gms | German Medical Science

HEC 2016: Health — Exploring Complexity
2016 Joint Conference of GMDS, DGEpi, IEA-EEF, EFMI

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V.
Deutsche Gesellschaft für Epidemiologie e. V.

28.08. - 02.09.2016, München

Zusammenhänge zwischen triaxialen Accelerometerdaten geriatrischer Probanden und Mobilitätsassessments in der Frakturrehabilitation – Beispiele aus der NATARS-Studie

Meeting Abstract

  • Birgit Saalfeld - Peter L. Reichertz Institut für Medizinische Informatik, Hannover, Deutschland
  • Enno Steen - OFFIS-Institut für Informationstechnologie, Oldenburg, Deutschland
  • Jürgen Bauer - Klinikum Oldenburg, Oldenburg, Deutschland
  • Petra Bente - Städtisches Klinikum Braunschweig, Braunschweig, Deutschland
  • Lena Dasenbrock - Klinikum Oldenburg, Oldenburg, Deutschland
  • Michael Dölle - Peter L. Reichertz Institut für Medizinische Informatik, Hannover, Deutschland
  • Matthias Gietzelt - Heidelberg University, Heidelberg, Deutschland
  • Katharina Holtkamp - St. Bonifatius Hospital Lingen, Lingen, Deutschland
  • Reinhold Haux - Peter L. Reichertz Institut für Medizinische Informatik, Braunschweig, Deutschland
  • Andreas Hein - OFFIS e.V., Oldenburg, Deutschland
  • Gerald Kolb - St. Bonifatius Hospital Lingen, Lingen, Deutschland
  • Harald Künemund - Universität Vechta, Vechta, Deutschland
  • Christopher Lammel-Polchau - Medizinische Hochschule Hannover, Hannover, Deutschland
  • Michael Marschollek - Medizinische Hochschule Hannover, Hannover, Deutschland
  • Markus Meis - Hörzentrum Oldenburg, Oldenburg, Deutschland
  • Hubertus Meyer zu Schwabedissen - Städtisches Klinikum Braunschweig, Braunschweig, Deutschland
  • Klaus-Hendrik Wolf - TU Braunschweig, Braunschweig, Deutschland
  • Marcus B. Becker - Peter L. Reichertz Institut für Medizinische Informatik der Technischen Universität Braunschweig und der Medizinischen Hochschule Hannover, Hannover, Deutschland
  • Mareike Schulze - Peter L. Reichertz Institut für Medizinische Informatik der Technischen Universität Braunschweig und der Medizinischen Hochschule Hannover, Braunschweig, Deutschland

HEC 2016: Health – Exploring Complexity. Joint Conference of GMDS, DGEpi, IEA-EEF, EFMI. München, 28.08.-02.09.2016. Düsseldorf: German Medical Science GMS Publishing House; 2016. DocAbstr. 287

doi: 10.3205/16gmds159, urn:nbn:de:0183-16gmds1598

Published: August 8, 2016

© 2016 Saalfeld et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. See license information at http://creativecommons.org/licenses/by/4.0/.


Outline

Text

Hintergrund: Der Einsatz assistierender Gesundheitstechnologien kann die Erfassung medizinisch relevanter Informationen in kritischen Lebensphasen unterstützen. Insbesondere können tragbare und ambiente Sensoren über längere Zeiträume in der privaten Umgebung Informationen sammeln, welche sonst verborgen bleiben würden [1]. Die technische Machbarkeit und die Akzeptanz dieses Ansatzes konnten gezeigt werden im Rahmen der GAL-NATARS Studie, für Patienten in der Rehabilitationsphase nach mobilitätseinschränkenden Frakturen [2]. Zurzeit sind die Zusammenhänge zwischen derartigen Sensordaten und den klinischen Verlaufsdaten noch nicht hinreichend untersucht. Ziel dieses Beitrages ist es, mögliche Zusammenhänge zwischen diesen Daten und dem Rehabilitationsverlauf nach stattgehabter Fraktur in Bezug auf die individuelle Mobilität zu evaluieren.

