Artikel
January 8, 2021

Gültigkeit der computerbasierten kontinuierlichen Messung der körperlichen Aktivität bei alten und hochbetagten Bewohnern in Wohnheimen

Bei älteren Erwachsenen ist körperliche Aktivität entscheidend für ein gesundes Altern und wird mit zahlreichen Gesundheitsindikatoren und -ergebnissen in Verbindung gebracht. Regelmäßige Bewertungen der körperlichen Aktivität können dabei helfen, frühe gesundheitsbezogene Veränderungen zu erkennen und gezielte Maßnahmen zur körperlichen Aktivität zu ergreifen

Gültigkeit der computerbasierten kontinuierlichen Messung der körperlichen Aktivität bei alten und hochbetagten Bewohnern in Wohnheimen

Narayan Schütz, Hugo Saner, Beatrice Rudin, Angela Botros, Bruno Pais, Valérie Santschi, Philipp Buluschek, Daniel Gatica-Perez, Prabitha Urwyler, Laura Marchal-Crespo, René M. Müri & Tobias Nef

Abstrakt

Bei älteren Erwachsenen ist körperliche Aktivität entscheidend für ein gesundes Altern und wird mit zahlreichen Gesundheitsindikatoren und -ergebnissen in Verbindung gebracht. Regelmäßige Bewertungen der körperlichen Aktivität können dazu beitragen, gesundheitsbezogene Veränderungen frühzeitig zu erkennen und gezielte Maßnahmen zur Förderung der körperlichen Aktivität durchzuführen. Die Quantifizierung der körperlichen Aktivität ist jedoch schwierig, da es sich bei den üblicherweise verwendeten Selbstauskünften um voreingenommene und ungenaue Messungen zu einem bestimmten Zeitpunkt handelt. Moderne Alternativen basieren in der Regel auf tragbaren Technologien, die zwar genau sind, aber Probleme mit der Benutzerfreundlichkeit und der Compliance haben. In dieser Studie haben wir das Potenzial eines unauffälligen, auf Umgebungssensoren basierenden Systems zur kontinuierlichen, langfristigen Messung der körperlichen Aktivität untersucht. Zu diesem Zweck analysierten wir ein Jahr lang Sensor- und medizinische Aufzeichnungen von dreizehn älteren und ältesten Probanden, die in der Gemeinde leben. Auf der Grundlage der Sensordaten wurden die tägliche Anzahl der Raumübergänge sowie die Rohsensoraktivität berechnet. Es zeigte sich, dass die Anzahl der Raumüberquerungen und bis zu einem gewissen Grad auch die rohe Sensoraktivität zahlreiche bekannte Assoziationen zwischen körperlicher Aktivität und kognitiven, gesundheitsbezogenen und motorischen Gesundheitsindikatoren und -ergebnissen erfassen. Die Ergebnisse dieser Studie deuten darauf hin, dass solche kostengünstigen, unauffälligen Umgebungssensorsysteme eine angemessene Annäherung an die körperliche Gesamtaktivität älterer Erwachsener liefern können, die ausreicht, um relevante Zusammenhänge mit Gesundheitsindikatoren und -ergebnissen zu erfassen.

Einführung

Es ist allgemein bekannt und weithin anerkannt, dass körperliche Aktivität die Gesundheit positiv beeinflusst. Es gibt eindeutige wissenschaftliche Belege dafür, dass körperliche Aktivität das Risiko für eine Reihe von Gesundheitsschäden wie Bluthochdruck, Typ-2-Diabetes, Krebs, Gewichtszunahme, Stürze, Depressionen, Verlust von kognitiven Funktionen oder funktionellen Fähigkeiten bei Senioren verringert1,2. Diese Erkenntnisse sind zwar für alle Altersgruppen von hoher Relevanz, aber für die wachsende Zahl alter Menschen und insbesondere für die ältesten Erwachsenen sind sie von besonderer Bedeutung - zumal körperliche Aktivität ein veränderbarer Risikofaktor ist3,4. Darüber hinaus leiden Senioren häufiger an chronischen Krankheiten, erleiden häufiger Stürze oder sind von einem erheblichen kognitiven Abbau betroffen. Sie neigen auch eher zu einem sitzenden Lebensstil5 und die Ergebnisse von Messungen der kardiorespiratorischen Fitness deuten sogar auf eine altersbedingte Beschleunigung des Rückgangs hin6was auch durch körperliche Aktivität feststellbar sein könnte.

