方法文章

利用连续数据追踪技术研究肺康复中的运动依从性

14.9K 次观看

⸱

DOI：

10.3791/50643

⸱

2013年11月8日

 ,  ,  ,  ,  , 
1Individualized Program, Concordia University, 2Department of Exercise Science, Concordia University, 3Centre de Recherche, Axe Maladies Chroniques, Hôpital du Sacré-Coeur de Montréal

本文内容

摘要

肺康复在呼吸系统疾病的管理中被广泛认可。成功实施肺康复的关键要素之一是坚持推荐的运动训练。本方案的目的是描述如何利用连续数据追踪技术精确测量患者对规定有氧训练强度的依从性。

摘要

肺康复（PR）是呼吸系统疾病管理中的重要组成部分。PR 的有效性取决于患者对运动训练建议的依从性。因此，研究运动依从性是优化 PR 项目的关键步骤。迄今为止，主要采用参与率、完成率和出勤率等间接指标来评估 PR 的依从性。本方案的目的是描述如何利用连续数据追踪技术，以秒为单位测量患者对规定有氧训练强度的依从情况。

在我们的研究中，依从性被定义为受试者心率处于特定目标范围内的持续时间百分比。因此，通过结合使用硬件与软件，在每次运动训练过程中，对每位受试者骑行时的每秒钟心率进行测量、追踪和记录。随后使用统计软件提取并分析数据。该相同方案也可用于评估对其他运动强度指标的依从性，例如在功率自行车上达到特定功率（瓦特）、阻力等级或速度的时间。此外，该硬件与软件系统还可用于测量对其他训练方式的依从性，例如跑步机、椭圆机、踏步机以及上肢功率计。因此，本方案具有广泛的应用价值，可用于直接测量有氧运动的依从性。

引言

肺康复（PR）结合了运动训练、患者教育和心理社会支持，被广泛认为是肺部疾病管理的基石1-5。PR 的目标是减轻症状、优化功能状态、改善与健康相关的生活质量，并降低医疗成本4,5。在一项针对慢性阻塞性肺疾病（COPD）的31项随机对照试验的荟萃分析中，PR 被证明能显著提高运动耐力，减轻呼吸困难和疲劳，改善情绪功能，并增强患者对自身病情的控制感6。此外，有证据表明 PR 在减少呼吸系统急性加重7和住院天数8-13方面具有显著效果。由于运动训练带来了该干预措施的大部分益处，因此被认为是成功实施 PR 的关键3-5。然而，对许多患者而言，坚持推荐的运动量或强度是一个主要问题。对推荐治疗方案的不依从可能导致治疗干预失败，并造成医疗资源的低效使用14。

根据世界卫生组织的定义，“依从性”（adherence）是指个体行为与医疗专业人员所给出建议相一致的程度15。迄今为止，在康复环境中，运动训练的依从性主要通过以下方式评估：参与率（i.e. 注册参加项目）、完成率（i.e. 完成整个项目）或出勤率（i.e. 实际参加的训练次数）16–18。目前尚无测量依从性的"金标准"15，现有方法也无法实现较高的精确度。此外，由于所采用方法的不同，肺康复（PR）依从率在不同研究中表现出较大差异16–19。例如，Hogg et al.16 将慢性阻塞性肺疾病（COPD）患者的依从性定义为完成项目人数与被转诊人数之比，发现依从率较低，约为40%。然而，其他采用出勤率作为衡量指标的肺康复研究则显示平均依从率高达90%10,20,21。由于依从性计算方法缺乏统一性，导致不同研究之间的结果难以比较。另一个问题是现有计算方法的精确性不足：参加一次运动训练课程并不等同于遵循了规定的训练强度。这一信息空白促使我们探索一种更为精确的依从性计算方法。

