Methodenartikel

Echtzeit-Überwachung der Händedesinfektions- und Waschtechnik mittels Handgelenksarmbändern mit Bewegungssensoren und maschinellem Lernen

42 Aufrufe

⸱

DOI:

10.3791/71289

⸱

29. September 2026

 ,  ,  , 
1School of Nursing, Federal University of São Carlos (UFSCar), São Carlos, 2School of Engineering, São Paulo State University (UNESP), São João da Boa Vista

In diesem Artikel

Zusammenfassung

Dieses Protokoll beschreibt die synchronisierte Erfassung, Annotation und zeitliche Segmentierung von am Handgelenk getragenen IMU-Daten, um einen Referenzdatensatz zur Validierung der maschinellen Lernbewertung der dreistufigen Händehygiene-Technik zu erstellen. Beobachterbasierte Kennzeichnung und zeitliche Markersignale liefern reproduzierbare, stufenspezifische Annotationen, die die Entwicklung zukünftiger Echtzeit-Feedback-Systeme für medizinisches Fachpersonal durch Algorithmen zur Erfassung von Bewegungen mithilfe tragbarer Sensoren unterstützen.

Zusammenfassung

Das medizinische Fachpersonal (HCP) führt häufig nicht die empfohlenen Händehygiene-(HH-)Techniken durch, was die Infektionsprävention beeinträchtigt. Das vorgeschlagene Armbandgerät soll Antiseptika am Behandlungsort abgeben und gleichzeitig eine Echtzeit-Rückmeldung zur Durchführung der HH-Technik bereitstellen. Die Echtzeit-Rückmeldung wird von einem Algorithmus erzeugt, der handbewegungsbezogene Schritte anhand von Bewegungssensoren am Handgelenk klassifiziert. Dieser Algorithmus wird derzeit durch die Bewertung der simultanen Validität gegenüber einem Goldstandard validiert, einem geschulten Beobachter, der die HH-Technik beurteilt. Die vorliegende Studie konzentriert sich auf die Entwicklung und Validierung des Erfassungs- und Annotationssprotokolls, das für das Training des Algorithmus und die Bewertung der simultanen Validität vor der klinischen Echtzeitanwendung erforderlich ist. Das Protokoll beschreibt die synchronisierte Datenerfassung unter Verwendung eines zeitlich markierenden IMU-Sensors zur Begrenzung der Schrittgrenzen, wobei segmentierte Aufzeichnungen der Handgelenk-Sensoren mit vom Beobachter zugewiesenen Korrektheitslabels für jede Bewegung verknüpft werden. Die Modellentwicklung nutzt Architekturen für Sequenzmodelle, die eine dichte zeitliche Klassifizierung ermöglichen, und die Leistung wird anhand von bewegungsbezogenen Klassifizierungsmetriken (z. B. F1-Score) und Segmentüberlappungskriterien (z. B. Intersection-over-Union) quantifiziert, um sowohl die Korrektheitsentscheidungen als auch die Qualität der zeitlichen Segmentierung widerzuspiegeln. Sekundäre Endpunkte umfassen die Leistung der Antiseptikumabgabe, die Schnelligkeit und Benutzerfreundlichkeit der Rückmeldung sowie die Akzeptanz durch Anwender in klinischen Arbeitsabläufen. Daten, die von einer vielfältigen Stichprobe medizinischer Fachkräfte erhoben wurden, einschließlich mehrerer beobachteter Durchführungen pro Teilnehmer, werden Analysen zur simultanen Validierung unterstützen, um die Genauigkeit des Geräts und sein Potenzial zur Verbesserung bestehender HH-Programme und zur Verringerung nosokomialer Infektionen zu bestimmen.

Einleitung

Die Händehygiene (HH) ist die einfachste, wirksamste und kostengünstigste Strategie zur Verhinderung von nosokomialen Infektionen (HAIs), die als ein bedeutendes globales Problem der öffentlichen Gesundheit anerkannt sind1. Die Einhaltung dieser Maßnahme liegt jedoch weltweit weiterhin unter dem Idealwert2,3. In dieser Hinsicht müssen Programme zur Infektionskontrolle nicht nur die Compliance-Raten basierend auf den Gelegenheiten überwachen, sondern auch die Qualität der Händehygiene-(HH-)Technik, die das Befolgen der empfohlenen Schritte sowie die angemessene Einwirkdauer des Antiseptikums umfasst4.

Hinsichtlich der Technik empfiehlt die WHO die sechsstufige Desinfektionsmethode zur Händedesinfektion, um die Wirksamkeit sicherzustellen. Die Schritte lauten: (1) Reiben Sie die Handflächen mit einer rotierenden Bewegung aneinander; (2) Reiben Sie die Handfläche der rechten Hand gegen den Handrücken der linken Hand, wobei die Finger miteinander verschränkt sind; (3) Reiben Sie die Handflächen aneinander, wobei die Finger miteinander verschränkt sind; (4) Reiben Sie die Handrücken der Finger einer Hand in der Handfläche der gegenüberliegenden Hand entlang, wobei die Finger festgehalten und vor- und zurückbewegt werden, und umgekehrt; (5) Reiben Sie den rechten Daumen mit der linken Handfläche in kreisförmigen Bewegungen, und umgekehrt; (6) Reiben Sie die Fingerspitzen der linken Hand in der Handfläche der rechten Hand in kreisförmigen Bewegungen, und umgekehrt5,6.

Allerdings bleibt die Evidenz hinsichtlich der relativen Wirksamkeit und Durchführbarkeit der von der WHO empfohlenen Techniken unvollständig. Insbesondere bewertete eine aktuelle systematische Übersichtsarbeit die Wirksamkeit der sechsstufigen HH-Technik der WHO bei der Reduktion der bakteriellen Belastung auf den Händen von Angehörigen der Gesundheitsberufe und verglich sie mit alternativen Ansätzen, die in der internationalen Literatur beschrieben wurden. Obwohl die sechsstufige HH-Technik zu einer Verringerung der bakteriellen Belastung führte, kam die Übersichtsarbeit zu dem Schluss, dass die Evidenz zur Identifizierung der wirksamsten und praktikabelsten Technik noch nicht endgültig ist und dass die Forschung zu HH-Techniken eine verbesserte Standardisierung über verschiedene Studien hinweg erfordert7. Parallel dazu wurde die dreistufige HH-Technik von mehreren Autoren weltweit befürwortet. Ihre Schritte sind: (1) vollständige Bedeckung aller Handflächen; (2) rotationelles Reiben der Fingerspitzen abwechselnd auf der gegenüberliegenden Handfläche; und (3) rotationelles Reiben beider Daumen8,9,10. Die Schritte sind in Abbildung 1 dargestellt.

In Übereinstimmung mit diesen Entwicklungen quantifizierte eine randomisierte kontrollierte Studie die Händehygiene-Gelegenheiten auf 12 Krankenhausstationen in den USA (n = 2.923). Von diesen Gelegenheiten traten 1.516 (51,9 %) in der Interventionsgruppe auf, die eine Schulung in der 3-Schritt-Händehygiene-Technik erhielt9, und 1.407 (48,1 %) in der Kontrollgruppe, die eine konventionelle Schulung gemäß der WHO-6-Schritt-Händehygiene-Technik erhielt. Die Interventionsgruppe wies eine höhere Einhaltung der „WHO-Fünf-Momente“ und der 3-Schritt-Technik auf. Obwohl bei der primären mikrobiologischen Zielgröße keine signifikanten Unterschiede bei der Reduktion koloniebildender Einheiten gemeldet wurden (p = 0,029), war die beobachtete Händehygiene-Einhaltung in der Interventionsgruppe (51,7 %) im Vergleich zur Kontrollgruppe (12,7 %) deutlich höher.

