Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Medicine

Användning av kontinuerlig dataspårningsteknik för att studera Motion Anslutning i Pulmonary Rehabilitering

doi: 10.3791/50643 Published: November 8, 2013

Summary

Pulmonell rehabilitering är allmänt erkänd i förvaltningen av luftvägssjukdomar. En viktig komponent för att lyckas pulmonell rehabilitering är följsamhet till rekommenderad träning. Syftet med detta protokoll är att beskriva hur kontinuerlig dataspårningsteknik kan användas för att exakt mäta följsamhet till en föreskriven aerob träningsintensitet.

Abstract

Pulmonell rehabilitering (PR) är en viktig del i förvaltningen av luftvägssjukdomar. Effektiviteten i PR är beroende av följsamhet till utöva rekommendationer utbildning. Studien av motion följsamhet är därför ett viktigt steg mot optimering av PR-program. Hittills mestadels indirekta åtgärder, t.ex. den delaktighet, färdigställande, och närvaro, har använt för att fastställa efterlevnad av PR. Syftet med detta protokoll är att beskriva hur kontinuerlig dataspårningsteknik kan användas för att mäta följsamhet till en föreskriven aerob träningsintensitet på en andra-för-sekund.

I våra undersökningar har följsamhet definierats som tiden procent användas inom en viss pulsintervall. Som sådan, med användning av en kombination av hårdvara och mjukvara, har hjärtfrekvens mätas, spåras och registreras under cykling sekund-för-sekund för varje deltagare för varje träningspass. Med hjälp av statistisk programvara, tHan uppgifter därefter utvinns och analyseras. Samma protokoll kan användas för att fastställa efterlevnad av andra mått på träningsintensitet, såsom tid spenderas på en viss effekt, nivå, eller hastigheten på cykelergometer. Dessutom är den hårdvara och mjukvara även för att mäta följsamhet till andra former av utbildning, såsom löpband, elliptiska, stepper, och arm ergometer. Det nuvarande protokollet, därför har en stor användbarhet för att direkt mäta följsamhet till aerob träning.

Introduction

Pulmonell rehabilitering (PR) kombinerar träning, patientutbildning och psykosocialt stöd, och är allmänt erkänd som en av hörnstenarna i ledningen av lungsjukdom 1-5. Målen med PR är att minska symtom, optimera funktionellt status, förbättra hälsorelaterad livskvalitet, och minska sjukvårdskostnaderna 4,5. I en metaanalys av 31 randomiserade kontrollerade studier i kronisk obstruktiv lungsjukdom (KOL), fick PR visat att avsevärt förbättra fysisk kapacitet, minska andnöd och trötthet, förbättra emotionell funktion och öka patienternas känsla av kontroll över sin sjukdom 6. Dessutom dokumenterar bevis dess effektivitet för att minska andnings exacerbationer 7 och sjukhusdagar 8-13. Träning anses vara nyckeln till framgångsrik PR eftersom den är ansvarig för en stor del av de fördelar som förknippas med detta ingripande 3-5. Men en viktig fråga för flerapatienter som ansluter sig till den rekommenderade storleken eller nivån på motion. Nonadherence till rekommenderade behandlingen kan leda till fel på terapeutiska ingrepp och ineffektiv användning av hälsoresurser 14.

Enligt Världshälsoorganisationen, termen'' anslutning'' refererar till i vilken utsträckning en persons beteende sammanfaller med rekommendationer som ges av sjukvårdspersonal 15. Hittills har följsamhet att utöva utbildning i rehabiliterings inställningar i stort sett bedömts som antingen graden av deltagande (dvs. Registreringen till programmet), graden av färdigställande (dvs. avslutar programmet), eller graden av deltagande (dvs. antal motion sessioner deltog) 16-18. För närvarande finns det ingen "gold standard" för att mäta vidhäftning 15 och dagens metoder inte tillåter stor precision. Dessutom, beroende på vald method, har andelen följsamhet till PR visat stor variabilitet 16-19. Till exempel, Hogg et al. 16 uppmätta följas hos KOL-patienter som förhållandet mellan dem som fullföljt programmet med dem som avses och fann en låg vidhäftning av ca 40%. Emellertid är andra PR-studier som använt uppslutninghastigheter visade i genomsnitt en 90% följsamhet 10,20,21. Bristen på enhetlighet i beräkningen följsamhet gör det svårt att jämföra resultat mellan studier. Ett annat bekymmer är bristen på precision med de existerande beräkningsmetoder, närvaro till en övning träningspass garanterar inte efterlevnad av den föreskrivna intensiteten. Denna lucka i informationen fick oss att undersöka hur följsamhet kan beräknas på ett mer exakt sätt.