健身设备技术的最新进展使得能够持续追踪数据，这些数据可用于在肺康复（PR）环境中监测个体锻炼期间对规定有氧训练强度的依从性。更具体而言，数据追踪硬件和软件可实现对持续时间、速度、阻力等级、功率（瓦特）、步速、心率、距离、热量消耗、VO2、代谢当量（METS）和卡路里等参数的秒级记录，并提供除阻力等级和VO2外所有变量的平均值。该技术的主要优势在于能够记录连续的详细测量值，从而精确计算对规定运动的依从性，而不仅仅是以往研究所报告的一般出勤率或完成率。此方法可适用于任何旨在评估一种或多种有氧运动训练方案效果的研究。利用该技术，可通过每次训练过程中处于规定功率、阻力等级、速度或心率的时间百分比，来评估患者对规定强度的依从性。在我们的研究中，运动训练方案的依从性被定义为每次训练期间心率处于特定目标范围内的时长百分比。由于在固定亚极量负荷下，随着心肺适能的提高，心率反应会逐渐降低，因此该方法可确保患者在整个训练计划期间始终保持相同的相对（而非绝对）训练强度。本方案详细描述了如何利用连续数据追踪技术精确测量对规定目标心率范围的依从性。

方案

数据采集完成后，每位受试者每次实验会获得一个原始数据文件。使用统计软件将每位受试者的所有实验数据合并为一个文件。随后，需计算每位受试者的目标强度。然后可计算每位受试者每次实验对目标强度的依从率，也可计算所有受试者每次实验的总体依从率，或按组别进行计算。

1. 数据采集（由培训课程的监督人员执行）

  1. 通过关闭无线设备来尽量减少电干扰例如 手机，Wi-Fi 等等）并通过确保心率监测器和设备之间至少相距1米来减少串扰。参考 图1 用于心率发射器的植入。
  2. 打开数据追踪软件。启动有氧运动设备，并让受试者在目标强度下进行训练。例如，在我们的研究中，要求受试者在指定强度范围内训练 ± 目标心率的每分钟5次搏动。参考 图2 用于CardioMemory。
  3. 每次康复训练期间，以秒为单位为每位参与者采集数据。采集的数据包括：受试者编号、持续时间（时分秒）、强度等级（1–30）、功率负荷（瓦特）、踏频（转/分钟）、距离（公里）、配速（分:秒/公里）、心率（次/分钟）、估算耗氧量（VO₂）2，ml/min/kg）、身体活动代谢当量（METs）、估计能量消耗（kcal/小时）和估计能量消耗总量（kcal）。参见 图3.
  4. 按停止键以关闭有氧运动设备。点击 "保存" 上传数据至 CardioMemory。点击 "输出" 在 CardioMemory 之外保存文档。该文档将为 .cvs 格式，并自动包含会话日期。

2. 数据提取

CardioMemory 软件无法区分不同的运动训练阶段。因此，必须将获得的数据导出至统计软件，以剔除无关阶段（例如 热身和冷身），合并数据文件，并比较实际达到的强度与目标强度。