Die dreistufige HH-Technik führte zu einer stärkeren log10-Reduktion der koloniebildenden Einheiten (Median 4,45, IQR 4,04–5,15) im Vergleich zur sechsstufigen Technik (Median 3,91, IQR 3,69–4,62; p = 0,021)8. Bemerkenswerterweise unterschieden sich die Reduktionen der Koloniezahlen zwischen beiden Techniken in beiden Studien nicht signifikant, und beide Studien stützen die Schlussfolgerung, dass die dreistufige Methode wirksam ist, wenn sie korrekt durchgeführt wird8,9.

Aufbauend auf diesen Erkenntnissen untersuchte die leitende Wissenschaftlerin zusammen mit ihrer Forschungsgruppe die Wirksamkeit der 3-Schritt-Händehygiene-Technik unter Gesundheitsfachkräften in einem Lehr- und Forschungskrankenhaus in der zentralwestlichen Region Brasiliens und wies diese nach. In dieser Studie zeigte die mikrobiologische Untersuchung der Hände der Teilnehmenden nach korrekter Durchführung der 3-Schritt-Technik über einen Zeitraum von 15 s kein Wachstum potenziell pathogener Mikroorganismen. Diese Ergebnisse belegen die Wirksamkeit der Technik11,12.

Angesichts der oben beschriebenen globalen Probleme konzentriert sich die vorliegende Studie auf die Entwicklung eines technologischen Produkts im Bereich der Händehygiene, das darauf abzielt, die Einhaltung der Hygienevorschriften durch medizinisches Fachpersonal zu verbessern, indem ein Armband eingesetzt wird, das auf verbale Anweisung am Behandlungsort Desinfektionsmittel abgibt und Rückmeldungen über die Qualität der durchgeführten Händedesinfektionstechnik liefert (Abbildung 2). Das Armband verfügt über ein Display, das leicht vom Vorratsbehälter getrennt werden kann, sodass der Behälterteil bei Bedarf einer Hochgradigen Desinfektion unterzogen werden kann. Es wird außerdem darauf hingewiesen, dass der hier vorgestellte Ansatz derzeit im Rahmen eines Gebrauchsmusterantrags (Patentprivileg) unter der Nummer BR 20 2022 001267 4 beim Brasilianischen Nationalinstitut für Industrie-Eigentum (INPI) eingereicht ist. Daher ist es unerlässlich, den Algorithmus des Armbands zu validieren, um sicherzustellen, dass es eine zuverlässige und gültige Bewertung der drei Schritte der Händedesinfektion ermöglicht und korrekte von inkorrekten Ausführungen der Technik genau unterscheiden kann. Die Kriteriumsvalidität bezieht sich auf die Fähigkeit einer Methode, mit anderen Messungen übereinzustimmen, die erhoben werden, um dasselbe Konzept zu untersuchen. Die Kriteriumsvalidität versucht zu bewerten, wie genau ein neues Messverfahren ein bereits validiertes Konzept oder Kriterium vorhersagen kann13.

Die kriteriumsbezogene Validität beschreibt, inwieweit ein Messverfahren mit anderen Verfahren übereinstimmt, die ebenfalls darauf abzielen, denselben zugrundeliegenden Konstrukt zu erfassen. In diesem Rahmen wird sie verwendet, um zu prüfen, ob ein neues Instrument mit einem etablierten, bereits validierten und zuverlässigen Referenzstandard (Kriterium) übereinstimmt. Die kriteriumsbezogene Validierung erfordert (1) die Auswahl eines geeigneten und inhaltlich relevanten Kriteriums sowie (2) die unabhängige Überprüfung der Gültigkeit des Kriteriums14. Wenn der Referenzstandard zeitgleich mit dem zu evaluierenden Instrument erhoben wird, spricht man in der Regel von konkurrenter Validität; wird der Referenzstandard zu einem späteren Zeitpunkt gemessen, wird von prädiktiver Validität gesprochen; diese Unterscheidung kann auch durch den beabsichtigten Einsatz des Assessments geleitet sein15.

Dementsprechend kann die Übereinstimmungsstärke zwischen dem Instrument und einer externen Goldstandard-Messung durch statistische Analyse bewertet werden. Eine solche Analyse quantifiziert typischerweise die Assoziation oder Übereinstimmung zwischen dem untersuchten Instrument und dem externen Kriterium (Goldstandard) unter Verwendung geeigneter Maße für Assoziation oder Konkordanz14.

Für den spezifischen Konstrukt der Compliance zur Händehygiene (HH) gilt die direkte Beobachtung, die durch systematische Erfassung von HH-Gelegenheiten und Bewertung der Technikqualität durch geschulte Beobachter erfolgt, als Goldstandard für die Kriterienbewertung16 und wird von der Weltgesundheitsorganisation (WHO) ausdrücklich empfohlen5.

In dieser Arbeit fungierte die Versuchsanleiterin als geschulte Beobachterin zur Bewertung der HH-Technik der Teilnehmer. Die leitende Versuchsanleiterin ist eine anerkannte Expertin auf dem Gebiet der Prävention und Bekämpfung von nosokomialen Infektionen mit besonderem Fachwissen in der Einhaltung der WHO-Fünf-Momente-für-die-Händehygiene5.

Um eine objektive, schrittweise Bewertung der Technikausführung zu ermöglichen, kombiniert die vorliegende Studie eine Beobachtungsbewertung nach Goldstandard mit inertialen Sensoren am Handgelenk und einem systematischen Verfahren zur zeitlichen Abgrenzung jedes Schritts. Die Schrittgrenzen werden während der Datenaufnahme mithilfe eines dedizierten zeitlichen Markierungs-IMU bestimmt, das von einem beteiligten Forscher bedient wird, welcher den Beginn oder das Ende eines Schritts sowie Übergänge zwischen Schritten durch kurze Tippevents kennzeichnet. Diese Tippevents werden anschließend mit einer Python-Peak-Detection-Pipeline detektiert und zur Segmentierung der Handgelenk-IMU-Aufzeichnungen in Instanzen von Schritt 1, Schritt 2 und Schritt 3 verwendet. Die resultierenden, in Schritte unterteilten Signale werden dann mit binären Korrektheitslabels, die von Beobachtern auf Bewegungsebene vergeben wurden (korrekt oder inkorrekt), verknüpft. Dieser Ansatz ermöglicht die Modellierung der HH-Technikbewertung als dichte Zeitreihenlabeling-Aufgabe, gefolgt von einer Klassifizierung auf Schrittebene.

Auf Transformatoren basierende Sequenzmodelle eignen sich besonders für diese Problemformulierung, da die Selbst-Attention zeitliche Abhängigkeiten in Signalen von tragbaren Sensoren darstellen kann und sequenz-zu-sequenz-Vorhersagen ermöglicht, wenn überwachende Labels mit feiner zeitlicher Auflösung definiert sind17. Die Modellleistung wird mithilfe von klassifizierungsbasierten Metriken auf Bewegungsebene (z. B. F1-Score) zusammen mit Überlappungskriterien auf Segmentebene (z. B. Intersection-over-Union) quantifiziert, wodurch sowohl (i) die Korrektheit der Technikentscheidungen als auch (ii) die Qualität der zeitlichen Segmentierung erfasst wird.

