Review: de biometrische engine

Review: de L-GEVITY biometrische engine

Een onafhankelijke beoordeling van de wetenschappelijke en architecturale grondslagen

Datum: april 2026

Samenvatting

De L-GEVITY biometrische engine vertaalt ruwe biomarkers (bloedwaarden, fitnesstesten, leefstijlfactoren) naar een biologische leeftijd, vitale reserve en geprioriteerd interventieplan. Dit review beoordeelt de wetenschappelijke plausibiliteit en architecturale kwaliteit van het protocol, gebaseerd op een systematische vergelijking met meer dan 40 peer-reviewed bronnen.

Conclusie: De engine is wetenschappelijk goed onderbouwd en architecturaal sterk. De fundamentele keuzes (hazard ratios als gemeenschappelijke valuta, Gompertz-transformatie, domein-gestratificeerde aggregatie, asymmetrische dampening) zijn consistent met gevestigde epidemiologische principes. Het systeem bevat meerdere innovaties die nog niet in gepubliceerde algoritmen voorkomen, maar die biologisch en statistisch verantwoord zijn. De belangrijkste beperking is het ontbreken van prospectieve cohortvalidatie.

1. Scope en methode

Dit review evalueert het protocol zoals beschreven in de engine-documentatie (README.md) en geïmplementeerd in de broncode. De beoordeling richt zich op drie vragen:

1. Zijn de fundamentele wiskundige en biologische keuzes wetenschappelijk verdedigbaar?
2. Is de software-architectuur geschikt voor het beoogde doel?
3. Waar liggen de belangrijkste beperkingen en verbetermogelijkheden?

Per onderdeel is systematisch gezocht naar peer-reviewed bronnen die de claims bevestigen, nuanceren of weerspreken.

2. De fundamenten

2.1 Hazard ratio als universele metriek

De engine converteert alle biomarkers naar een gemeenschappelijke schaal: de hazard ratio (HR), waarbij 1.0 het leeftijds- en geslachtsgemiddelde vertegenwoordigt. Dit is geen uitvinding van de engine. Het Global Burden of Disease (GBD) Comparative Risk Assessment framework, het grootste epidemiologische project ter wereld, hanteert exact dezelfde aanpak: relative risks (inwisselbaar met HRs) als gemeenschappelijke valuta over tientallen risicofactoren (Lancet, 2015).

Andersen (2021) demonstreerde in het American Journal of Epidemiology dat all-cause mortality HRs zinvol vertaald kunnen worden naar leeftijds- en levensduur-gebaseerde maten, wat het gebruik als interpreteerbare gemeenschappelijke schaal bevestigt.

De alternatieven zijn minder geschikt: z-scores missen de koppeling aan mortaliteit, percentiles zijn relatief (peer-vergelijking) in plaats van absoluut (risico), en odds ratios zijn wiskundig minder stabiel bij lage incidentie.

Beoordeling: sterk onderbouwd.

2.2 Gompertz-Makeham transformatie

De conversie van een geaggregeerde HR naar een biologisch leeftijdsverschil gebruikt de formule AgeDiff = ln(HR) / G, afgeleid van de Gompertz-mortaliteitswet. Deze wet, geformuleerd in 1825 en verfijnd door Makeham in 1860, beschrijft de exponentieel stijgende sterftekans met leeftijd en blijft een van de best gevalideerde modellen in de humane demografie (R-squared = 0.971 in een recente validatiestudie uit 2024).

De wiskundige afleiding is correct en wordt bevestigd door het recente GOLD BioAge-algoritme (Hao et al., 2025, Advanced Science), dat dezelfde Gompertz-gebaseerde HR-naar-leeftijd conversie toepast.

De engine gebruikt de gepubliceerde humane Gompertz-beta (G = 0.087, vlak over de volwassen leeftijd) uit Finch (1990) en Gavrilov & Gavrilova (1991). Eerdere versies van de engine verhoogden G tot 0.22 bij 90 jaar als UX-keuze, maar dat verstoorde stil de onderliggende fysica; compressie voor oudere gebruikers wordt nu verzorgd door een expliciete verzadigingslaag (tanh) in plaats van door het buigen van de wet zelf.