  1. 打开统计分析软件以导入 Excel 文件。步骤： 文件 → 打开 → 数据 → 在 "开放数据" 窗口，选择 所有文件 在下拉菜单中 "文件类型" → 选择 Excel .xls 文件 → 打开 → 在 "打开 Excel 数据源" 窗口点击 好的.
  2. 将数据文件保存至统计分析软件中。参见 图4 用于样本数据库。
  3. 消除非训练阶段， 即 热身和整理活动，如果关注的是训练阶段中处于目标强度的时间。
    1. 消除预热阶段（例如 前10分钟：
      1. 为了重新编码持续时间，创建一个变量以将每一秒标识为1。步骤如下： 转化 → 重新编码为不同变量… → 在 "重新编码为不同变量" 窗口，选择 持续时间_A img alt="箭头" fo:content-width=".2in" src="/files/ftp_upload/50643/arrow.jpg" width="20px" /> 点击箭头 → 识别 "输出变量名称" (例如 节奏) → 改变 → 点击 旧值与新值 → 下 "旧值"，选择 值： 并输入 0 → 下 "新值"，选择 值： 并输入 0 → 添加 → 下 "旧值"，选择 所有其他数值 然后点击 值：, 在……下方 "新值" 并输入 1 → 添加 → 继续 → 好的.
        • RECODE Duration_A (0=0) (ELSE=1) INTO Tempo.
        • 执行。
      2. 创建第二个临时变量。步骤： 转化 → 偏移值 → 选择节拍 → 点击箭头 → 下 "姓名：" 临时变量类型例如. tempo2) → 改变 → 好的.
        • 变量=Tempo 的位移值 结果=Tempo2 滞后=1
      3. 开始 tempo2 在0时，必须进行重新编码。步骤： 转化 → 重新编码为相同变量 → 选择 tempo2 → 点击箭头 → 点击 旧值与新值 → 下 "旧值"，选择 系统缺失 → 下 "新值"，选择 值： 并输入 0 → 添加 → 继续 → 好的.
        • RECODE Tempo2 (SYSMIS=0)。
        • 执行。
      4. 从零开始累计秒数。步骤： 转化 → 计算变量 → 下方 "目标变量：" 节拍类型 → 下方 "数值表达" 滞后类型（节奏）+1 → 如果…… → 选择 若病例满足条件则包括： → Type tempo2 > 0 → 继续 → 好的。
        • IF（Tempo2 > 0) 节奏 = 滞后（节奏）+ 1。
        • 执行。
      5. 消除最初的10分钟 热身阶段，移除599秒之前的速度数据。步骤： 数据 → 选择性病例… → 在 "精选案例" 窗下 "选择"，选择 "如果条件满足" → 如果… → 在 "选择案例：如果" 窗口，插入公式 tempo > 599 → 继续 → 下 "输出"，选择 删除未选中的病例 → 好的参见 图5.
        • 过滤关闭。
        • 使用全部。
        • 选择条件（如果）tempo > 599).
        • 执行。
    2. 消除冷却阶段（例如最后5分钟：
      1. 按降序排列数据 持续时间_A 将冷却阶段移至数据库的顶部，因为SPSS会从文件顶部开始删除数据。步骤： 数据 → 排序病例 → 在 "排序病例" 窗口，选择 持续时间_A → 点击箭头 → 在 "排序顺序" 菜单选择 下降 → 好的.
        • 按持续时间_A降序排列案例。
      2. 重编码 持续时间_A 以每秒为单位进行识别，步骤如下： 转化 → 不同变量重新编码… → 在 "重新编码为不同变量" 窗口，选择 持续时间_A → 点击箭头 → 识别 "输出变量名称" (例如. tempoA) → 改变 → 点击 旧值与新值 → 下 "旧值"，选择 值： 并输入 0 → 在下方 "新值"，选择 值： 并输入 0 → 添加 → 选择 所有其他数值 在……下方 "旧值"，然后点击 值： 下 "新值" 并输入 1 → 添加 → 继续 → 好的.
        • RECODE Duration_A (0=0) (其他=1) 至 TempoA。
        • 执行。
      3. 创建第二个临时变量。步骤： 转化 → 偏移值 → 选择 tempoA → 点击箭头 → 在下方 "名称：" 临时变量类型 (例如. tempoA2) → 改变 → 好的.
        • SHIFT VALUES 变量=TempoA 结果=TempoA2 滞后=1
      4. 要将 tempoA2 重置为 0，必须对其进行重新编码。步骤如下： 转化 → 重新编码为相同变量 → 选择 tempoA2 → 点击箭头 → 点击 旧值与新值 → 下方 "旧值"，选择 系统缺失 → 在下方 "新值"，选择 值： 并输入 0 → 添加 → 继续 → 好的.
        • RECODE TempoA2 (SYSMIS=0)。
        • 执行。
      5. 对 tempoA 变量的秒数求和。步骤： 转化 → 计算变量 → 下 "目标变量：" type tempoA → 在下方 "数值表达" 滞后类型（tempoA）+1 → IF... → 选择 若病例符合则包括 条件： → A2型时序> 0 → 继续 → 好的。
        • IF (TempoA2 > 0) TempoA = 滞后(tempoA) + 1
        • 执行。
      6. 以消除冷却阶段（即 5 分钟），移除早于 299 秒的时间数据。步骤： 数据 → 选择性病例… → 在 "选择案例" 窗下 "选择"，选择 "如果条件满足" → 如果… → 在 "选择案例：如果" 窗口，插入公式 tempoA > 299 → 继续 → 在……下方 "输出"，选择 删除未选中的病例 → 好的。参见 图6.
        • 过滤关闭。
        • 全部使用。
        • SELECT IF (tempoA > 299).
        • 执行。
    3. 确定与数据集相关的会话编号（或日期）。创建并命名一个新变量（例如. 会议）。步骤： 转化 → 计算变量 → 在“计算变量”窗口中，位于下方 目标变量，类型 会话 → 点击 类型 & 标记 打开 "计算变量：输入一个..." 窗 → 在……下方 "类型" 选择 弦 → 继续 → 在……下方 串表达式 1型 → 好的。参见 图7.
      • STRING 会话 (A8)
      • COMPUTE Session= '1'.
      • 执行。
    4. 将修改后的 SPSS 文档保存为新文件（示例：subjectID_session#）。
    5. 对同一受试者的其余所有测试环节重复上述步骤。