Obwohl das endgültige Ziel des vorgeschlagenen Systems darin besteht, während der Händehygiene in klinischen Umgebungen automatisiert Echtzeit-Feedback bereitzustellen, konzentriert sich die vorliegende Studie auf die Erfassung, Annotation und zeitliche Segmentierung, die zur Erstellung des Referenzdatensatzes für das anschließende Training und die Validierung von Algorithmen erforderlich sind. Das Hauptziel dieser Arbeit ist daher die Entwicklung und Validierung eines reproduzierbaren Protokolls zur Erfassung synchronisierter Daten von Inertialsensoren und beobachtergenerierter Annotationen, die als Ground-Truth-Basis für zukünftige Entwicklungen im Bereich maschinelles Lernen dienen können.

Die Datenerhebung erfolgte an der Fakultät für Ingenieurwesen, Campus São João da Boa Vista, der Universität des Bundesstaates São Paulo (UNESP). Es nahmen fünfzig Berufstätige (n = 50) teil: Studierende (n = 20), Fakultätsmitglieder (n = 18), technisches Verwaltungspersonal (n = 10) und Arbeiter im allgemeinen Dienst (n = 2). Der endgültige Datensatz umfasste 1.500 Ausführungen der 3-Schritt-HH-Technik. Die Teilnehmenden erhielten die Anweisung, die 3-Schritt-HH-Technik in drei unterschiedlichen Szenarien durchzuführen, die vom leitenden Forscher vorgegeben wurden, der als Goldstandard-Beurteiler für die korrekte Ausführung fungierte.

Vor der Datensammlung wurden potenzielle Teilnehmer zur Teilnahme eingeladen und erhielten eine detaillierte Erklärung zu den Studienzielen und -verfahren. Die Rekrutierung der Teilnehmer erfolgte aus der Gemeinschaft der FESJ/UNESP, einschließlich Bachelor- und Masterstudierender, Fakultätsmitglieder, Verwaltungspersonal und allgemeines Servicepersonal. Teilnahmeberechtigt waren Erwachsene (≥18 Jahre), die in der Lage waren, das Verfahren zur Händehygiene zu verstehen und durchzuführen, sowie die vor der Teilnahme ihre schriftliche, informierte Einwilligung erteilten.

Nach Erhalt der schriftlichen Einwilligung befestigte eine wissenschaftliche Hilfskraft aus dem Fachbereich Elektrotechnik einen Bewegungserfassungssensor am bevorzugten Handgelenk des Teilnehmers (rechts oder links). Während des gesamten Datenerfassungsprozesses war der beteiligte Forscher anwesend, um technische Unterstützung zu leisten, einschließlich der Sicherstellung einer zuverlässigen Signalübertragung und der Überwachung von Signalvariabilitäten.

Protokoll

Dieses experimentelle Protokoll wurde von dem institutionellen Forschungsethik-Komitee des Universitätsklinikums genehmigt. Die Teilnehmer, die einer Teilnahme zugestimmt haben, wurden gebeten, das Einwilligungsformular gemäß der Resolution Nr. 466/2012 des brasilianischen Nationalen Gesundheitsrates zu unterschreiben18. Die verwendeten Reagenzien und Geräte sind in der Tabelle der Materialien aufgelistet.

1. Vorbereitung der Umgebung zur Datensammlung

  1. Stellen Sie einen Laptop, ein auf einem Halter befestigtes Smartphone und einen Stuhl vor den Versuchsassistenten.
  2. Stellen Sie einen Laptop und einen Stuhl vor den geschulten Beobachter.
  3. Stellen Sie einen Hocker neben den geschulten Beobachter und platzieren Sie das zeitliche Markierungssensor (IMU) darauf, sodass es leicht erreichbar ist.
  4. Befestigen Sie das zeitliche Markierungssensor (IMU) mit Klebeband an der Oberfläche des Hockers.
  5. Stellen Sie eine Flasche alkoholisches Händedesinfektionsmittel, Feuchttücher, Feuchtigkeitscreme, das am Handgelenk getragene IMU und eine Stoppuhr auf die Arbeitsfläche vor dem Teilnehmer.
  6. Platzieren Sie einen Abfalleimer neben dem Teilnehmer.

2. Überprüfung der Anwendungsverbindung (durch die wissenschaftliche Hilfskraft)

  1. Stellen Sie sicher, dass der Akkustand des Smartphones über 80 % bleibt.
  2. Stellen Sie sicher, dass das am Handgelenk getragene IMU vollständig aufgeladen ist.
  3. Stellen Sie sicher, dass das zeitliche Markierung erfassende IMU vollständig aufgeladen ist.
  4. Stellen Sie sicher, dass die Anwendung „Stay Awake“ aktiv ist.
  5. Starten Sie die am Biomedical Signals Laboratory (LSBio/UFSCar) entwickelte Anwendung BSL Capture und warten Sie, bis die Bluetooth-Gerätesuche abgeschlossen ist.
  6. Überprüfen Sie, ob beide IMUs in der Liste der verfügbaren Geräte auf dem Hauptbildschirm erscheinen.
  7. Bestätigen Sie, dass der Verbindungsstatus beider IMUs als „Connected“ angezeigt wird und dass die Echtzeit-Sensordaten kontinuierlich aktualisiert werden, bevor die Datenaufnahme beginnt.
  8. Stellen Sie sicher, dass der gesamte in Abbildung 3 dargestellte Ablauf für Datenaufnahme und -verarbeitung funktionsfähig ist, bevor die Aufnahme der Probandendaten beginnt.
  9. Vor Beginn der Datenaufnahme überprüfen Sie, ob beide tragbaren IMUs (WitMotion WT901BLECL) mit der werkseitigen Standardkonfiguration betrieben werden, wobei kontinuierlich dreidimensionale Beschleunigungs- und Gyroskopsignale aufgezeichnet werden, mit einem Beschleunigungsmessbereich von ±6 g, einem Gyroskopmessbereich von ±2000 °/s und einer effektiven Abtastrate von etwa 25 Hz. Während der Datenaufnahme werden keine zusätzlichen hardwareseitigen Filter angewendet.

3. Vorbereitung des geschulten Beobachters

  1. Stellen Sie sicher, dass jede Versuchsperson die drei Phasen der Datenerhebung einzeln absolviert, wobei während der Signalerfassung keine weitere Versuchsperson im Raum anwesend ist.
  2. Weisen Sie jeder Versuchsperson eine einzige geschulte Beobachterin oder einen geschulten Beobachter zu, die oder der die Versuchsperson anleitet und überwacht.
  3. Tragen Sie die Klassifizierung jedes Schritts der dreistufigen HH-Technik in eine dedizierte Tabellenkalkulation ein.
  4. Stellen Sie sicher, dass die geschulte Beobachterin oder der geschulte Beobachter freie Sicht auf die HH-Technik der Versuchsperson sowie bequemen Zugriff auf das zeitliche Markierungssystem (IMU) hat.
  5. Bewerten Sie jeden Schritt der Handhygientechnik gemäß dem standardisierten dreistufigen Handhygieneprotokoll9. Klassifizieren Sie jeden Schritt gemäß der vorab festgelegten Bewertungskriterien als korrekt oder inkorrekt.
    HINWEIS: Die Tabellenkalkulation ist so strukturiert, dass die Versuchspersonen-ID, die Nummer der HH-Technik-Durchführung (1–10 für jede der drei Phasen der Datenerhebung) sowie die Klassifizierung der Schritte 1, 2 und 3 der HH-Technik erfasst werden. Tragen Sie für jeden Schritt ein, ob er korrekt oder inkorrekt ausgeführt wurde.