Een zachte verzadiging (tanh) begrenst het voordelige (negatieve) leeftijdsverschil richting een leeftijdsgestratificeerde asymptoot (bijvoorbeeld -10 jaar bij 30 jaar, -15 jaar bij 70 jaar). Het geleverde verschil nadert deze waarden zonder ze ooit exact te bereiken — bijvoorbeeld een 70-jarige met zeer gunstige biomarkers krijgt circa -14.97 jaar in plaats van een harde cap op -15. Waarden zijn consistent met waargenomen bereiken in PhenoAge en GrimAge.

Beoordeling: wiskundig correct; β nu overeenkomstig gepubliceerde literatuur, verzadiging transparant als aparte laag.

2.3 HR-bounds en neutrale zone

De engine hanteert globale grenzen van 0.2 (maximaal beschermend) tot 10.0 (maximaal risico). De ondergrens van 0.2 is empirisch bevestigd door Mandsager et al. (2018, JAMA Network Open), die een HR van 0.20 (95% CI: 0.16-0.24) vonden voor elite cardiorespiratorische fitness versus het laagste kwintiel (N=122.007). De bovengrens van 10.0 is conservatief: individuele biomarker-gerelateerde all-cause mortality HRs overschrijden zelden 5.0 in gecorrigeerde modellen.

Een neutrale zone van ±5% (HR 0.95-1.05) classificeert waarden als statistisch insignificant. Dit valt ruim binnen de ruis van typische epidemiologische schattingen, waar 95%-betrouwbaarheidsintervallen routinematig ±10-30% rond het puntschattingsgemiddelde beslaan.

Beoordeling: empirisch onderbouwd, conservatieve keuzes.

3. Aggregatie en dampening

3.1 Pathway-gestratificeerde aggregatie

Het kernprobleem van het combineren van meerdere biomarkers is dat naive vermenigvuldiging van univariate HRs het risico overschat wanneer biomarkers biologisch overlappen (bijvoorbeeld CRP en IL-6 meten dezelfde inflammatoire cascade). De engine lost dit op via een twee-staps aanpak: een gewogen geometrisch gemiddelde binnen biologische pathways (redundantiefiltering), en vermenigvuldiging tussen onafhankelijke pathways.

Dit is geïnspireerd door het allostatic load framework (Seeman et al., 2001, PNAS), dat biomarkers organiseert in fysiologische domeinen (cardiovasculair, metabool, inflammatoir, neuro-endocrien), en door pathway-specifieke aggregate biomarker risico-scoring (Patel et al., 2017, JACC). Het is belangrijk op te merken dat gevalideerde risicoscores zoals Framingham en TIMI een ander mechanisme gebruiken (lineaire regressie op een platte biomarker-pool). De pathway-gestratificeerde geometrische middelen zijn een heuristische benadering die biologisch plausibel maar niet formeel gevalideerd is.

Beoordeling: biologisch verantwoord, innovatieve heuristiek.

3.2 Asymmetrische dampening

De engine behandelt risico (HR > 1.0) en bescherming (HR < 1.0) asymmetrisch, waarbij een Cross-Domain Compensation factor (1.2) ervoor zorgt dat beschermende effecten slechts circa 83% van risico’s in andere domeinen kunnen compenseren. De biologische rationale is sterk: dose-response studies tonen consistent aan dat beschermende factoren afnemende meeropbrengsten vertonen (Arem et al., 2015, JAMA Internal Medicine; Blond et al., 2020), terwijl risicofactoren meer lineair of zelfs versnellend schade veroorzaken (oxidatieve stress, inflammatoire cascades).

De specifieke factor van 1.2 is niet afgeleid uit een gepubliceerd model maar is een redelijke ingenieurskeuze.

Beoordeling: principe sterk onderbouwd, specifieke parameter is heuristiek.

3.3 Cross-domain dampening matrix

De engine hanteert een paargewijze matrix die bepaalt in welke mate beschermende effecten in het ene domein risico’s in een ander domein mogen compenseren (waarden van 0.4 tot 1.0, afhankelijk van biologische verwantschap). Dit wordt direct ondersteund door de “fit but fat”-literatuur: een meta-analyse door Barry et al. (2014, Progress in Cardiovascular Diseases) toonde aan dat fitheid het risico van obesitas vermindert maar niet volledig elimineert. Caleyachetty et al. (2021, Diabetologia) bevestigden dit in UK Biobank-data.