3. 数据合并 - 单个参与者

  1. 将所有会话合并为一个 SPSS 数据库时，打开参与者的第一次会话（即. subjectID_会话1)
  2. 将剩余会话合并到当前文件。步骤： 数据 → 合并文件 → 添加病例 → 在 "添加病例至 subjectID_session1.sav" 窗口，单击 浏览 并选择文件 受试者编号_第2次会话 → 打开 → 继续 → 在 "添加案例来自……" 窗口点击 好的。 对所有剩余的实验环节重复上述步骤。参见 图8.
    • 添加文件 /FILE=*
    • /FILE='SubjectAB001_Session1.sav'
    • 执行。
  3. 添加一列，用于包含受试者的 ID 编号。步骤： 转化 → 计算变量 → 在 "计算变量" 窗下 目标变量，输入 SubjectID → 点击 类型 & 标记 打开 "计算变量：输入一个..." 窗 → 在……下方 "类型" 选择 字符串 → 继续 → 下 串表达式 输入“SubjectID”（例如 'AB001) → 好的请参见 图9.
    • STRING 受试者编号 (A8)
    • COMPUTE Subject_ID='AB001'.
    • 执行。
  4. 添加一列，包含受试者的靶强度（例如目标心率 [THR]）。操作步骤： 转化 → 计算变量 → 在 "计算变量" 窗下 目标变量，类型 THR → 点击 类型 & 标记 打开 "计算变量：输入一个..." 窗 → 在……下方 "类型" 选择 数值 → 继续 → 在……下方 数值表达 型THR（例如. 110) → 好的参见 图10.
    • STRING THR (A8)
    • COMPUTE THR='110'。
    • 执行。
  5. 将数据库另存为不同的文件名（例如. 受试者AB001_第1-36次会话).
  6. 对所有其余参与者重复上述步骤。此时，每位参与者都将拥有一个包含所有会话的数据库。

4. 数据合并 - 参与者分组

  1. 要将多个参与者归入单个数据库，请打开参与者的文件（即 subjectID_session1-36)
  2. 将剩余的参与者合并到当前文件中。步骤： 数据 → 合并文件 → 添加案例 → 在 "添加病例至 SubjectAB001_session1-36.sav" 窗口，单击 浏览 并选择文件 主题CD002_会话1-36 → 打开 → 继续 → 在 "添加病例来自……" 窗口点击 好的。 对所有希望分组的参与者重复上述步骤。参见 图11.
    • 添加文件 /FILE=*
    • /重命名 (AB001=d0)
    • /FILE='SubjectAB001_Session1-36.sav'
    • /重命名 (CD002=d1)
    • /DROP=d0 d1
    • 执行。
  3. 保存新数据库（例如.第01组_受试者001-010).