Senaste framstegen inom träningsutrustning teknik har gjort det möjligt för kontinuerlig spårning uppgifter, som kan användas för att övervaka att en föreskriven aerob träningsintensitet under individuelltal träningspass i en PR-sammanhang. Mer specifikt, dataspårning hårdvara och mjukvara tillstånd för andra-för-andra inspelning av varaktighet, hastighet, nivå, watt, tempo, puls, distans, kaloriförbrukning, VO 2, METS, och kalorier, och ger medelvärdena av alla variabler med undantag för nivå och VO 2. Den största fördelen med denna teknik är möjligheten att spela in kontinuerliga detaljerade åtgärder, vilket möjliggör en exakt beräkning av följsamhet till föreskriven övning kontra tidigare rapporterade allmän närvaro eller genomströmning. Detta förfarande kan vara av värde för någon studie för att undersöka effekten av en eller flera aerob träningsprogram utbildningsprogram. Med hjälp av denna teknik, kan patientens följsamhet till en bestämd intensitet bedömas av tids procent spenderas på en viss effekt, nivå, hastighet eller puls under träningsfasen av varje session. För våra undersökningar, har anslutning till en träning protokoll definierats som procenttid inom ett visst pulsintervall. Eftersom pulssvar vid en given submaximal arbetsbelastning minskar när kardiorespiratoriska kondition ökar, ser detta tillvägagångssätt att patienter kvar på samma relativa (kontra absolut) träningsintensitet under hela programmet. Den nuvarande protokollet beskriver i detalj hur kontinuerlig dataspårningsteknik kan användas för att exakt mäta följsamhet till en föreskriven pulsintervall.

Protocol

När data samlas in, är en enda fil per ämne per session av rådata som erhållits. Med hjälp av statistisk programvara, alla sessioner per ämne kombineras till en enda fil. Därefter måste målintensiteten beräknas för varje ämne. Vidhäftningen hastigheten till att målintensiteten kan sedan beräknas per session per ämne, för varje session för samtliga ämnen kombinerade, eller per grupp.

1. Datainsamling (utförs av personal som övervakar träningspasset)

  1. Minimera elektriska störningar genom att stänga av trådlösa enheter (t.ex. mobiltelefoner, Wi-Fi, etc.) Och minimera överhörning genom att se de pulsmätare och utrustning är minst 1 meter ifrån varandra. Se figur 1 för placering av pulssändare.
  2. Slå på dataspårningsprogram. Tryck start på den aeroba utrustningen och utbilda deltagaren vid målet intensitet. Till exempel, i våra studier, deltabyxor ombeds att utbilda inom ± 5 slag / min av deras mål hjärtfrekvens. Se figur 2 för CardioMemory.
  3. Samla in data sekund-för-sekund för varje deltagare för varje rehabiliteringssession. Insamlad data inkluderar följande: ämnet ID, varaktighet (ttmmss), intensitet (1-30), arbetsbelastning (watt), tramphastighet (varv / minut), avstånd (km), tempo (mm: ss / km), hjärtfrekvens (slag / minut), den beräknade syreförbrukning (VO2, ml / min / kg) metabolisk ekvivalent av fysisk ansträngning (MET), beräknad energiförbrukning (kcal / h), och den uppskattade energiförbrukningen (kcal). Se Figur 3.
  4. Tryck stopp på aerob utrustning. Klicka på "Spara" för att ladda upp data till CardioMemory. Klicka på "Export" för att spara dokumentet utanför CardioMemory. Dokumentet kommer att vara på. Cvs format och kommer automatiskt att innehålla datum för sessionen.