4. Vorbereitung der Versuchsperson (durch die Versuchshilfe)

  1. Lassen Sie die Versuchsperson auf einem Stuhl Platz nehmen, der zur vorbereiteten Arbeitsbank ausgerichtet ist.
  2. Weisen Sie die Versuchsperson an, beide Unterarme auf die Bank zu legen.
  3. Bitten Sie die Versuchsperson, das bevorzugte Handgelenk für die Befestigung des am Handgelenk getragenen IMU auszuwählen.
  4. Befestigen Sie den am Handgelenk getragenen IMU mit dem Klettband am gewählten Handgelenk der Versuchsperson, und stellen Sie sicher, dass er sicher und stabil sitzt, ohne Unbehagen zu verursachen.
  5. Platzieren Sie eine sichtbare Stoppuhr oder einen digitalen Timer auf der Bank, sodass die Versuchsperson ihn gut im Blick hat.
  6. Führen Sie alle Datenaufnahmesitzungen im selben Labor unter konstantem künstlichen Licht und bei laufender Klimaanlage während der gesamten Versuchsdurchführung durch, um konsistente Umgebungsbedingungen zu gewährleisten.

5. Datenerhebungs- und Aufzeichnungsverfahren (durch den geschulten Beobachter)

HINWEIS: Eine Übersicht über den vollständigen Workflow zur Datenerfassung ist in Abbildung 4 dargestellt. Das Protokoll besteht aus drei aufeinanderfolgenden Erhebungsphasen: (1) verbale Anweisung, (2) Demonstration der korrekten Technik und (3) Durchführung vordefinierter Fehlermuster. In jeder Phase führen die Teilnehmer 10 Wiederholungen der dreistufigen Händehygiene-Technik durch. Während aller Phasen bewertet der geschulte Beobachter die Korrektheit jedes Schritts und erzeugt zeitliche Markierungen mithilfe des IMU für zeitliche Markierungen, um die anschließende Signalsegmentierung und Annotation des resultierenden Datensatzes zu unterstützen. Abbildung 3 fasst den gesamten Workflow zur Datenerfassung, -verarbeitung, -segmentierung und zur Generierung des Datensatzes zusammen.

  1. Erste Phase der Datenerhebung
    1. Beschreiben Sie jeden Schritt der dreistufigen HH-Technik mündlich für den Teilnehmer (Abbildung 1).
    2. Sagen Sie ausdrücklich: „Führen Sie jeden der drei Schritte mindestens 5 s lang durch, sodass die vollständige Technik insgesamt mindestens 15 s dauert.“
    3. Weisen Sie den Teilnehmer an, die vor ihm positionierte Stoppuhr zu überwachen.
    4. Weisen Sie den Teilnehmer an, die dreistufige HH-Technik 10-mal durchzuführen, wobei zwischen jeder vollständigen HH-Technik eine Ruhepause eingelegt wird.
    5. Berühren Sie das zeitgebende IMU unmittelbar nach Abschluss jedes HH-Schritts einmal, um eine zeitliche Referenz zu erzeugen, die während des Segmentierungsprozesses verwendet wird.
    6. Stellen Sie sicher, dass der geschulte Beobachter die Qualität jedes ausgeführten HH-Schritts sorgfältig bewertet und diese in der Tabellenkalkulation als korrekt oder inkorrekt dokumentiert.
    7. Erinnern Sie den Teilnehmer bei der fünften Ausführung der dreistufigen HH-Technik daran, jeden Schritt mindestens 5 s lang durchzuführen.
    8. Überwachen Sie die Echtzeitsignalanzeige in der Smartphone-Anwendung und stellen Sie sicher, dass Datenpakete während der gesamten Aufnahme kontinuierlich von beiden IMUs empfangen werden. Falls Paketverlust, Sensorabkoppelung oder schlechte Signalqualität festgestellt werden, unterbrechen Sie die Aufnahme, stellen Sie bei Bedarf die Bluetooth-Verbindung wieder her und wiederholen Sie die Datenaufnahme, um eine vollständige und zuverlässige Signalaufzeichnung sicherzustellen.
  2. Zweite Phase der Datenerhebung
    1. Stellen Sie sicher, dass der geschulte Beobachter die korrekte Durchführung der dreistufigen HH-Technik demonstriert (Abbildung 1).
      1. Stellen Sie sicher, dass der geschulte Beobachter jeden Schritt langsam und für den Teilnehmer gut sichtbar demonstriert und einzelne Schritte bei Bedarf so oft wiederholt, bis der Teilnehmer Verständnis signalisiert.
      2. Stellen Sie sicher, dass der geschulte Beobachter während der Demonstration kritische Kontaktstellen und häufige Fehler aufzeigt.
    2. Sagen Sie ausdrücklich: „Führen Sie jeden der drei Schritte mindestens 5 s lang durch, sodass die vollständige Technik insgesamt mindestens 15 s dauert, und orientieren Sie sich dabei an der praktischen Demonstration durch den geschulten Beobachter.“
    3. Weisen Sie den Teilnehmer an, 10 Wiederholungen der dreistufigen HH-Technik durchzuführen.
    4. Bewerten Sie die Korrektheit jedes Schritts der dreistufigen HH-Technik.
    5. Erzeugen Sie zeitliche Markierungen mithilfe des zeitgebenden IMU nach jedem HH-Schritt.
    6. Überwachen Sie die Echtzeitsignalübertragung während der gesamten Aufnahmesitzung. Falls Paketverlust, Sensorabkoppelung oder schlechte Signalqualität festgestellt werden, unterbrechen Sie die Aufnahme und wiederholen Sie die Datenaufnahme, nachdem die normale Signalübertragung wiederhergestellt wurde.
  3. Dritte Phase der Datenerhebung
    1. Stellen Sie sicher, dass der geschulte Beobachter das vom Teilnehmer auszuführende Fehlermuster demonstriert.
    2. Stellen Sie sicher, dass der geschulte Beobachter nacheinander Fehlermuster 1, 2, 3 und 4 anwendet.
      1. Weisen Sie die Fehlermuster 1–4 nacheinander aufeinanderfolgenden Teilnehmern zu und wiederholen Sie den Zyklus nach Teilnehmer 4.
    3. Stellen Sie sicher, dass der geschulte Beobachter die Fehlermuster demonstriert, die wie folgt definiert sind:
      1. Fehlermuster 1: Bei Schritt 1 werden nur die Handflächen bedeckt, die übrigen Handflächenbereiche hingegen ausgelassen. Bei Schritt 2 werden die Fingerspitzen gerieben, wobei die Daumen ausgeschlossen bleiben. Bei Schritt 3 werden die Daumen vorwärts und rückwärts bewegt, ohne rotationelles Reiben.
      2. Fehlermuster 2: Bei Schritt 1 wird die Rückseite der linken Hand nicht bedeckt. Bei Schritt 2 werden nur die Fingerspitzen des Zeige-, Mittel- und Ringfingers gerieben, während die Kleinfinger und Daumen ausgeschlossen bleiben. Bei Schritt 3 wird nur ein teilweises rotationelles Reiben der Daumen durchgeführt.
      3. Fehlermuster 3: Bei Schritt 1 wird die Rückseite der rechten Hand nicht bedeckt. Bei Schritt 2 werden nur die Fingerspitzen der rechten Hand gerieben. Bei Schritt 3 wird nur der rechte Daumen rotationell gerieben.
      4. Fehlermuster 4: Bei Schritt 1 werden nur die Handflächen bedeckt. Bei Schritt 2 werden die Fingerspitzen mit einem umgekehrten oder inkorrekten Bewegungsmuster gerieben. Bei Schritt 3 wird nur der linke Daumen rotationell gerieben.
    4. „Führen Sie jeden der drei Schritte mindestens 5 s lang durch, sodass die vollständige Technik insgesamt mindestens 15 s dauert, und orientieren Sie sich dabei an der praktischen Demonstration durch den geschulten Beobachter.“
    5. Weisen Sie den Teilnehmer an, 10 Wiederholungen der dreistufigen HH-Technik durchzuführen.
    6. Bewerten Sie die Korrektheit jedes Schritts der dreistufigen HH-Technik.
    7. Erzeugen Sie zeitliche Markierungen mithilfe des zeitgebenden IMU nach jedem HH-Schritt.
    8. Überwachen Sie die Echtzeitsignalübertragung während der gesamten Aufnahmesitzung. Falls Paketverlust, Sensorabkoppelung oder schlechte Signalqualität festgestellt werden, unterbrechen Sie die Aufnahme und wiederholen Sie die Datenaufnahme, nachdem die normale Signalübertragung wiederhergestellt wurde.
  4. Entfernen Sie das am Handgelenk getragene IMU vorsichtig vom Handgelenk des Teilnehmers.
  5. Wischen Sie überschüssiges alkoholisches Händedesinfektionsmittel mit Papiertüchern ab.
  6. Reinigen Sie die Arbeitsfläche und entsorgen Sie die verwendeten Papiertücher im Abfallbehälter.
  7. Bieten Sie Feuchtigkeitscreme an, falls der Teilnehmer dies wünscht oder Bedarf angibt.
  8. Danken Sie dem Teilnehmer für seinen Beitrag.

