onder meer dan 500 personen uit, en organiseerden workshops met ontwerpers en ingenieurs.
Hieruit kwamen vier domeinen naar voren waar mensen vaak hulp bij zoeken:
- Het begrijpen van algemene gezondheidsthema’s
- Interpretatie van hun eigen meetgegevens
- Praktisch advies over welzijn
- Evaluatie van symptomen
Op basis hiervan werd de architectuur van PHA ontworpen als een imitatie van een team van menselijke experts: data-analisten, medisch deskundigen en gezondheidscoaches.
De Data Science Agent: van ruwe data naar betekenisvolle inzichten
Deze agent verwerkt tijdreeksen van wearables én biomarkergegevens. Eerst vertaalt hij onduidelijke of vage gebruikersvragen naar een analyseplan. Daarna genereert hij code die statistisch valide resultaten oplevert.
In tests scoorde de agent beter dan het basis-LLM-model: 75,6 % versus 53,7 % op de kwaliteit van analyseplannen. Ook bij de codegeneratie bleek hij betrouwbaarder.
De Domain Expert Agent: betrouwbare kennis, gepersonaliseerd
In het gezondheidsdomein is het essentieel dat advies accuraat en geloofwaardig is. De domeinexpertagent gebruikt een redeneringsframework in meerdere stappen, plus toegang tot gezaghebbende bronnen zoals de NCBI-database, om zijn antwoorden te staven.
Hij wordt getest op medische kennis, vermogen tot differentiatie (diagnoseverschillen), en personalisatie. In alle gevallen presteert hij beter dan het basismodel. Artsen en gebruikers beoordeelden de antwoorden als relevanter, betrouwbaarder en specifieker afgestemd op de situatie van de gebruiker.
De Health Coach Agent: van inzicht naar actie
Het is één ding om advies te geven, maar gedragsverandering begeleiden is een ander vak. De coachagent werkt via interactieve gesprekken, waarbij technieken als motiverende gespreksvoering worden toegepast om doelen te stellen en voortgang te volgen.
In evaluaties werd gekeken naar gesprekservaring, effectiviteit, motivatie en de kwaliteit van aanbevelingen. Ook hier bleek de agent beter te functioneren dan het basis-LLM.
Samenwerking: de Personal Health Agent in actie
De kracht van PHA zit in de samenwerking tussen de drie subagents, gecoördineerd door een intelligente “orchestrator”. Die bepaalt welke agent de hoofdrol speelt bij een vraag, welke ondersteunende rol, en hoe inzichten met elkaar verenigd worden.
In grootschalige tests — met meer dan 7.000 annotaties en 1.100 experturen — gaven zowel eindgebruikers als gezondheidsdeskundigen de voorkeur aan PHA boven alternatieven zoals een enkelvoudig LLM of een niet-gecoördineerde agentensamenstelling.
Die uitkomst illustreert dat het nabootsen van de samenwerking binnen menselijke expertenteams essentieel is om echt nuttige ondersteuning te leveren.
Grenzen, uitdagingen en visie op de toekomst
De onderzoekers benadrukken dat dit werk een conceptueel kader is — geen kant-en-klaar product of dienst. Elke praktische toepassing vergt verdere validatie, gebruikerstesten, ontwerp- en ethische toetsing.
Toch is de visie helder: slimme AI-systemen zouden in de toekomst mensen kunnen bijstaan bij interpretatie van gezondheidssignalen, het adviseren van leefstijlkeuzes en het begeleiden van verandering. Maar dit alles moet gebeuren met aandacht voor betrouwbaarheid, transparantie en veiligheid.
Als de technologische vooruitgang en onderzoek in dit tempo doorgaan, kan dit type AI een belangrijke rol spelen in gepersonaliseerde gezondheidszorg — als bondgenoot, niet als vervanging, van medische professionals.