5. 目标强度的确定（例如 THR 范围

  1. 确定一个THR范围；单击 转化 → 计算变量 → 在 "计算变量" 窗下 "目标变量" 输入一个新的变量名（例如 Diff_HR_THR → "类型 & 标记..." → 在 "计算变量：输入一个...." 选择 数字 → 继续 → 下 "数值表达" 输入公式：HR - THR → 好的。 这为我们提供了一个新的变量。
    • 计算 Diff_HR_THR = HR - THR。
    • 执行。
  2. 重新编码变量以识别心率是低于、高于还是处于目标心率（THR）范围内。 步骤：转化 → 不同变量重新编码... → 选择 Diff_HR_THR → 点击箭头 → 下 "输出变量" 下 "名称" type Diff_HR_THR _recoded → 改变 → 旧值与新值…… → 在 "不同变量中的重新编码：旧值与新值" 窗口
旧值新值旧值-->新值：
范围：-5 至 51添加-5 至 5 --> 1
范围，从最低值至该值：-50最低值至 -5 --> 0
范围，从该值至最高值：505 至最高值 --> 0
系统缺失值系统缺失值SYSMIS--> SYSMIS

→ 继续 → 确定。参见图12。

  • RECODE Diff_HR_THR (SYSMIS=SYSMIS) (-5 至 5=1) (最低值 至 -5=0) (5 至 最高值=0) 至
  • Diff_HR_THR_Recoded。
  • EXECUTE.

6. 黏附率的计算

  1. 在 第01组_受试者001-010 文件, 通过执行以下步骤，计算患者处于目标心率（THR）范围内的全部秒数： 数据 → 聚集体 → 在 "汇总数据" 窗下 "断裂变量：" 选择 受试者编号 和 环节 → 点击箭头 → 下 "变量摘要：" 选择 Diff_HR_THR_重编码 → 点击箭头 → 好的创建一个名为的新变量 Diff_HR_THR_重新编码的均值
    • 聚集体
    • /OUTFILE=* MODE=ADDVARIABLES
    • /BREAK=受试者编号 会话
    • /Diff_HR_THR_Recoded_mean=MEAN(Diff_HR_THR_Recoded)
  2. 将获得的数值转换为百分比；点击 转化 → 计算变量 → 下 "目标变量" 输入变量名称（例如 Perc_THR → 在……下方 "数值表达" 选择 Diff_HR_THR_重编码均值 → 点击箭头 → 将该数值乘以 100（Diff_HR_THR _recoded_mean * 100) → 好的。 然后，我们计算每位受试者在每次会话中处于目标心率区间（THR）内的时长百分比，以此作为依从性指标。参见 图13
    • 计算 Perc_THR = Diff_HR_THR_Recoded_均值 * 100。
    • 执行。
  3. 为了获得每位受试者在所有训练阶段中处于目标心率区间（THR）时间百分比的依从性数据， "汇总数据" 窗下 "自变量分组：" 替代 受试者编号 和 课程 仅 受试者编号参见 图14.
  4. 为获得所有受试者各次会话中在目标心率区间（THR）内所花费时间的百分比的平均依从性， "汇总数据" 窗下 "断裂变量：" 替代 受试者编号 和 环节 仅 会话.
  5. 将数据库另存为不同的文件名（例如. 第01组_受试者001-010_汇总).