Ergebnisse

Das klinische Protokoll zur Datenerhebung wurde wie geplant umgesetzt, und Trägheitsdaten von am Handgelenk getragenen Sensoren wurden erfolgreich von allen eingeschriebenen Teilnehmern während aller geplanten HH-Durchführungen erfasst. Der resultierende Datensatz umfasste 50 Teilnehmer und 1.500 vollständige Ausführungen der dreistufigen HH-Technik (30 Ausführungen pro Teilnehmer). Bei Zerlegung in je drei geordnete Schritte pro Durchführung ergaben diese Daten insgesamt 4.500 Bewegungssegmente.

Durchführung der klinischen Untersuchung

Jeder Teilnehmer führte drei aufeinanderfolgende Blöcke mit jeweils 10 HH-Ausführungen durch (insgesamt 30 Ausführungen pro Teilnehmer), wobei jede HH-Ausführung aus den drei definierten, geordneten Schritten der Dreischritt-Technik bestand. Der erste Block wurde nach einer mündlichen Erklärung der korrekten Bewegungen durchgeführt; der zweite Block nach mündlicher Erklärung und visueller Demonstration der korrekten Bewegungen; und der dritte Block nach Demonstration inkorrekter Bewegungen, die häufige Fehlermuster widerspiegeln, wie sie in der gesundheitlichen Praxis beobachtet werden. Für den Block mit falschen Bewegungen wurden vier vordefinierte Fehlertypen verwendet und mithilfe eines ausgewogenen Verteilungsschemas (d. h. zyklische Zuweisung der Muster auf aufeinanderfolgende Teilnehmer) auf die Teilnehmer verteilt, um eine vergleichbare Repräsentation jedes Fehlertyps auf Kohortenebene sicherzustellen.

Alle 50 Teilnehmer schlossen die drei Erwerbsphasen erfolgreich ab, was 1.500 vollständige Ausführungen der dreistufigen HH-Technik ergab. Während der Datensammlung bewertete der geschulte Beobachter jede Ausführung und dokumentierte die Korrektheit von Schritt 1, Schritt 2 und Schritt 3 gemäß den vorab festgelegten Bewertungskriterien. Gleichzeitig wurden mithilfe des zusätzlichen IMU zeitliche Marker erzeugt, um die Übergänge zwischen aufeinanderfolgenden HH-Schritten anzugeben. Dieses Vorgehen erzeugte einen vollständigen Satz beobachterbasierter Annotationen und zeitlicher Referenzen für alle aufgezeichneten Ausführungen, wodurch eine anschließende Segmentierung und Datensatzerstellung ermöglicht wurde.

Zeitliche Schrittabgrenzung

Alle Sitzungen wurden von einem beteiligten Forscher begleitet, der für die Erstellung einer externen zeitlichen Referenz für die Schrittgrenzen verantwortlich war. Diese Referenz wurde mithilfe eines zweiten IMU generiert, das speziell für die Annotation verwendet wurde und per Hand leicht angeklopft wurde, um den Beginn und das Ende jedes Schritts – einschließlich der Übergänge zwischen aufeinanderfolgenden Schritten – anzugeben. Diese Klopfereignisse erzeugten ein zeitlich kodiertes Markersignal, das anschließend dazu diente, für jede HH-Ausführung den zeitlichen Umfang von Schritt 1, Schritt 2 und Schritt 3 abzugrenzen.

Zeitliche Marker wurden erfolgreich für alle aufgezeichneten HH-Ausführungen generiert. Die durch Klopfen ausgelösten Ereignisse erzeugten deutliche Peaks im zusätzlichen IMU-Signal, wodurch die Übergänge zwischen Schritt 1, Schritt 2 und Schritt 3 eindeutig identifiziert werden konnten. Diese zeitlichen Referenzen lieferten einen reproduzierbaren Mechanismus zur Synchronisierung der Beobachterannotationen mit den Aufzeichnungen des am Handgelenk getragenen IMU-Sensors und bildeten die Grundlage für die anschließende Signalsegmentierung.

Signalverarbeitung und Segmentierung

Ein auf Python basierter Algorithmus wurde entwickelt, um den zeitlichen Marker-Strom der IMU zu verarbeiten, einschließlich Filteroperationen und einer Peak-Erkennungslogik, um die durch Tippen ausgelösten Ereignisse zuverlässig zu identifizieren. Die Signalverarbeitung erfolgte mithilfe eines benutzerdefinierten Python-Skripts, das in der Spyder-IDE-Version 6.0.5 mit Python 3.9.19 (Anaconda-Distribution, Windows 11) implementiert war. Die IMU-Signale wurden aus getrennten Textdateien in Python importiert, wobei eine automatische Trennzeichenerkennung und eine lokalitätsbezogene numerische Analyse verwendet wurden, um den Gyroskop-Drehgeschwindigkeitskanal, der mit 25 Hz aufgezeichnet wurde, wiederherzustellen. Das Signal wurde gleichgerichtet und mit einem eindimensionalen Gaußschen Kern (σ ≈ 60 ms) geglättet, um hochfrequentes Rauschen zu dämpfen, während die zeitliche Hülle erhalten blieb. Anschließend wurden diskrete Ereignisse durch ein automatisiertes Peak-Erkennungsverfahren identifiziert, das durch minimale Prominenz (5 % der maximalen Amplitude), minimale Peak-Abstände und minimale Peak-Breite eingeschränkt war. Die erkannten Peaks wurden danach als zeitliche Referenzen zur Segmentierung der am Handgelenk getragenen IMU-Aufzeichnungen in Bewegungsinstanzen von Schritt 1, Schritt 2 und Schritt 3 verwendet, wodurch ein schrittweise aufgelöster Datensatz mit 1.500 Ausführungen (4.500 segmentierte Schrittinstanzen) entstand.