2. Dataextrahera

CardioMemory programvara tillåter inte skillnaden av olika övning-träningsfaser. Som sådan måste erhållna data exporteras till en statistisk programvara för att eliminera de faser som inte är av intresse (t.ex. uppvärmning och nedvarvning), slå ihop datafiler, och jämföra uppnås mot målet intensitet.

  1. Öppna statistisk analys programvara för att importera Excel-fil. Tillvägagångssätt: Arkiv Arrow Öppet Arrow Data Arrow I "Open Data" fönstret väljer du alla filer i rullgardinsmenyn för "Filer av typ" Arrow Välj Excel. xls-fil ArrowÖppna Arrow I "Att öppna Excel Data Source"-fönstret klickar du på OK.
  2. Spara datafilen i en statistisk analys programvara. Se figur 4 för en exempeldatabas.
  3. Eliminera nontraining faser, dvs uppvärmning och nedvarvning, om intresset är tid vid målet intensitet under träningsfasen.
    1. Eliminera uppvärmningsfasen (t.ex. första 10 min):
      1. För att koda om varaktighet, skapa en variabel för att identifiera varje sekund som 1. Tillvägagångssätt: Trans Arrow Omkoda in Olika variabler ... Arrow I "omkoda in olika variabler" window Välj Duration_A Arrow klicka på pilen Arrow Identifiera "Output Variable Name" (t.ex. tempo) Arrow Förändring Arrow Klicka på gamla och nya värden Arrow Under "Old Value", välj Värde: och skriv in 0 Arrow Under "New Value", Select Värde: och skriv in 0 Arrow Lägg Arrow o: innehåll-width = ".2 i" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> Under "Old Value" väljer du Alla andra värden klicka på Värde: under "Nytt Value "och skriv in 1 Arrow Lägg Arrow Fortsätt Arrow OK.
        • RECODE Duration_A (0 = 0) (ELSE = 1) in Tempo.
        • EXECUTE.
      2. Skapa en andra temporär variabel. Tillvägagångssätt: Trans Arrow Skiftvärden Arrow Välj tempoiles/ftp_upload/50643/arrow.jpg "width =" 20px "/> Klicka på pilen Arrow Under "Namn:" typ temporär variabel (. T.ex. tempo2) Arrow Förändring Arrow OK.
        • SHIFT VÄRDEN variabel = Tempo RESULTAT = Tempo2 LAG = 1.
      3. För att starta tempo2 vid 0, måste den kodas om. Tillvägagångssätt: Trans Arrow Koda in samma variabler Arrow Välj tempo2 Arrow Klicka pilen g alt = "Arrow" fo: innehåll-width = ".2 i" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> Klicka på gamla och nya värden Arrow Under "Old Value", välj System-Missing Arrow Under "New Value", välj Värde: och skriv in 0 Arrow Lägg Arrow Fortsätt Arrow OK.
        • RECODE Tempo2 (SYSMIS = 0).
        • EXECUTE.
      4. Summera sekunderna börjar från noll. Tillvägagångssätt: Trans/ 50643/arrow.jpg "width =" 20px "/> Compute Variable Arrow Under "målvariabel:" typ tempo Arrow Under "Numeric Expression" typ fördröjning (tempo) +1 Arrow IF ... Arrow Välj Inkludera om fallet uppfyller villkoret: Arrow Ange tempo2> 0 Arrow Fortsätt Arrow OK.
        • IF (Tempo2> 0) Tempo = Lag (tempo) + 1.
        • EXECUTE.
      5. För att eliminera den första 10 min av uppvärmning, ta bort tempot uppgifter som föregår 599 sekunder. Tillvägagångssätt: Data Arrow Välj fall ... Arrow I "Välj Fall" fönstret, under "Välj", välj "Om villkoret är uppfyllt" Arrow Om ... Arrow I "Välj Fodral: Om"-fönstret, infoga ekvation tempo> 599 Arrow Fortsätt Arrow Enligt"Output", välj Ta bort omarke fall Arrow OK. Se Figur 5.
        • Filtrera bort.
        • ANVÄND ALLA.
        • VÄLJ OM (tempo> 599).
        • EXECUTE.