结果

当实验方案正确执行时，可获得每位受试者在每次实验环节的依从率（图13），针对每位受试者的所有实验环节（图14），以及所有受试者在各次会话中的综合结果。完成单个受试者一次会话上述方案所需时间的估计值约为5 min。依从性结果的取值范围为0–100%。利用这些信息，可进一步开展分析以确定不同受试者之间的差异（即 性别差异，疾病严重程度 等等），以识别随时间的变化，并揭示依从性中的规律。此外，还可以进行组间依从性的比较；例如，可比较不同的运动训练方案。最后，通过进一步研究，可在肺康复（PR）的特定时间点识别出不依从的原因。

显示胸带用于生理数据追踪的心率监测仪示意图。
图 1. 心率发射器的放置位置。 点击此处查看大图。

运动表现图，骑行过程中心率、速度和摄氧量的数据分析。
图 2. 使用数据追踪软件采集的数据示例。 点击此处查看大图。

运动数据分析图表；骑行数据；列表：速度、卡路里、心率、VO2；性能指标。
图3. 数据追踪软件输出示例。 点击此处查看高清图像。

显示健身追踪研究中统计变量和指标的 SPSS 数据分析表。
图4. 展示统计软件数据库示例的样本数据库。 点击此处查看大图。

SPSS 软件中的统计数据分析表，显示各种变量和结果。
图 5. 演示剔除预热阶段的示例数据库。 点击此处查看高清图像。

SPSS 软件中的统计数据分析表，显示实验结果的各项指标。
图6. 示例数据库，说明已去除的冷却阶段。 点击此处查看大图。

SPSS 数据表；统计数据分析，表格化的学生实验结果，变量排序。
图 7. 示例数据库，展示为会话编号添加的列。 点击此处查看大图。

SPSS 数据分析；电子表格；变量检验；研究统计；IBM SPSS Statistics。
图 8. 示例数据库，展示单个参与者合并后的会话数据。点击此处查看高清图像。

SPSS 中的统计数据分析；变量表格；数据录入界面；实验结果。
图9. 示例数据库，展示为受试者编号添加的列。 点击此处查看高清图像。

SPSS 软件中的统计数据库，显示变量和参与者编号。
图 10. 示例数据库，展示为靶心率添加的列。 点击此处查看大图。

SPSS 数据分析电子表格，显示变量、数据行和统计结果。
图11. 合并参与者文件的示例数据库。 点击此处查看大图。

在 SPSS 中进行数据分析，显示用于健康指标评估的统计变量表。
图 12. 示例数据库，展示重新编码后的心率变量。 点击此处查看大图。

SPSS 数据分析表，显示计算出的各项指标和统计结果的统计软件界面。
图13. 示例数据库，展示每位受试者在每次训练会话中处于目标心率范围内的百分比时间，以此表示依从性（水平红线突出显示同一受试者在不同会话间依从性的变化）。点击此处查看高清图像。

SPSS 数据分析、统计表格、变量、研究、软件界面、数据处理。
图14. 示例数据库，展示每位受试者在所有训练阶段处于目标心率范围内的持续时间百分比依从性（水平红线突出显示受试者之间的差异）。点击此处查看高清图像。

讨论

连续数据追踪技术能够非常精确地测量运动依从性。通过将目标心率范围替换为目标功率、等级、速度或代谢当量（MET）水平，该方法可轻松适用于其他依从性定义。在本示例中，由于特定的研究目的，去除了热身和整理阶段，以单独分析运动阶段。如果其他研究者关注热身和整理阶段，可从方案中省略第2.3步（"去除非训练阶段"）。此外，该硬件和软件还可用于测量对其他训练模式的依从性，例如跑步机、椭圆机、踏步机和上肢功率车。