Abbildung 5 veranschaulicht das zeitliche Segmentierungsverfahren für drei aufeinanderfolgende HH-Ausführungen (insgesamt neun Schritte) und zeigt das gefilterte, auf Täppen basierende zeitliche Markersignal des IMU-Geräts, die entsprechenden detektierten Peaks, die als Schritt-Grenzereignisse verwendet werden, sowie das synchronisierte, am Handgelenk getragene IMU-Signal, das während der HH-Ausführung aufgezeichnet wurde. Der gesamte Arbeitsablauf von der Datenerfassung bis zur Erstellung des annotierten, schrittbezogenen Datensatzes ist in Abbildung 3 zusammengefasst.

Das Segmentierungsverfahren wurde erfolgreich auf alle aufgezeichneten HH-Ausführungen angewendet. Die erfassten zeitlichen Markereignisse ermöglichten eine zuverlässige Identifizierung der Schrittgrenzen und anschließend die Segmentierung der kontinuierlichen, am Handgelenk aufgezeichneten IMU-Daten in Instanzen von Schritt 1, Schritt 2 und Schritt 3. Der resultierende Datensatz wurde mit beobachtergenerierten Annotationen für jede Bewegungsinstanz verknüpft, wodurch die Referenzlabels bereitgestellt wurden, die für das anschließende Training und die Validierung des Algorithmus erforderlich sind. Abbildung 5 veranschaulicht die Übereinstimmung zwischen den zeitlichen Markereignissen, den erfassten Peaks und den resultierenden Bewegungsgrenzen und zeigt damit die erfolgreiche Umsetzung des vorgeschlagenen Erfassungs- und Segmentierungsprotokolls.

Ergebnissatz und anschließende Anwendbarkeit

Der resultierende Datensatz bündelt korrekte und gezielt inkorrekte Durchführungen der drei HH-Schritte unter drei Aufnahmebedingungen (mündliche Anweisung, mündliche plus visuelle Demonstration und instruierte Fehlermuster), wobei die zeitlichen Grenzen auf Schrittebene durch das zusätzliche IMU-Markersignal bereitgestellt werden. Dieser Datensatz ermöglicht die Entwicklung und Evaluierung schrittbasierter Klassifikationsmodelle, die tragbare IMU-Daten nutzen, mit dem langfristigen praktischen Ziel, Echtzeit-Feedback für medizinisches Fachpersonal während der HH-Durchführung in klinischen Umgebungen bereitzustellen. Alle Schlussfolgerungen beschränken sich darauf, die Machbarkeit des Protokolls sowie die erfolgreiche Erstellung eines großen, schrittweise segmentierten Datensatzes nachzuweisen, der für nachfolgende algorithmische Modellierungen geeignet ist.

figure-results-1
Abbildung 1: Veranschaulichung der dreistufigen Technik der Händehygiene (HH). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-2
Abbildung 2: Prototyp des am Handgelenk getragenen Geräts zur Überwachung der Händehygiene. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-3
Abbildung 3: Arbeitsablauf für Datenerfassung, -verarbeitung und Segmentierung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-4
Abbildung 4: Schematische Darstellung des vorgeschlagenen Verfahrens. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-5
Abbildung 5: Erkennung von Schrittgrenzen und Segmentierung von drei aufeinanderfolgenden dreistufigen Händehygieneanwendungen. Das von einem Teilnehmer aufgezeichnete Signal der am Handgelenk getragenen Trägheitsmesseinheit (IMU) ist in blau dargestellt, das gefilterte, auf Täppen basierende zeitliche Markersignal der IMU ist in orange dargestellt. Die zur Identifizierung von Übergängen zwischen den Händehygiene-Schritten verwendeten, durch Klopfen verursachten Peaks sind durch rote Kreise gekennzeichnet. Die einzelnen Schritte innerhalb jeder Händehygieneanwendung sind mit 1, 2 und 3 beschriftet. Zur Veranschaulichung werden neun aufeinanderfolgende Schritte (drei vollständige Händehygieneanwendungen) gezeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Diskussion

Diese Studie befasst sich mit der Kriteriumsvalidität für die schrittweise Bewertung der HH-Technik, indem ein Beobachtungsverfahren nach Goldstandard mit tragbaren inertialen Sensoren und einer reproduzierbaren zeitlichen Segmentierungsstrategie kombiniert wird. Die anschließende Diskussion interpretiert die methodischen Entscheidungen und skizziert die erwarteten wissenschaftlichen Beiträge, wobei Konsistenz mit dem Untersuchungsumfang sowie mit den Ergebnissen aus der Protokolldurchführung und Datensatzkonstruktion gewahrt bleibt.

Interpretation und Beitrag

Ein wesentlicher Beitrag besteht darin, die Machbarkeit der Erstellung eines schrittweise aufgelösten Datensatzes mit tragbaren Sensoren für die dreistufige HH-Technik unter kontrollierten Bedingungen zu demonstrieren, die sowohl korrekte Ausführungen als auch repräsentative fehlerhafte Muster umfassen. Die Größe des Datensatzes (50 Teilnehmer, 1.500 vollständige HH-Durchführungen, 4.500 Schrittabschnitte) ermöglicht die Entwicklung und Bewertung von Modellen auf der Ebene einzelner Bewegungen (Schritte), anstatt HH als eine einzige, undifferenzierte Aktivität zu betrachten.

Indem die Erhebungen explizit in drei Abschnitte unterteilt werden (mündliche Anleitung, mündliche Anleitung plus visuelle Demonstration und Anleitung zu fehlerhaften Mustern), schafft die Studie eine fundierte Grundlage dafür, zu analysieren, wie der instruktionale Kontext und die Induktion von Fehlern die kinematischen Abläufe auf Ebene einzelner Schritte sowie die anschließende algorithmische Diskriminierung beeinflussen19.

Methodische Überlegungen

Die Verwendung eines zweiten IMU als externer zeitlicher Marker mit tapperbasierten Hinweisen an den Schrittgrenzen bietet einen Mechanismus zur Schrittabgrenzung, der nicht auf einer nachträglichen, subjektiven, nur video­basierten Analyse beruht. Der anschließende Peak-Erkennungs- und Segmentierungsalgorithmus, der in Python implementiert ist, nutzt diese Grenz­signale für eine konsistente Verarbeitungskette, die für eine dichte zeitliche Kennzeichnung und die klassifizierung der korrekten Ausführung auf Schrittebene unerlässlich ist.

Die ausgewogene Verteilung von vier falschen Mustern über alle Teilnehmer hinweg stärkt die interne Struktur der „falschen“ Klasse, indem das Risiko verringert wird, einen einzelnen Fehlermodus übermäßig zu repräsentieren. Dies ist besonders wichtig, da das Klassifizierungsziel die schrittspezifische Korrektheit und nicht die allgemeine Anomalieerkennung ist.