    2. Eliminera avkylningsfasen (t.ex. sista 5 minuter.):
      1. Sortera data i fallande ordning för Duration_A att bringa nedvarvningsfas till toppen av databasen, som SPSS bort data från toppen av filen framåt. Tillvägagångssätt: Data Arrow Sortera Fodral Arrow I "Sortera Fall" fönstret väljer Duration_A Arrow Klicka på enrrow Arrow I menyn "Sort Order" väljer Fallande Arrow OK.
        • SORTERA FALL EFTER Duration_A (D).
      2. Omkoda Duration_A att identifiera varje sekund som 1. Tillvägagångssätt: Trans Arrow Omkoda i olika variabler ... Arrow I "koda in olika variabler" fönstret väljer Duration_A Arrow klicka på pilen Arrow Identifiera "Output Variable Name "(t ex. TempoA) Arrow Förändring Arrow Klicka på gamla och nya värden Arrow Under "Old Value", välj Värde: och skriv in 0 Arrow Under "New Value", välj Värde: och skriv in 0 Arrow Lägg Arrow Välj Alla andra värden under "Old Value" och klicka sedan på Värde: under "Nytt värde" och skriv in 1ad/50643/arrow.jpg "width =" 20px "/> Lägg Arrow Fortsätt Arrow OK.
        • RECODE Duration_A (0 = 0) (ELSE = 1) in TempoA.
        • EXECUTE.
      3. Skapa en andra temporär variabel. Tillvägagångssätt: Trans Arrow Skiftvärden Arrow Välj tempoA Arrow Klicka pilen Arrow Under "Namn:" typ temporär variabel (. T.ex. tempoA2) ArrowÄndra Arrow OK.
        • SHIFT VÄRDEN variabel = TempoA RESULTAT = TempoA2 LAG = 1.
      4. För att starta tempoA2 vid 0, måste den kodas om. Tillvägagångssätt: Trans Arrow Koda in samma variabler Arrow Välj tempoA2 Arrow Klicka pilen Arrow Klicka på gamla och nya värden Arrow Under "Old Value", välj System-M Issing Arrow Under "New Value", välj Värde: och skriv in 0 Arrow Lägg Arrow Fortsätt Arrow OK.
        • RECODE TempoA2 (SYSMIS = 0).
        • EXECUTE.
      5. Summera de sekunder av tempoA variabeln. Tillvägagångssätt: Trans Arrow Beräkna Variabel Arrow Under "målvariabel:" typ tempoA 50643/arrow.jpg "width =" 20px "/> Under" numeriska uttrycket "typ fördröjning (tempoA) +1 Arrow IF ... Arrow Välj Inkludera om fallet uppfyller villkoret: Arrow Typ tempoA2> 0 Arrow Fortsätt Arrow OK.
        • IF (TempoA2> 0) TempoA = Lag (tempoA) + 1.
        • EXECUTE.
      6. För att eliminera nedvarvningsfas (dvs 5 min), ta bort tempo uppgifter som föregår 299 sekunder. Tillvägagångssätt: Datapg "width =" 20px "/> Välj fall ... Arrow I "Välj Fall" fönstret, under "Välj", välj "Om villkoret är uppfyllt" Arrow Om ... Arrow I "Välj Fodral: Om"-fönstret, sätt in ekvationen tempoA> 299 Arrow Fortsätt Arrow under "Output", välj Ta bort omarke fall Arrow OK. Se figur 6.
        • Filtrera bort.
        • ANVÄND ALLA. SELECT IF (tempoA> 299).
        • EXECUTE.
    3. Identifiera sessionsnummer (eller datum) associerad med datamängden. Skapa och namnge en ny variabel (t ex. Session). Tillvägagångssätt: Trans Arrow Beräkna Variabel Arrow I beräkna rörliga fönstret under målvariabel, typ Session Arrow Klicka på Typ & Etikett för att öppna "Compute Variable: Skriv en ..." fönster Arrow under "Type" väljer Sträng Arrow Fortsätt enligt String Expression typ 1 " Arrow OK. Se figur 7.
      • STRÄNG session (A8).
      • COMPUTE Session = '1 '.
      • EXECUTE.
    4. Spara den modifierade SPSS-dokument i en ny fil (exempel: subjectID_session #).
    5. Upprepa ovanstående procedur för alla återstående sessioner för samma ämne.