Es ist zwar offensichtlich, dass mäßige bis starke körperliche Aktivität in der Regel besser ist, aber die Forschung legt nahe, dass leichte und mäßige körperliche Aktivität immer noch besser ist als keine körperliche Aktivität, wenn es um die Gesundheit geht.2. Dies ist für Senioren wichtig, da es für sie oft schwierig ist, sich mit hoher Intensität körperlich zu betätigen, wie z. B. beim Laufen oder bei Aerobicübungen. Leichte und mittelschwere körperliche Aktivitäten wie Kochen, Staubsaugen oder andere alltägliche Tätigkeiten sind ein wichtiger und oft integraler Bestandteil der körperlichen Gesamtaktivität älterer Menschen. Die Messung dieser Art von körperlicher Aktivität ist recht schwierig, kann aber für die frühzeitige Erkennung eines vermeidbaren Rückgangs der körperlichen Aktivität oder für die Überwachung des Verlaufs von Interventionen sehr wichtig sein. Heutzutage basieren Bewertungen der körperlichen Aktivität häufig auf Selbstauskünften, die nicht nur anfällig für Antwortverzerrungen sind, sondern auch unter Erinnerungsfehlern leiden - insbesondere bei nachlassendem Gedächtnis4,7,8,9. Häufig verwendete Alternativen sind Beschleunigungsmesser oder Schrittzähler7,10. Diese bieten zwar objektive Messungen der körperlichen Aktivität unter Bedingungen des freien Lebens, müssen aber getragen werden, was bei Langzeituntersuchungen über mehrere Monate oder sogar Jahre umständlich ist und daher häufig zu Problemen mit der Einhaltung der Tragezeit führt10.

Fortschritte in der Technologie haben das Pervasive Computing für technologiegestütztes gesundes Altern möglich gemacht, indem intelligente, mikroprozessorgesteuerte Computergeräte in Alltagsgegenstände eingebettet werden (wie z. B. in den Geräten eines intelligenten Hauses)11. Eine wachsende Zahl bahnbrechender Forschungsarbeiten zeigt, dass solche Systeme nicht nur realisierbar sind und von Senioren gut angenommen werden, sondern auch für die Erkennung von Notfallsituationen oder frühzeitigen Veränderungen des Gesundheitszustands nützlich sind9,12,13. Eine häufig verwendete und zunehmend kommerzialisierte Technologie ist die Passiv-Infrarot-Bewegungserfassung (PIR), die sowohl kostengünstig als auch so unauffällig ist, dass die Menschen dazu neigen, sie zu vergessen14,15. In diesem Zusammenhang funktionieren PIR-Bewegungsmelder, indem sie die Bewegung einer Person in einem ausgestatteten Raum erkennen16. Neben Sicherheitsanwendungen17,18,19,20Die meisten Arbeiten in dieser Richtung zielten in erster Linie auf kognitive Ergebnisse ab. Galambos et al. zeigten beispielsweise, dass Veränderungen in den von PIR-Sensoren abgeleiteten Bewegungsdichtekarten einer Verschlimmerung von Depressionen und Demenz entsprechen21. In ähnlicher Weise wiesen Hayes et al. nach, dass sich die Variabilität der von PIR-Sensoren abgeleiteten Aktivitäts- und Ganggeschwindigkeitsdaten zwischen kognitiv normalen Probanden und solchen mit leichter kognitiver Beeinträchtigung (MCI) unterscheidet22. In ähnlicher Weise unterstrichen Urwyler et al. den Unterschied zwischen den vom Sensor abgeleiteten Mustern der Aktivitäten des täglichen Lebens bei gesunden und MCI-Personen23.