Kritische Protokollschritte

Ein entscheidender Aspekt des vorgeschlagenen Protokolls besteht darin, die zeitliche Übereinstimmung zwischen der beobachterbasierten Bewertung und den von dem tragbaren Sensor erfassten Trägheitssignalen zu bewahren. Dieses Ziel hängt von vier miteinander verknüpften Phasen ab. Erstens ist eine zuverlässige Erfassung synchronisierter IMU-Signale unerlässlich, um sicherzustellen, dass während der Aufnahme keine relevanten Bewegungsinformationen verloren gehen. Zweitens muss der geschulte Beobachter vordefinierte Bewertungskriterien konsistent anwenden, da diese Beurteilungen die als Referenzwerte geltenden Labels darstellen, die für die anschließende Entwicklung von maschinellen Lernverfahren verwendet werden. Drittens müssen mit dem zusätzlichen IMU erzeugte Zeitmarken die Übergänge zwischen aufeinanderfolgenden Schritten der Händedesinfektion genau kennzeichnen, um eine Synchronisation zwischen der Beobachtungsbewertung und den Aufzeichnungen des tragbaren Sensors zu ermöglichen. Schließlich sind eine erfolgreiche Erkennung von Signalmaxima und eine korrekte Segmentierung der Signale grundlegend, um einzelne Bewegungsabläufe richtig zu isolieren, da Ungenauigkeiten bei der Segmentierung unmittelbar die Qualität des annotierten Datensatzes beeinträchtigen und sich auf nachfolgende Algorithmentraining- und Validierungsprozesse fortpflanzen könnten. Zusammen schaffen diese Phasen die methodische Grundlage, die erforderlich ist, um einen reproduzierbaren, genau annotierten und zuverlässigen Referenzdatensatz für die zukünftige Algorithmenentwicklung zu generieren.

Obwohl das Protokoll in der vorliegenden Studie erfolgreich umgesetzt wurde, sollten mehrere praktische Aspekte berücksichtigt werden, um die Datensatzqualität bei zukünftigen Anwendungen sicherzustellen. Eine stabile Kommunikation zwischen den IMUs und der Erfassungsanwendung sowie eine zuverlässige Generierung von Zeitmarkern sind wichtig, um eine erfolgreiche Datenerfassung und anschließende Signalsegmentierung zu gewährleisten. Aufnahmen mit fehlenden oder mehrdeutigen Zeitmarkern sollten daher visuell überprüft und gegebenenfalls erneut aufgezeichnet werden. Zudem ist eine konsistente Bezeichnung durch den Beobachter grundlegend, da diese Annotationen die Ground-Truth-Basis für die anschließende Entwicklung von maschinellem Lernen bilden. Schließlich wird eine visuelle Überprüfung der segmentierten Signale empfohlen, um sicherzustellen, dass die erkannten Bewegungsgrenzen den erwarteten Schritten der Händehygiene entsprechen, bevor sie in den Referenzdatensatz aufgenommen werden.

Gültigkeit und Verallgemeinerbarkeit

Aus Sicht der Kriteriumsvalidität stellt sich die zentrale Frage, ob die aus IMU-Signalen abgeleitete Korrektheit auf Schrittebene mit einem unabhängigen externen Kriterium übereinstimmt, das hier durch geschulte Beobachtung während der Datenaufnahme repräsentiert wird. Dieser Ansatz verknüpft das Modellziel mit einem interpretierbaren Verhaltenskonstrukt – der korrekten Ausführung jedes der drei Schritte – anstelle indirekter Proxy-Variablen. Er ermöglicht zudem, die Übereinstimmung in derselben Detailebene wie die Trainingslabels zu berichten. Die Kriteriumsvalidität hängt jedoch nicht nur vom Modell ab, sondern auch von der Zuverlässigkeit und Konsistenz des Kriteriums selbst. Entsprechend sind die Beobachterverfahren, die Klarheit der Definitionsgrundlagen für die Korrektheit jedes Schritts sowie die Konsistenz der Grenzsignalisierung entscheidende Faktoren, die darüber bestimmen, wie überzeugend jede beobachtete Übereinstimmung ist.

Praktische Implikationen

Die vorliegende Studie bewertet nicht die Leistung von Echtzeit-Feedback im klinischen Einsatz. Stattdessen wird ein Protokoll zur Erfassung, Annotation und zeitlichen Segmentierung etabliert und validiert, das zur Erstellung des Referenzdatensatzes für die anschließende Entwicklung von maschinellem Lernen dient. Demnach ist das validierte Ergebnis dieser Studie das Datenerfassungsprotokoll und nicht das Echtzeit-Überwachungssystem selbst. Die automatisierte Bewegungsklassifizierung, die Echtzeit-Überwachung und die Feedback-Funktionen bleiben Ziele nachfolgender Projektphasen und wurden in der vorliegenden Studie nicht evaluiert. Ein schrittweises Bewertungsmodell ist klinisch sinnvoll, da es gezieltes Feedback ermöglichen kann: Die Identifizierung des spezifischen fehlerhaften Schritts ist in der Regel operationell nützlicher als die Vergabe einer einzigen Bestanden/Durchgefallen-Bewertung für einen gesamten Händehygiene-Versuch.

Das dreiteilige Protokoll bietet eine Grundlage für zukünftige Analysen darüber, wie Anleitung und Demonstration die Muster der Technikausführung beeinflussen, was Trainingsstrategien und die Entwicklung gezielter Rückmeldungsnachrichten leiten könnte20. Wenn es in zukünftige Echtzeitanwendungen umgesetzt wird, könnte ein am Handgelenk getragener Ansatz die direkte Beobachtung ergänzen, indem er die Häufigkeit und Standardisierung der Bewertung der Händehygiene-Technik erhöht, ohne eine kontinuierliche persönliche Überprüfung zu erfordern.

Im Vergleich zur konventionellen direkten Beobachtung, die weiterhin der Referenzstandard zur Beurteilung der Händehygiene-Technik darstellt5, kombiniert das vorgeschlagene Protokoll eine Bewertung durch Experten mit synchronisierten tragbaren Sensorsystemen und einer zeitbasierten Segmentierung anhand von Markern, um objektive, bewegungsgenaue Annotationen zu erzeugen. Tragbare IMU-basierte Systeme haben sich als etablierte Methode zur Analyse menschlicher Bewegungen etabliert, da sie strukturierte Signalverarbeitungspipelines unterstützen, die aus Vorverarbeitung, Segmentierung, Merkmalsextraktion und Klassifizierung bestehen21. Zudem haben jüngste Übersichtsarbeiten die zunehmende Nutzung tragbarer Sensoren und anderer elektronischer Überwachungssysteme zur Beurteilung der Händehygiene hervorgehoben und gleichzeitig deren Potenzial betont, konventionelle Beobachtungsmethoden zu ergänzen22. Vor diesem Hintergrund wurde das vorliegende Protokoll speziell entwickelt, um einen hochwertigen annotierten Datensatz zu generieren, der die zukünftige Entwicklung und Validierung von maschinellen Lernalgorithmen unterstützt, die in der Lage sind, die Händehygiene-Technik auf Ebene einzelner Schritte zu bewerten.

Einschränkungen und zukünftige Forschungsrichtungen

Die Aufnahmen wurden unter kontrollierten Bedingungen durchgeführt und beinhalteten vorgegebene inkorrekte Muster; die Repräsentativität der Fehlerverteilung im Vergleich zur routinemäßigen klinischen Praxis sollte daher vorsichtig interpretiert werden. Eine externe Validierung unter realen Bedingungen wäre erforderlich, bevor Aussagen über eine operationelle Anwendung getroffen werden können23. Zudem stellen die Verwendung eines einzelnen geschulten Beobachters und die Abhängigkeit von tap-basierten Grenzsignalen potenzielle Quellen systematischer Verzerrungen und zeitlicher Variabilität dar. Diese Faktoren sollten in zukünftigen Studien quantifiziert werden (z. B. durch die Bewertung der Robustheit der Grenzdetektion und der Konsistenz zwischen Beobachtern).