3. Data Sammanslagning - Single Deltagare

  1. För att sammanfoga alla sessioner i en enda SPSS databas, öppen deltagarens första session (dvs. SubjectID_session1).
  2. Slå ihop resterande sessioner till den aktuella filen. Tillvägagångssätt: Data Arrow Sammanfoga filerArrow Lägg Fodral Arrow i "Lägg Fall till subjectID_session1.sav"-fönstret, klicka på Bläddra och välj fil subjectID_session2 Arrow Öppet Arrow Fortsätt Arrow i "Lägg Fall från ..." Fönstret Klicka på OK. Upprepa för alla återstående sessioner. Se Figur 8.
    • Lägg till filer / FILE = *
    • / FILE = 'SubjectAB001_Session1.sav'.
    • EXECUTE.
  3. Lägg till en kolumn som innehåller ämnet ID-nummer. Tillvägagångssätt: Tr ansform Arrow Beräkna Variabel Arrow I "Compute Variable" fönstret under målvariabel, typ SubjectID Arrow Klicka på Typ & Etikett för att öppna "Compute Variable: Skriv en ..." fönster Arrow under "Type" väljer Sträng Arrow Fortsätt Arrow enligt String Expression typ "SubjectID" (t.ex. "AB001)s/ftp_upload/50643/arrow.jpg "width =" 20px "/> OK. se figur 9.
    • STRÄNG Subject_ID (A8).
    • COMPUTE Subject_ID = 'AB001'.
    • EXECUTE.
  4. Lägg till en kolumn som innehåller ämnet mål intensitet (t ex. Puls [THR]). Tillvägagångssätt: Trans Arrow Beräkna Variabel Arrow I "Compute Variable" fönstret under målvariabel, typ THR Arrow Klicka på Typ & Etikett för att öppna "Compute Variable: Skriv en ..." fönster Arrow under "Type" väljer Numerisk ArrowFortsätt Arrow enligt numeriska uttrycket typ THR (t.ex.. 110) Arrow OK. Se Figur 10.
    • STRÄNG THR (A8).
    • COMPUTE THR = '110 '.
    • EXECUTE.
  5. Spara databas under ett annat filnamn (t.ex.. SubjectAB001_session1-36).
  6. Upprepa för alla kvarvarande deltagare. Vid denna punkt, kommer varje deltagare har en databas som innehåller alla sessioner.

4. Datasammanfoga - Gruppera Deltagare

  1. För att gruppera flera deltagare i en enda databas, öppen deltagarens fil (dvs. subjectID_session1-36).
  2. Slå ihop de kvarvarande deltagarna i den nuvarande file. Tillvägagångssätt: Data Arrow Sammanfoga filer Arrow Lägg Fodral Arrow i "Lägg Fall till SubjectAB001_session1-36.sav"-fönstret, klicka på Bläddra och välj fil SubjectCD002_session1-36 Arrow Öppet Arrow Fortsätt Arrow i "Lägg Fall från ..." Fönstret Klicka på OK. Upprepa för alla deltagare som du vill gruppera. Se Figur 11.
    • Lägg till filer /FILE = *
    • / RENAME (AB001 = d0)
    • / FILE = 'SubjectAB001_Session1-36.sav "
    • / RENAME (CD002 = d1)
    • / DROP = d0 d1.
    • EXECUTE.
  3. Spara ny databas (t ex. Group01_Subjects001-010).