In dieser Arbeit bewerten wir das Potenzial von PIR-Sensoren im Hinblick auf körperliche Aktivität. Insbesondere untersuchen wir die Gültigkeit und das Potenzial von unauffälligen, kontinuierlichen PIR-Sensormessungen für die Quantifizierung körperlicher Aktivität, die auf leichte und mittelschwere körperliche Aktivität zu Hause abzielt. Zu diesem Zweck haben wir das Verhalten von auf PIR-Sensoren basierenden (körperlichen) Aktivitätsmetriken analysiert und sie mit einer Vielzahl von kognitiven, Wohlbefinden und motorischen Funktionen betreffenden Bewertungen verglichen, um zu sehen, ob diese Annäherung an körperliche Aktivität die bekannten Auswirkungen von körperlicher Aktivität auf allgemein verwendete Gesundheitsindikatoren und -ergebnisse ausreichend erfasst. Die Daten für die Analyse stammen aus einer naturalistischen Stichprobe von dreizehn in einer Gemeinschaft lebenden alten und hochbetagten Schweizer Probanden (Alter = 90,9 ± 4,3 Jahre, weiblich = 69,23%) aus der StrongAge-Kohorte in Olten (Schweiz). Alle untersuchten Personen lebten in der gleichen Wohnung. Die Probanden wurden über die Dauer eines Jahres beobachtet. Gleichzeitig wurde eine Reihe von standardisierten klinischen Tests und Bewertungen wiederholt durchgeführt. Die daraus resultierenden Daten wurden aggregiert und auf Unterschiede in der Ausgangslage hin analysiert. Darüber hinaus wurden die Daten zur körperlichen Aktivität einer Person, deren Gesundheitszustand sich rapide verschlechterte, ausgewertet und in Form einer Fallstudie visualisiert.

Ergebnisse

Über einen Zeitraum von etwa einem Jahr wurden mehr als 89'389 Personenstunden in den Wohnungen von dreizehn älteren und ältesten Teilnehmern (Alter = 90,9 ± 4,3 Jahre) aufgezeichnet (Tabelle 1), die sich alle die gleiche Wohnungsaufteilung und Sensorplatzierung teilten. Während desselben Zeitraums wurden die klassischen Bewertungen mehrerer Gesundheitszustände vorgenommen. Es wurden zwei normalisierte, vom PIR-Sensor abgeleitete Maße für die körperliche Aktivität berechnet. Erstens die tägliche Sensoraktivität, d. h. die Zeit, in der die Sensoren Aktivität gemessen haben (Gleichung(1)). Zweitens die normalisierte tägliche Anzahl von Raumübergängen (Messung der stündlichen Anzahl von Übergängen zwischen verschiedenen Räumen) (Gleichung(2)). Im Folgenden werden die sich daraus ergebenden Assoziationen und Beobachtungen zwischen diesen sensorbasierten körperlichen Aktivitätsmetriken und den klassischen klinischen Bewertungen dargestellt (Abb. 1).

Figure 1

Visual Correlation Matrix of the four sensor-derived physical activity metrics and the clinical assessments). Shown is a visual representationh of the respective correlations as measured by the Spearman’s rank correlation coefficients (ρ) based on an α = 0.05i. The sensor-derived physical activity metrics (rows) represent the mean and the coefficient of variation (CV) of the daily measurements over the whole monitoring duration. The size as well as colour-intensity signal the correlation strength, where red means a strong positive and blue a strong negative correlation. aTimed Up & Go (TUG)27 (Counting = while additionally counting backwards from 100; Cup = while holding a full cup of water). bGeriatric Depression Scale (GDS)25. cTinetti Performance-oriented mobility assessment (POMA)28. dMontreal cognitive assessment (MoCA)24. eKnee extensor strength (Knee). fHip flexor strength (Hip). gVisual analogue scale: measuring perceived health based on the EQ-5D-3L system (EQ-VAS)26. hcreated using the R package “corrplot”34 i*<0.05; **<0.01.

Machen Sie sich digitale Gesundheit zu eigen.
Versuche
domo.health jetzt.
Unser Team zeigt Ihnen gerne alle Funktionen, die Ihnen helfen können, Ihre Arbeitslast zu optimieren und Ihnen Zeit zu sparen.