Beoordeling: sterk onderbouwd door epidemiologisch bewijs.

3.4 Weakest link principe

Een safety valve voorkomt dat de totaalscore “optimaal” is wanneer een vitaal systeem ernstig gestoord is. Dit wordt sterk ondersteund door de klinische literatuur over multiple organ dysfunction syndrome (MODS): Knaus et al. (1993) toonden in CHEST aan dat de mortaliteit stijgt van 10% bij nul orgaanfalen tot 100% bij vijf of zes falende systemen, met een scherpe niet-lineaire toename. In de algemene populatie geldt dat ernstig falen van een enkel systeem (bijvoorbeeld eGFR < 30 bij CKD stage 4-5 of ernstig hartfalen met EF < 20%) een hoge mortaliteit met zich meebrengt die uitstekende markers in andere domeinen niet volledig kunnen compenseren.

Beoordeling: sterk klinisch bewijs.

4. Innovaties

4.1 Virtual Biomarkers versus Klemera-Doubal

De engine groepeert gecorreleerde biomarkers in “virtual biomarkers” (VBs) die elk een fysiologisch systeem vertegenwoordigen (bijvoorbeeld cardiorespiratory, glucoseMetabolism, inflammation). Dit adresseert een bekende zwakte van de klassieke Klemera-Doubal Method (KDM, 2006): KDM behandelt alle biomarkers als een platte pool, waardoor over-bemonsterde categorieeen het composiet kunnen domineren (BMC Medical Research Methodology, 2024).

De VB-benadering sluit aan bij recente ontwikkelingen in verouderingsonderzoek. Oh et al. (2023, Nature Medicine) karakteriseerden biologische leeftijden over negen orgaansystemen en bevestigden dat organen met verschillende snelheden verouderen. Een Cell Reports-studie (2022) gebruikte multi-omics data voor orgaansysteem-specifieke biologische leeftijden. De engine anticipeert op deze trend.

Beoordeling: wetenschappelijk goed onderbouwd, anticipeert op de stand van de wetenschap.

4.2 Conditional Phenotype Branching

De engine lost het J-curve probleem op via Conditional Phenotype Branching (CPB): wanneer een biomarker ambigue is (lage hartrust kan zowel een atleet als pathologische bradycardie betekenen), evalueert de engine co-biomarkers (hartrust plus VO2max) om het juiste fenotype te bepalen. Wanneer een fenotype triggert, worden de ruwe afhankelijkheden uitgesloten van verdere aggregatie.

Het J-curve probleem is uitgebreid gedocumenteerd:

• Hartfrequentie: een meta-analyse (PMC 4754196) bevestigde een J-vormige relatie met all-cause mortality
• BMI: een NEJM-studie met 1,46 miljoen volwassenen bevestigde een J-vormige relatie met een nadir rond 22,5-24,9
• Bloeddruk: de diastolische J-curve is een van de meest bestudeerde fenomenen in de cardiologie

De dependency exclusion (het verwijderen van ruwe inputs wanneer een afgeleid fenotype activeert) volgt het statistische principe van het vermijden van collineariteit. Geen gepubliceerd algoritme gebruikt deze exacte terminologie, maar het principe is standaard in multivariate modellering.

Beoordeling: innovatief, biologisch en statistisch verantwoord.

4.3 Vitale Reserve (Capacity-Headroom Metric)

De engine berekent een 0-100 “vitale reserve” score als het gelijk gewogen geometrisch gemiddelde van vier motor Virtual Biomarkers (VBs), elk uitgedrukt als leeftijds- en geslachts-gestratificeerde percentiel:

• cardioRespiratory (aerobe capaciteit)
• musculoSkeletal (kracht, mobiliteit)
• neuroCognitive (mentale capaciteit)
• hormonalBalance (anabole hormone-as)

Onderscheid van biologische leeftijd: Terwijl de biologische leeftijd een globale mortaliteitsrisico-index is (inclusief belastingsmarkers zoals inflammatie en metabolisch risico), focus vitale reserve zuiver op capaciteit — het vermogen van fysiologische systemen om stressoren te weerstaan en homeostase te herstellen. Dit spiegelt het klassieke Fried-framework van capaciteit als onderscheiden van de Rockwood-load benadering (Fried et al., 2001; Rockwood & Mitnitski, 2007).