5. Identifiering av Target Intensitet (t.ex. THR Range)

  1. Identifiera en THR område; klicka Trans Arrow Beräkna Variabel Arrow i "Compute Variable" fönstret under "Target Variable" ange ett nytt variabelnamn (t.ex. Diff_HR_THR) Arrow "Typ & Etikett ..." Arrow i "C ompute Variabel: Skriv en .... "välj Numerisk Arrow Fortsätt Arrow Under "numeriska uttrycket" gå in ekvationen: HR - THR Arrow OK. Ger detta oss en ny variabel.
    • COMPUTE Diff_HR_THR = HR - THR.
    • EXECUTE.
  2. Omkoda variabler för att identifiera huruvida HR ligger under, ovanför, eller inom THR intervallet. Tillvägagångssätt: Trans Arrow Omkoda Into olika variabler ... Arrow välj Diff_HR_THR.2 I "src =" / files/ftp_upload/50643/arrow.jpg "width =" 20px "/> klicka på pilen Arrow under "Output Variable" under "Namn" typ Diff_HR_THR _recoded Arrow Förändring Arrow Gamla och nya värden ... Arrow i "koda in olika variabler: gamla och nya värden" fönstret:
<td align = "center" rowspan = "4"> Lägg
Gammal Standard Nytt värde Gamla -> Nytt:
Räckvidd: -5 till 5 1 -5 Thru 5 -> 1
Range, LÄGSTA genom värde: -5 0 Lägsta thru -5 -> 0
Range, värde via HÖGSTA: 5 0 5 thru Högsta -> 0
System-saknad System-saknad SYSMIS -> SYSMIS

Arrow Fortsätt Arrow OK. Se Figur 12.

  • RECODE Diff_HR_THR (SYSMIS = SYSMIS) (-5 thru 5 = 1) (lägst thru -5 = 0) (5 thru Högsta = 0) in
  • Diff_HR_THR_Recoded.
  • EXECUTE.

6. Beräkning av Procent Anslutning

  1. I Group01_Subjects001-010 fil, räkna alla sekunder att patienterna var i THR område genom att göra följande: Data Arrow Aggregerad Arrow i "Sammanlagda data"-fönstret, under "Break Variable (s):" Välj subjectID och session Arrow klicka på pilen Arrow under "Sammanfattningar av Variable (s):" välj Diff_HR_THR _recoded Arrow klicka på pilen = "Arrow" fo: innehåll-width = ".2 i" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> OK. En ny variabel skapas med namnet Diff_HR_THR _recoded_mean.
    • SUMMA
    • / UTFIL = * MODE = ADDVARIABLES
    • / BREAK = Subject_ID Session
    • / Diff_HR_THR_Recoded_mean = MEDEL (Diff_HR_THR_Recoded).
  2. Omvandla det erhållna värdet i procent; klicka Trans Arrow Beräkna Variabel Arrow under "Target Variable" ange variabelnamn (t.ex. Perc_THR) Arrow under "numeriska uttrycket" välja Diff_HR_THR _recoded_mean"/> Klicka på pilen Arrow multiplicera värdet med 100 (Diff_HR_THR _recoded_mean * 100) Arrow OK. Vi får då följsamhet i procent av tid i THR för varje ämne för varje session. Se Figur 13
    • COMPUTE Perc_THR = Diff_HR_THR_Recoded_mean * 100.
    • EXECUTE.
  3. För att få ansluta sig till den andel av tiden spenderas i THR för varje ämne för alla sessioner i kombination, i "Sammanlagda data"-fönstret, under "Break Variable (s):" substitut subjectID och session med endast subjectID. Se Figur 14.
  4. För att få ansluta sig till den andel av tiden spenderas i THR för varje session för alla ämnen kombineras, i "Sammanlagda data"-fönstret, under "Bryt Variable (s): "substitut subjectID och session med endast session.
  5. Spara databasen under ett annat filnamn (t.ex.. Group01_Subjects001-010_Aggregate).