Zukünftige Arbeiten sollten folgende Aspekte priorisieren: (1) die Entwicklung von Klassifizierungsmodellen auf Basis künstlicher Intelligenz, (2) die Durchführung formaler Übereinstimmungsanalysen zwischen Modellausgaben und dem Beobachtungskriterium auf der Ebene der Bewegungen, (3) die Evaluierung verschiedener Nutzergruppen und Sensorplatzierungen sowie (4) die Validierung der Leistungsfähigkeit von Echtzeitüberwachung und schrittweiser Rückmeldung in realistischen klinischen Abläufen. Entsprechend sollten alle Aussagen bezüglich automatisierter Überwachung, Benutzerfreundlichkeit, Latenz, Effizienz oder klinischer Skalierbarkeit als zukünftige Zielsetzungen und nicht als Ergebnisse der vorliegenden Studie interpretiert werden. Ebenso bleibt der mögliche Einfluss des vorgeschlagenen Systems auf die Einhaltung der Händehygiene oder die Infektionsprävention durch zukünftige klinische Validierungen zu belegen.

Offenlegungen

Die Autoren bestätigen, dass sie bezüglich dieser Studie kein Interessenkonflikt haben.

Danksagungen

Die Autoren danken dem CNPq (Brasilianischer Nationalrat für wissenschaftliche und technologische Entwicklung) für die finanzielle Unterstützung.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
KlebebandSCOTCH5802Befestigung der Referenz-IMU am Hocker
Händedesinfektionsmittel auf Alkoholbasis (70 %)Giovanna Babby-Produkt zur Händehygiene
Anwendung BSL Capture UFSCarLSBio/UFSCar-Smartphone-Anwendung zur Erfassung von IMU-Daten
Trägheitsmesseinheit (IMU) (2 Einheiten)WitMotionWT901BLECLEine am Handgelenk getragene IMU und eine temporale Markierungs-IMU
Laptop-ComputerASUSS46CDatenüberwachung und -verarbeitung
Laptop-ComputerAppleMacBook Air M1Datenüberwachung und -verarbeitung
FeuchtigkeitscremeNIVEA-Wohlbefinden der Teilnehmer nach Durchführung der Händehygiene
PapiertücherSNOB-Trocknen und Reinigen der Hände
Python-SegmentierungsskriptIndividuell entwickelt-Algorithmus zur Erkennung von Peaks und zeitlichen Segmentierung von IMU-Signalen
SmartphoneXIAOMIREDMI 13Erfassung von IMU-Daten
Smartphone-Halterung--Positionierung des Smartphones während der Datenaufnahme
FeuchttücherPampers-Reinigung der Hände der Teilnehmer und der Arbeitsfläche

Referenzen

  1. World Health Organization. Global report on infection prevention and control: executive summary [Internet]. Geneva: World Health Organization; 2022. Available from: https://cdn.who.int/media/docs/default-source/integrated-health-services-(ihs)/ipc/ipc-global-report/who_ipc_global-report_executive-summary.pdf
  2. World Health Organization. WHO research agenda for hand hygiene in health care 2023–2030: summary. Geneva: World Health Organization; 2023. Available from: https://iris.who.int/bitstream/handle/10665/367527/9789240073715-eng.pdf
  3. Valim MD, et al. Efficacy of the multimodal strategy for hand hygiene compliance: an integrative review. 2019;72(2):552-565.
  4. Toney-Butler TJ, Gasner A, Carver N. Hand hygiene. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2023. Available from: https://www.ncbi.nlm.nih.gov/books/NBK470254/
  5. World Health Organization. WHO guidelines on hand hygiene in health care: first global patient safety challenge Clean Care is Safer Care. Geneva: World Health Organization; 2009: WHO/IER/PSP/2009/01.
  6. World Health Organization. Interim recommendations on obligatory hand hygiene against transmission of COVID-19. Geneva: World Health Organization; 2020. Available from: https://www.who.int/publications/m/item/interim-recommendations-on-obligatory-hand-hygiene-against-transmission-of-covid-19
  7. Price L, et al. Comparing the effectiveness of hand hygiene techniques in reducing the microbial load and covering hand surfaces in healthcare workers: updated systematic review. Am J Infect Control. 2022;50(10):1079-1090.
  8. Tschudin-Sutter S, et al. Simplifying the WHO "how to hand rub" technique: three steps are as effective as six—results from an experimental randomized crossover trial. Clin Microbiol Infect. 2017;23(6):409-414.
  9. Tschudin-Sutter S, et al. Simplifying the World Health Organization protocol: 3 steps versus 6 steps for performance of hand hygiene in a cluster-randomized trial. Clin Infect Dis. 2019;69(4):614-620.
  10. Stadler RN, Tschudin-Sutter S. What is new with hand hygiene? Curr Opin Infect Dis. 2020;33(4):327-232.
  11. Valim MD, et al. The impact of an effective 3-step hand hygiene technique in reducing potentially pathogenic microorganisms found on nursing professionals' hands. J Infect Dev Ctries. 2023;17(8):1088-1098.
  12. Valim MD, et al. Adherence to hand hygiene technique: an observational study. Acta Paul Enferm. 2024;37:eAO0001262.
  13. Campbell JC, Hindle A, Stroulia E. The art and science of analyzing software data. Burlington (MA): Morgan Kaufmann; 2013.
  14. Cunha CM, Neto OPA, Stackfleth R. Main psychometric evaluation methods of the validity of measuring instruments. Rev Aten Saúde. 2016;14(47):75-83.
  15. Pasquali L. Psicometria. Rev Esc Enferm USP. 2009;43:992-999.
  16. Boyce JM, Pittet D. Guideline for hand hygiene in health care settings: recommendations of the Healthcare Infection Control Practices Advisory Committee and the HICPAC/SHEA/APIC/IDSA Hand Hygiene Task Force. MMWR Recomm Rep. 2002;51(RR-16):1-45.
  17. Ramachandra S, Hoelzemann A, Van Laerhoven K. Transformer networks for data augmentation of human physical activity recognition. arXiv. 2021. arXiv:2109.04054.
  18. Brasil. Conselho Nacional de Saúde. Resolução nº 466, de 12 de dezembro de 2012. Brasília: Conselho Nacional de Saúde; 2012.
  19. Dirgová Luptáková I, Kubovčík M, Pospíchal J. Wearable sensor-based human activity recognition with transformer model. Sensors (Basel). 2022;22(5):1911.
  20. Srigley JA, Furness CD, Baker GR, Gardam M. Quantification of the Hawthorne effect in hand hygiene compliance monitoring using an electronic monitoring system: a retrospective cohort study. BMJ Qual Saf. 2014;23(12):974-980.
  21. Ghasemzadeh H, Ostadabbas S, Guenterberg E, Pantelopoulos A. Wireless medical-embedded systems: a review of signal-processing techniques for classification. IEEE Sens J. 2013;13(2):423-437.
  22. Wang Y, Xu C, Xiang W, et al. Electronic monitoring systems for hand hygiene: systematic review of technology. J Med Internet Res. 2021;23(11):e27880.
  23. Gould DJ, Moralejo D, Drey N, Chudleigh JH. Interventions to improve hand hygiene compliance in patient care. Cochrane Database Syst Rev. 2010;(9):CD005186.

Nachdrucke und Genehmigungen

Tags

Echtzeit-FeedbackInertialsensorenAlgorithmenvalidierungSequenzmodellGesundheitsfachkräfteInfektionsprävention

Dieser Artikel wurde veröffentlicht

Video demnächst verfügbar

Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.