Formule: De vier percentielwaarden worden gecombineerd via gewogen geometrisch gemiddelde: reserve = exp(mean(ln(percentiles))). Dit is de standaard voor samengestelde indicatoren waar componenten “essentieel” zijn — één zwak domein sleept het geheel sterk omlaag, in tegenstelling tot rekenkundig gemiddelde (OECD Handbook on Constructing Composite Indicators, 2008; UNDP HDI adopteerde geometrische aggregatie in 2010 om diezelfde reden).

Minimum-drempel: Vitale reserve vereist ≥2 betrouwbare motor-domeinen; met <2 domeinen geeft de engine null (“onvoldoende data”) in plaats van een gissing. Dit eerbiedigt de biologische werkelijkheid: een enkelvoudig domein is geen constructieve maat voor multi-systeem reserve.

Percentiel-stratificatie: Het gebruik van percentielscores (in plaats van HR of rauwe biomarker-waarden) realiseert leeftijds- en geslachtsbewustzijn automatisch: een 85-jarige op peer-80e percentiel en een 25-jarige op peer-80e percentiel hebben beide ~80 reserve, correct reflecterend hun cohort-relatieve capaciteit.

Beoordeling: theoretisch robuust (Fried/Rockwood/Cesari), wiskundig correct (geometrisch gemiddelde voor composieten), operationeel gezond (capaciteit gescheiden van belasting).

5. Evidence tiering en synergieën

5.1 Evidence tiering

Biomarkers worden gewogen op basis van bewijskracht: Tier 1 (meta-analyses, >100k deelnemers) op volledig gewicht, Tier 2 (goede cohortstudies) op 0.5-0.7x, Tier 3 (kleine studies) op 0.3-0.4x. Dit is conceptueel consistent met het GRADE-framework.

Gevalideerde klinische risicoscores (Framingham, QRISK, SCORE) hanteren echter een ander mechanisme: zij leiden coëfficiënten af via regressie op hun eigen cohortdata, waarbij de coëfficiëntgrootte impliciet de voorspellende kracht en betrouwbaarheid van elke biomarker weerspiegelt. De engine’s benadering van expliciete evidence-gewichten is een pragmatische oplossing voor een systeem dat HRs uit gepubliceerde literatuur assembleert in plaats van een eigen regressiemodel te fitten.

De engine past de gewichten adaptief aan op basis van databeschikbaarheid: bij voldoende Tier 1-data (6 of meer) worden lagere tiers streng gewogen; bij schaarse data worden hogere tiers opgewaardeerd om dataschaarste te voorkomen.

Beoordeling: conceptueel GRADE-aligned, pragmatische implementatie.

5.2 Synergy indices

De engine modelleert drie synergistische risicofactoren als binaire interacties:

De drempelwaarden zijn consistent met klinische richtlijnen (ADA, ESC, AHA). De HRs zijn conservatief — de individuele HRs van elke marker apart zijn groter dan de interactiemultiplicator.

Beoordeling: alle drie klinisch onderbouwd, conservatieve parameters.

6. Biomarker validiteitsvensters

De engine hanteert biomarker-specifieke vervalperiodes:

Beoordeling: alle vijf tiers ondersteund door biologische variabiliteitsdata en klinische praktijknormen.

7. Curve-fitting strategieeen

De engine implementeert vier patronen voor de vertaling van biomarkerwaarden naar hazard ratios:

1. Lineair/monotoon — meer of minder is altijd beter (bijvoorbeeld VO2max, roken). Standaard in de epidemiologie.
2. J-curve/U-curve — er bestaat een optimaal bereik; afwijking in beide richtingen verhoogt het risico (bijvoorbeeld bloeddruk, BMI, HbA1c). Uitgebreid gedocumenteerd (Currie et al. 2010, Lancet; Global BMI Mortality Collaboration).
3. Drempelwaarde — vlak tot een breekpunt, daarna exponentieel (bijvoorbeeld nuchtere glucose bij de prediabetische drempel). Consistent met ADA- en WHO-classificaties.
4. Sigmoid/saturatie — steil initieel voordeel, daarna plateau (afnemende meeropbrengsten). Relevant voor fysieke activiteit, waar de dose-response afvlakt bij 3-5x het aanbevolen minimum (Moore et al. 2012, PLoS Med; Arem et al. 2015, JAMA Internal Medicine).