Representative Results

När protokollet är korrekt, är en följsamhet som erhålls för varje ämne för varje session (Figur 13), för varje ämne för alla sessioner (Figur 14), och för varje session för alla ämnen i kombination. En uppskattning av den tid som krävs för att fullborda den ovannämnda protokoll för en enda session av ett ämne är ca 5 min. Resultat för efterlevnad kan variera från 0-100%. Med hjälp av denna information kan ytterligare analyser göras för att fastställa skillnader mellan individer (dvs. könsskillnader, sjukdomens svårighetsgrad, etc.), För att identifiera förändringar över tiden, och att avslöja mönster i följsamhet. Dessutom kan utföras jämförelse av vidhäftningen mellan grupper, till exempel kan olika motion utbildningsprogram jämföras. Slutligen, genom ytterligare utredning, orsaker till nonadherence kan identifieras vid specifika tidpunkter under PR.

"> Figur 1
Sändarplacering Puls Figur 1.. Klicka här för att visa en större bild .

Figur 2
Figur 2. Exempel på data som samlats in med hjälp av data spårningsprogram. Klicka här för att visa en större bild .

Figur 3
Figur 3. Exempel på uppgifter mjukvara utgång.jove.com/files/ftp_upload/50643/50643fig3highres.jpg "target =" _blank "> Klicka här för att visa en större bild.

Figur 4
Figur 4. Exempeldatabasen illustrerar ett urval av databas statistisk programvara. Klicka här för att visa en större bild .

Figur 5
Figur 5. Exempeldatabasen illustrerar elimineras uppvärmningsfasen. Klicka här för att visa en större bild .

Figur 6 Figur 6. Exempel databas illustrerar elimineras nedkylningsfasen. Klicka här för att visa en större bild .

Figur 7
Figur 7. Exempel databas som illustrerar en kolumn till för sessionsnummer. Klicka här för att visa en större bild .

Figur 8
Figur 8. Exempel databas som visar de sammanslagna sessioner för ett enda DELTAGARE t. Klicka här för att visa en större bild .

Figur 9
Figur 9. Exempel databas som illustrerar en kolumn till för ämnesidentifieringsnummer. Klicka här för att visa en större bild .

Figur 10
Figur 10. Exempel databas som illustrerar en kolumn till för puls. Klicka här för att visa en större bild .

e_content "fo: keep-together.within-page =" alltid "> Figur 11
Figur 11. Sample databas illustrerar den sammanslagna deltagarnas filer. Klicka här för att visa en större bild .

Figur 12
Figur 12. Sample databas illustrerar omkodas pulsvariabler. Klicka här för att visa en större bild .

Figur 13
Figure 13. Prov databas visar följsamhet i procent av tid i pulsintervall för varje ämne för varje session (horisontell röd linje markerar förändringen i vidhäftningen mellan sessioner för samma ämne). Klicka här för att visa en större bild .

Figur 14
Figur 14. Exempel databas illustrerar anslutning för andelen tid i pulsintervall för varje ämne för alla sessioner (horisontella röda linjen belyser skillnaden mellan individer). Klicka här för att visa en större bild .

Discussion

Kontinuerlig dataspårning teknik möjliggör en mycket exakt mätning av motion följsamhet. Detta förfarande kan lätt anpassas till andra definitioner av följsamhet genom att ersätta pulsintervall med målet watt, nivå, hastighet, eller MET-nivå. I det aktuella exemplet, var uppvärmning och nedvarvning faser elimineras för att isolera utövandet fasen på grund av vår specifika forskningsmålet. Skulle de uppvärmning och nedvarvning faserna vara av intresse för andra forskare, kan steg 2.3 ("Eliminera nontraining faserna") tas bort från protokollet. Dessutom är den hårdvara och mjukvara även för att mäta följsamhet till andra former av utbildning, såsom löpband, elliptiska, stepper, och arm ergometer.