遵循上述方案时，某些简单步骤至关重要。首先，必须在启动运动设备之前运行CardioMemory软件例如. 功率自行车）以追踪并随后记录运动数据。若在此初始步骤中丢失数据，则需要相应调整数据提取方案。其次，必须尽量减少干扰源，以降低串扰和/或数据丢失的风险。心率监测器通过无线方式与设备和软件通信，因此，若使用目标心率来计算依从性，干扰的影响尤为严重。最后，必须选择具备处理大量数据能力的统计软件来建立数据库。例如，在一项包含10名受试者、每人完成36次、每次40分钟的实验中 每次将生成 864,000 行数据点。Excel 2007 及之后的版本可在工作表中容纳 1,048,576 行。23，而 SAS24 和 SPSS25 对行数没有限制。根据特定研究预计的总数据点数量，应相应地选择软件。

尽管该技术具有显著优势，但仍存在两个主要局限性。第一是数据丢失，可能由设备和/或软件故障引起。如上所述，数据丢失可能是由于无线设备（i.e. 手机或 Wi-Fi）的电磁干扰所致，更具体而言，是心率无线数据传输受到干扰。然而，有时数据丢失也可能源于无法识别的原因。第二个局限性在于，该软件未提供系统标记或划分运动方案的选项，因而无法区分或识别不同阶段。如果具备此功能，便可直接在软件中提取感兴趣的运动阶段，从而减少依从性计算流程中的操作步骤。此外，设置标记的功能对于研究间歇性或间断性训练方案的依从性也具有实用价值，因为它能够区分不同的运动阶段（e.g. 低强度与高强度）。

展望未来，利用连续数据追踪技术精确定量依从性，将使研究人员能够探究不同干预措施下的运动反应模式，识别依从性的影响因素，并表征高依从性与低依从性个体的特征。最终，对运动依从性的深入理解将有助于优化运动康复方案。

披露

作者声明不存在任何竞争性经济利益。

致谢

加拿大肺病协会 – 加拿大呼吸健康专业人员；魁北克健康研究基金会 (FRQS)

材料

本文使用的材料清单
姓名公司目录编号评论
骑行激发 Med 700Technogym - www.technogym.comSCIFIT (http://scifit.com/)
CardioMemory 软件 Technogym - www.technogym.com版本 1.0SCIFIT (http://scifit.com/)
Polar 心率监测器Polar - www.polarca.comT31 编码发射器 
SPSS 统计软件SPSS 公司 - www.spss.com/版本 16.0SAS/STAT 软件 (http://www.sas.com/)