Een vijfde patroon dat nog ontbreekt is de leeftijdsafhankelijke omkering (“reverse epidemiology”): bij ouderen en chronisch zieken kunnen hogere BMI, cholesterol en bloeddruk beschermend worden (Kalantar-Zadeh et al. 2003, JACC). De engine adresseert dit deels via leeftijdsgestratificeerde HR-tabellen voor bloeddruk, vetpercentage en LDL-cholesterol.

Beoordeling: vier van vijf bekende patronen gedekt; leeftijdsafhankelijke omkering is deels geadresseerd.

8. Software-architectuur

De engine is opgebouwd uit vijf gelaagde tiers:

De architectuur volgt het principe van unidirectionele dataflow: raw input stroomt door enrichment, domain aggregatie, global integratie naar output. Elke laag heeft een helder contract. De accumulator is een sealed object met voorgedefinieerde collecties, wat type-veiligheid biedt zonder de overhead van een type-systeem.

De scheiding tussen HR-tabellen (mortaliteitsrisico) en PRC-tabellen (percentile peer-vergelijking) is een cruciale architecturale keuze: een biomarker kan simultaan een hoge percentile (beter dan 80% van leeftijdgenoten) en een gevaarlijke HR (1.4) hebben, wanneer de gemiddelde persoon in die leeftijds/geslachtscohorte al biologisch ongezond is.

Beoordeling: helder, testbaar, goed gescheiden verantwoordelijkheden.

9. Beperkingen

9.1 Geen prospectieve cohortvalidatie

In tegenstelling tot PhenoAge (getraind en gevalideerd op NHANES III met mortaliteitsuitkomsten) en Klemera-Doubal (gevalideerd op meerdere longitudinale cohorten), is de L-GEVITY engine niet getraind of gevalideerd tegen werkelijke mortaliteitsdata. HRs zijn geassembleerd uit gepubliceerde literatuur, niet afgeleid uit een enkel, consistent model. Dit betekent dat de precieze numerieke output (biologische leeftijd X, vitale reserve Y%) niet dezelfde statistische betrouwbaarheid heeft als bij formeel gevalideerde algoritmen.

9.2 Aggregatie van univariate HRs

Het multiplicatief combineren van HRs uit afzonderlijke studies brengt bekende risico’s met zich mee: confounding (gedeelde causale paden worden dubbel geteld), non-collapsibility (marginale HRs verschillen van conditionele HRs zelfs zonder confounding; Didelez, 2022) en heterogene referentiepopulaties. De engine’s redundantiefiltering en cross-domain dampening mitigeren dit deels, maar elimineren het niet volledig.

9.3 Calibratieparameters

Meerdere sleutelconstanten (cross-domain compensation 1.2, dampening matrixwaarden, evidence tier-gewichten, leeftijdsgestratificeerde verzadigingsasymptoten voor de biologische leeftijdsdelta) zijn onderbouwde heuristieken, geïnformeerd door maar niet direct afgeleid uit gepubliceerde modellen. De Gompertz-β zelf staat nu op de gepubliceerde waarde (0.087, vlak over volwassen leeftijden).

9.4 Reverse epidemiology

Hoewel nu deels geadresseerd voor bloeddruk, vetpercentage en LDL-cholesterol, ontbreekt leeftijdsgestratificatie voor meerdere andere biomarkers waar het fenomeen gedocumenteerd is.

10. Vergelijking met bestaande benaderingen

11. Conclusie

De L-GEVITY biometrische engine is een architecturaal sterk en wetenschappelijk goed onderbouwd systeem. De fundamentele keuzes zijn consistent met de state-of-the-art in de epidemiologie en gerontologie. Het systeem bevat meerdere innovaties (Virtual Biomarkers, Phenotype Branching, Vitale Reserve) die biologisch en statistisch verantwoord zijn en die anticiperen op actuele trends in orgaan-specifiek verouderingsonderzoek.