När man följer ovanstående protokoll, vissa enkla steg är kritiska. För det första måste CardioMemory programvaran startas innan träningsutrustning (t.ex.. Cykelergometer) för träningsdata att vara tracked och därefter registreras. Skulle data förloras vid detta första steg, kommer datautvinning protokollet behöva justeras i enlighet därmed. För det andra måste störningskällor minimeras för att reducera risken för överhörning och / eller förlorade data. De pulsmätare kommunicerar trådlöst med utrustning och programvara. Således är störningar särskilt skadligt om du använder puls att beräkna följsamhet. Slutligen är det viktigt att välja statistisk programvara för databasen som har kapacitet för att möjliggöra för stora mängder data. Till exempel i en studie med 10 deltagare fylla 36 sessioner på 40 minuter vardera, 864 tusen rader av datapunkter kommer att genereras. Excel 2007 och senare versioner har kapacitet att innehålla 1.048.576 rader i ett kalkylblad 23, medan SAS 24 och SPSS 25 har ingen gräns för antalet rader. Beroende på det totala antalet datapunkter som förväntas för en given studie måste programvara som skall väljas i enlighet därmed. Trots de anmärkningsvärda fördelarna med denna teknik, det finns två huvudsakliga begränsningar. Den första är förlust av data, vilket kan bero på utrustning och / eller programvara misslyckande. Som nämnts ovan kan dataförlust bero på elektrisk interferens med trådlösa enheter (dvs. mobiltelefoner eller Wi-Fi), och mera specifikt interferens med trådlös överföring av pulsdata. Men ibland, förlust av data kan också bero på oidentifierbara orsaker. En andra begränsning är att programvaran inte ger möjlighet att markera eller dela upp träningsprotokollet systematiskt för att skilja / identifiera olika faser. Om detta alternativ fanns tillgängliga, skulle utvinningen av övningen fasen av intresse utföras direkt i mjukvaran, vilket skulle begränsa steg i följsamhet beräkningsprotokoll. Vad bra, skulle möjlighet att placera markörer vara praktiskt för studier av följsamhet till intervall eller intermittent träningsprotokoll eftersom det skulle möjliggöradifferentieringen av de olika faserna (t ex. låg kontra hög intensitet).

För framtidsperspektiv, kommer användningen av kontinuerlig dataspårningsteknik för att exakt kvantifiera följsamhet möjliggör forskare för att undersöka mönster av motion svar på olika insatser, identifiera faktorer för följsamhet, och karakterisera goda och dåliga adherers. I slutändan kommer en bättre förståelse av motion följsamhet möjliggör optimering av träningsprogram rehabilitering.

Disclosures

Författarna förklarar att de inte har några konkurrerande ekonomiska intressen.

Acknowledgments

Canadian Lung Association - Kanadensiska Respiratory Vårdförbundet, Fonds de recherche du Québec - Santé (FRQS)

Materials

Name Company Catalog Number Comments
Bike Excite Med 700 Technogym - www.technogym.com SCIFIT (http://scifit.com/)
CardioMemory software  Technogym - www.technogym.com Version 1.0 SCIFIT (http://scifit.com/)
Polar heart rate monitor Polar - www.polarca.com T31 coded Transmitter  
SPSS Statistical Software SPSS Inc. - www.spss.com/ Version 16.0 SAS/STAT software (http://www.sas.com/)

DOWNLOAD MATERIALS LIST

References

  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).
Användning av kontinuerlig dataspårningsteknik för att studera Motion Anslutning i Pulmonary Rehabilitering
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Rizk, A. K., Wardini, R., Chan-Thim, E., Trutschnigg, B., Forget, A., Pepin, V. Using Continuous Data Tracking Technology to Study Exercise Adherence in Pulmonary Rehabilitation. J. Vis. Exp. (81), e50643, doi:10.3791/50643 (2013).More

Rizk, A. K., Wardini, R., Chan-Thim, E., Trutschnigg, B., Forget, A., Pepin, V. Using Continuous Data Tracking Technology to Study Exercise Adherence in Pulmonary Rehabilitation. J. Vis. Exp. (81), e50643, doi:10.3791/50643 (2013).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
simple hit counter