参考文献

  1. Global Strategy for the Diagnosis, Management, and Prevention of Chronic Obstructive Pulmonary Disease [Internet]. Global Initiative for Chronic Obstructive Lung Disease (GOLD). , (2013).
  2. Celli, B. R., MacNee, W. Standards for the diagnosis and treatment of patients with COPD: a summary of the ATS/ERS position paper). Eur. Respir. J. 23 (6), 932-946 (2004).
  3. O'Donnell, D. E., et al. Canadian Thoracic Society recommendations for management of chronic obstructive pulmonary disease--2003. Can. Respir. J. 10 Suppl A, 11(2003).
  4. Lacasse, Y., Maltais, F., Goldstein, R. S. Pulmonary rehabilitation: an integral part of the long-term management of COPD. Swiss Med, Wkly. 134 (41-42), 601-605 (2004).
  5. Hui, K. P., Hewitt, A. B. A simple pulmonary rehabilitation program improves health outcomes and reduces hospital utilization in patients with COPD. Chest. 124 (1), 94-97 (2003).
  6. Lacasse, Y., et al. Pulmonary rehabilitation for chronic obstructive pulmonary disease. The Cochrane Database of Systematic Reviews. (4), (2001).
  7. Guell, R., et al. Long-term effects of outpatient rehabilitation of COPD: A randomized trial. Chest. 117 (4), 976-983 (2000).
  8. Hui, K. P., Hewitt, A. B. A simple pulmonary rehabilitation program improves health outcomes and reduces hospital utilization in patients with COPD. Chest. 124 (1), 94-97 (2003).
  9. Griffiths, T. L., et al. Results at 1 year of outpatient multidisciplinary pulmonary rehabilitation: a randomised controlled trial. Lancet. 355 (9201), 362-368 (2000).
  10. Young, P., Dewse, M., Fergusson, W., Kolbe, J. Improvements in outcomes for chronic obstructive pulmonary disease (COPD) attributable to a hospital-based respiratory rehabilitation programme. Aust. NZ J. Med. 29 (1), 59-65 (1999).
  11. Stewart, D. G., Drake, D. F., Robertson, C., Marwitz, J. H., Kreutzer, J. S., Cifu, D. X. Benefits of an inpatient pulmonary rehabilitation program: a prospective analysis. Arch. Phys. Med .Rehabil. 82 (3), 347-352 (2001).
  12. Bowen, J. B., Thrall, R. S., ZuWallack, R. L., Votto, J. J. Long-term benefits of short-stay inpatient pulmonary rehabilitation in severe chronic obstructive pulmonary disease. Monaldi Arch. Chest Dis. 54 (2), 189-192 (1999).
  13. Foglio, K., Bianchi, L., Ambrosino, N. Is it really useful to repeat outpatient pulmonaryrehabilitation programs in patients with chronic airway obstruction? A 2-year controlled study. Chest. 119 (6), 1696-1704 (2001).
  14. George, J., Kong, D. C. M., Stewart, K. Adherence to disease management programs in patients with COPD. International Journal of COPD. 2 (3), 253-262 (2007).
  15. Adherence to long-term therapies: evidence for action. Annex. 1, (2003).
  16. , Forthcoming.
  17. Hogg, L., Garrod, R., Thornton, H., McDonnell, L., Bellas, H. &, White, P. Effectiveness, attendance, and completion of an integrated, system-wide pulmonary rehabilitation service for COPD: prospective observational study. COPD. 9 (5), 546-554 (2012).
  18. Singh, S. J., Smith, D. L., Hyland, M. E., Morgan, M. D. L. A short outpatient pulmonary rehabilitation programme: immediate and longer term effects on exercise performance and quality of life. Respir. Med. 92, 1146-1154 (1998).
  19. Young, P., Dewse, M., Fergusson, W., Kolbe, J. Respiratory rehabilitation in chronic obstructive pulmonary disease: predictors of nonadherence. Eur. Respir. J. 13, 855-859 (1999).
  20. Brooks, D., et al. Characterization of pulmonary rehabilitation programs in Canada in. Can. Respir. J. 14 (2), 87-92 (2005).
  21. Fischer, M. J., Scharloo, M., et al. Drop-out and attendance in pulmonary rehabilitation: the role of clinical and psychosocial variables. Respir. Med. 103 (10), 1564-1571 Forthcoming.
  22. Sabit, R., et al. Predictors of poor attendance at an outpatient pulmonary rehabilitation programme. Respir. Med. 102 (6), 819-824 Forthcoming.
  23. Polar Wearlink + Transmitter [Internet]. USA: Nike + Support;. 15, Available from: http://support-en-us.nikeplus.com/app/answers/detail/a_id/20882/p/3169,3176 (2012).
  24. Office: Excel specifications and limits [Internet]. USA: Microsoft;. , Available from: http://office.microsoft.com/en-us/excel-help/excel-specifications-and-limits-HP010342495.aspx (2013).
  25. Droogendyk, H. Moving data and results between SAS and Mocrosoft Excel [Internet]. USA: SAS Global Forum. , Available from: http://support.sas.com/resources/papers/proceedings12/247-2012.pdf (2012).
  26. Raynald's SPSS Tools: FAQ [Internet]. Canada: Raynald Levesque; c2001-2004. , Available from: http://pages.infinit.net/rlevesqu/FAQ.htm#HowManyVariables (2004).

重印与许可

标签

心率监测有氧训练强度统计软件分析数据收集方案目标心率范围运动训练记录依从率计算
利用连续数据追踪技术研究肺康复中的运动依从性
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。