Usability-Aspekte und klinisch-translationaler Nutzen sensorbasierter Gangparameter aus dem Homemonitoring
Usability-Aspekte und klinisch-translationaler Nutzen sensorbasierter Gangparameter aus dem Homemonitoring
A plain-language reading has not been prepared for this paper yet.
Original abstract
Hintergrund und Ziele Die Digitalisierung der Medizin und die zunehmende Verfügbarkeit tragbarer Inertialsensoren ermöglichen das sogenannte Homemonitoring, also die Aufzeichnung von körperbezogenen Gesundheitsdaten wie Aktivität und Bewegung im häuslichen Umfeld. Das idiopathische Parkinson-Syndrom (IPS) ist die häufigste neurodegenerative Bewegungsstörung. Aufgrund des chronisch progredienten Verlaufs der motorischen Symptome sind sogenannte „Wearables“ (portable Endgeräte mit integrierten Inertialsensoren) geeignet, um Beeinträchtigungen des Gangbilds oder der Bewegungsabläufe objektiv zu erfassen. Das Ziel dieser Arbeit besteht darin, die häusliche Adhärenz und Usability-Aspekte eines sensorbasierten Ganganalysesystems im Homemonitoring bei IPS-Patienten zu evaluieren und mögliche klinisch-translationale Zielparameter der Technologie zu definieren. Methoden Das Ganganalysesystem besteht aus zwei Inertialsensoren (Akzelerometer und Gyroskope), die an den Schuhen der Patienten angebracht werden. Die physikalischen Rohdaten der Schuhsensoren wurden mittels etablierter Algorithmen in metrische Gangparameter (Mittelwert (Mean) + Variationskoeffizient (CV) der Parameter Schrittlänge, Maximale Fußfreiheit und Gehgeschwindigkeit) umgerechnet und diese zur statistischen Auswertung verwendet. In die retrospektive Kohortenanalyse wurden 20 IPS-Patienten eingeschlossen. Diese durchliefen eine zweiwöchige Homemonitoringphase, die von zwei klinischen Visiten inklusive sensorbasierter Ganganalyse (@Lab-Messung) und umfassenden klinischen und fragebogenbasierten Assessments (LED, H&Y, UPDRS-III, PIGD, TUG, 2-Minuten-Gehtest, SUS) flankiert war. Im Homemonitoring sollten die Probanden einerseits das Ganganalysesystem im gesamten Tagesverlauf (mindestens acht Stunden pro Tag) tragen und andererseits dreimal täglich standardisierte Gangtests durchführen (@Home-Messung). In den @Lab- und @Home-Messungen wurde der 4x10m Test als standardisierter Gangtest in drei Geschwindigkeiten (selbstgewählt, schnell, langsam) durchgeführt, wovon die selbstgewählte Geschwindigkeit Grundlage für die statistische Auswertung dieser Arbeit war. Ergebnisse und Beobachtungen Nach Ausschluss von zwei Probanden (individuelle Probleme, Datenverlust) lagen von N=18 Patienten vollständige Datensätze vor. Diese führten 601 Tests in selbstgewählter Geschwindigkeit im Homemonitoring durch. Von 16,7 ± 2,8 Tagen im Homemonitoring wurden an 12,8 ± 1,3 Tagen Gangtests durchgeführt, sodass sich eine Tagesadhärenz von 78,3 ± 13,1% ergab. Die Testadhärenz lag bei 87,7 ± 13,5%. Die System Usability Skala (SUS) erzielte einen Ergebniswert von 70,56 ± 14,83. Im Vergleich der @Lab- und @Home-Messungen zeigten sich signifikante Unterschiede in allen analysierten Gangparametern. Einzelne @Lab und @Home erhobene Parameter korrelierten mit den klinischen Assessments, wobei vergleichbare oder stärkere Korrelationen bei den @Home-Parametern gefunden wurden. Für das Krankheitsstadium (H&Y) und den Schweregrad der motorischen Beeinträchtigung (UPDRS-III) ergaben sich bei @Home- Parametern stärkere Korrelationen mit der Schrittlängenvarianz als bei @Lab-Parametern. Zudem korrelierten in @Home-Messungen H&Y und UPDRS-III signifikant zum CV der Gehgeschwindigkeit, während in @Lab-Messungen hier keine signifikanten Korrelationen gezeigt werden konnten. Der PIGD Subscore des UPDRS-III als klinisches Maß für posturale Instabilität und Gangunsicherheit korrelierte signifikant zu folgenden @Home-Parametern: mittlere Schrittlänge, Schrittlängenvarianz und CV der Gehgeschwindigkeit. Bei den @Lab-Parametern konnte nur eine Korrelation des PIGD zur Schrittlängenvarianz festgestellt werden. Schlussfolgerung und Diskussion Insgesamt zeigten sich für die häusliche Adhärenz des Sensorsystems Werte, die mit anderen Studien vergleichbar sind. Es liegt eine gute Usability für das System gemessen an der SUS vor. Im Vergleich der @Home und @Lab erhobenen Parameter zeigte sich ein langsameres, kleinschrittigeres und schlurfenderes Gangbild in den nicht-supervidierten Gangtests @Home. Zudem zeigten sich stärkere Korrelationen der @Home-Parameter mit dem Krankheitsstadium oder der motorischen Beeinträchtigung (H&Y, PIGD, UPDRS-III). Mögliche Einflussfaktoren stellen Aspekte wie die Umgebung, der Untersucher oder die Kognition dar. Die Tatsache, dass die im Homemonitoring erhobenen CVs der Gangparameter stärker mit der klinisch erhobenen motorischen Beeinträchtigung und dem Krankheitsstadium der Probanden korrelieren, spricht für den Zusatznutzen des Homemonitorings im Vergleich zu isolierten klinischen Messungen. Background and objective The digitalization of medicine and the abundant availability of wearable inertial sensors enables recording of body-related health data such as activity and movement in the home environment, usually referred to as homemonitoring. Parkinson's disease (PD) is the most common neurodegenerative movement disorder. Due to chronic progression of motor symptoms “wearables” (portable end devices with integrated inertial sensors) may be particularly appropriate for objectively assessing impairment in movement patterns like gait along the disease course. This thesis aimed to evaluate adherence and usability of a sensor-based gait analysis system in homemonitoring in PD patients and to define clinical-translational target parameters. Methods The gait analysis system consists of two inertial sensors (accelerometers and gyroscopes) attached to the patients' shoes. The physical raw data from the shoe sensors were converted into metric gait parameters (mean + coefficient of variation (CV) of stride length, maximum toe clearance and gait velocity) using established algorithms. Gait parameters were used for statistical analysis. 20 PD patients were included in this retrospective cohort analysis. These underwent a two-week homemonitoring phase flanked by two clinical visits, including sensor-based gait analysis (@lab measurement) and comprehensive clinical and questionnaire-based assessment (LED, H&Y, UPDRS-III, PIGD, TUG, 2-minute-walk test, SUS). During homemonitoring the patients were required to wear the gait analysis system throughout the day (at least eight hours per day) and to perform standardized gait tests three times a day (@home measurement). In @lab and @home measurements a 4x10m test was performed as a standardized gait test in three speeds (preferred, fast, slow). The preferred speed was the basis for the statistical analysis of this thesis. Results After excluding two patients (individual problems, data loss) complete data sets were available from N=18 patients. A total of 601 gait tests in preferred speed have been recorded in homemonitoring. At 16,7 ± 2,8 days in homemonitoring gait tests were performed on 12,8 ± 1,3 days resulting in a daily adherence of 78,3 ± 13,1%. Test adherence, i.e. the proportion of gait tests actually performed in relation to expected tests, was 87,7 ± 13,5%. The System Usability Scale (SUS) achieved a score of 70.56 ± 14.83. The comparison of @lab and @home measurements revealed significant differences in all gait parameters that were analyzed. The correlations of clinical assessment to @lab and @home parameters showed significant correlations with comparable or stronger correlations found for @home parameters. For severity of illness (H&Y) and severity of motor symptoms (UPDRS-III) @home parameters showed significantly stronger correlations with CV of stride length than @lab parameters. Moreover, in @home measurements H&Y and UPDRS-III correlated significantly to CV of gait speed, while in @lab measurements no significant correlations were found. The PIGD subscore of UPDRS-III as a clinical measure of postural instability and gait difficulty correlated significantly to the following @home parameters: mean stride length, CV of stride length and CV of gait velocity. In @lab parameters only a correlation of PIGD to CV of stride length could be found. Conclusion Home-based adherence of the sensor system is comparable to current studies. There is good acceptance of the system as measured by SUS. Gait parameters @home compared to @lab reveal a slower, more small-stepped and shuffling gait pattern in the unsupervised @home setting with stronger correlations to clinically assessed motor impairment (H&Y, PIGD, UPDRS-III). The reason for this could be environment-, examiner- or cognition-dependent. Nevertheless, the fact that variability of gait parameters measured in homemonitoring correlate more strongly with certain motor impairments and the disease stage speaks for an additional benefit of homemonitoring compared to isolated measurement within the clinic.