Methoden: Im Rahmen der GAL-NATARS-Studie wurden 24 ProbandInnen für jeweils drei Monate sowohl mit ambienter Sensortechnik (Hausautomationssensoren wie Bewegungsmelder, Türkontaktsensoren, Stromsensoren, etc.) als auch mit einem mobilen, am Körper zu tragenden triaxialen Accelerometer ausgestattet. Zu vier Messzeitpunkten (jeweils zu Beginn und zum Abschluss sowie nach einem und nach zwei Monaten) wurden zusätzlich standardisierte Mobilitätsassessments von Studienmonitorinnen durchgeführt und die Ergebnisse protokolliert. Die Zusammenhänge zwischen den Sensordaten und den Assessments wurden in dieser Arbeit anhand von körperlicher Aktivität (ermittelt aus den Beschleunigungsdaten des Accelerometers) und den dazu ausgewählten Assessments (Tinetti-Test/POMA [3], TUG [4] und SPPB [5]) evaluiert.

Ergebnisse: Die Sensordaten spiegeln verschiedene Aktivitätsverläufe (in Bezug auf Regelmäßigkeit, Dauer und Intensität) wider (siehe Abbildung 1). In der Abbildung wird die Alltagsaktivität einer Probandin über den Messzeitraum und die Ergebnisse der Assessments TUG, Tinetti und SPPB dargestellt. Die Probandin hatte einen eher regelmäßigen Tagesrythmus und schnitt bei den Mobilitätsassessments zum Abschluss der Studie besser ab als zu Beginn der Datenaufzeichnung.

Die Ergebnisse der Assessments zeigen bei den meisten Probanden im Laufe der Rehabilitationsphase eine kontinuierliche Verbesserung bezüglich der Mobilität. Dem gegenüber steht jedoch nicht zwingend auch eine messbare Verbesserung in der tatsächlichen Aktivität im Alltag der Probanden (erfasst durch das Accelerometer). Auch bedeutete eine Verschlechterung in den Mobilitätsassessments nicht zwangsweise eine geringere Aktivität im Alltag. Probanden, welche eine deutliche Verbesserung in der Alltagsaktivität aufwiesen, haben sich ebenfalls nicht unbedingt zeitgleich in den erfassten Mobilitätsassessments verbessert.

Zusammenfassung: Objektive, am Körper des Probanden über längere Zeiträume erhobene Sensordaten geben vor allem Aufschluss über die Regelmäßigkeit von Aktivitäten, deren Dauer und Intensität. Die individuelle Aktivität eines Probanden im zeitlichen Verlauf kann unverändert sein, auch wenn sich die durch Assessments erfasste Mobilität verändert. Es ist notwendig, weitere objektive Maße zur Einschätzung der physischen Leistungsfähigkeit (z.B. Kraft, Koordination) aus den Accelerometerdaten abzuleiten. Limitierend für die Auswertung ist das unterschiedliche Sensor-Trageverhalten der Probanden im unüberwachten Umfeld, sodass nicht ausgeschlossen werden kann, dass auch außerhalb der Tragezeit Aktivitäten stattgefunden haben. Hierfür sollen im weiteren Verlauf die Accelerometerdaten mit den ambienten Sensordaten abgeglichen werden.


Literatur

1.
Koch S, Marschollek M, Wolf K, Plischke M, Haux R. On Health-enabling and Ambient-assistive Technologies. Methods Inf Med. 2009.
2.
Marschollek M, Becker M, Bauer JM, Bente P, Dasenbrock L, Elbers K, et al. Multimodal activity monitoring for home rehabilitation of geriatric fracture patients – feasibility and acceptance of sensor systems in the GAL-NATARS study. Informatics for Health and Social Care. 2014; 39(3-4):262–71.
3.
Tinetti ME. Performance-Oriented Assessment of Mobility Problems in Elderly Patients. Journal of the American Geriatrics Society. 1986; 34(2):119–26.
4.
Podsiadlo D, Richardson S. The Timed “Up & Go”: A Test of Basic Functional Mobility for Frail Elderly Persons. Journal of the American Geriatrics Society. 1991; 39(2):142–8.
5.
Fish J. Short Physical Performance Battery. In: Kreutzer JS, Caplan B, DeLuca J, editors. Encyclopedia of clinical neuropsychology. New York, London: Springer; 2011. p. 2289–91.