De belangrijkste sterkte is de combinatie van wetenschappelijke diepgang met praktische bruikbaarheid: het systeem modelleert biologische overlap, respecteert de asymmetrie tussen risico en bescherming, lost ambigue biomarkerwaarden contextueel op, en prioriteert interventies op basis van impact en responsiviteit.

De belangrijkste zwakte is het ontbreken van formele prospectieve cohortvalidatie. De engine is een op literatuur gebaseerd heuristisch model, geen gevalideerd klinisch instrument. Voor de beoogde toepassing (consumer health monitoring en gepersonaliseerde gezondheidsadviezen) is dit niveau van onderbouwing aanzienlijk sterker dan wat gangbaar is in de markt, maar het verschilt fundamenteel van klinisch gevalideerde risicoscores.

Bronnen

Fundamentele epidemiologie

• GBD 2013 Risk Factors Collaborators. “Global, regional, and national comparative risk assessment.” Lancet 386.10010 (2015): 2287-2323.
• Andersen PK. “Translating All-Cause Mortality Rate Ratios or Hazard Ratios to Age-, Longevity-, and Probability-Based Measures.” Am J Epidemiol 190.12 (2021): 2664-2672.

Gompertz en biologische leeftijd

• Finch CE. Longevity, Senescence, and the Genome. University of Chicago Press, 1990.
• Gavrilov LA, Gavrilova NS. The Biology of Life Span: A Quantitative Approach. Harwood Academic, 1991.
• Hao T et al. “GOLD BioAge: Gompertz-Optimized Longevity Determination.” Advanced Science (2025).
• Levine ME et al. “An epigenetic biomarker of aging for lifespan and healthspan.” Aging 10.4 (2018): 573-591.
• Klemera P, Doubal S. “A new approach to the concept and computation of biological age.” Mech Ageing Dev 127.3 (2006): 240-248.

Fitness en mortaliteit

• Mandsager K et al. “Association of Cardiorespiratory Fitness With Long-term Mortality.” JAMA Netw Open 1.6 (2018): e183605.
• Moore SC et al. “Leisure time physical activity of moderate to vigorous intensity and mortality.” PLoS Med 9.11 (2012): e1001335.
• Arem H et al. “Leisure time physical activity and mortality.” JAMA Intern Med 175.6 (2015): 959-967.

Dampening en cross-domain compensatie

• Seeman TE et al. “Allostatic load as a marker of cumulative biological risk.” PNAS 98.8 (2001): 4770-4775.
• Barry VW et al. “Fitness vs. Fatness on All-Cause Mortality: A Meta-Analysis.” Prog Cardiovasc Dis 56.4 (2014): 382-390.
• Caleyachetty R et al. “Metabolically Healthy Obese and Incident Cardiovascular Disease Events Among 3.5 Million Men and Women.” Diabetologia 64 (2021): 1567-1577.
• Knaus WA et al. “The APACHE III Prognostic System.” CHEST 100.6 (1991): 1619-1636.

Biologische leeftijd per orgaansysteem

• Oh HS et al. “Organ aging signatures in the plasma proteome track health and disease.” Nature 624 (2023): 164-172.

J-curve en reverse epidemiology

• Ravnskov U et al. “Lack of an association or an inverse association between low-density-lipoprotein cholesterol and mortality in the elderly.” BMJ Open 6.6 (2016): e010401.
• Kalantar-Zadeh K et al. “Reverse Epidemiology of Cardiovascular Risk Factors in Maintenance Dialysis Patients.” JACC 43.7 (2003): 1439-1441.
• Flegal KM et al. “Association of all-cause mortality with overweight and obesity using standard body mass index categories.” JAMA 309.1 (2013): 71-82.

Synergieeen

• Patel RS et al. “A Pathway-Specific Aggregate Biomarker Risk Score.” JACC 69.12 (2017): 1621-1622.
• Blond K et al. “Association of high amounts of physical activity with mortality.” Int J Behav Nutr Phys Act 17 (2020): 112.