Waiting
Login processing...

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

Medicine

Brug Continuous Data sporingsteknologi til Study Motion Overholdelse i pulmonal rehabilitering

Published: November 8, 2013 doi: 10.3791/50643
Automatic Translation
1,2,3, 2,3, 1,2,3, 3, 3, 2,3
1Individualized Program, Concordia University, 2Department of Exercise Science, Concordia University, 3Centre de Recherche, Axe Maladies Chroniques, Hôpital du Sacré-Coeur de Montréal

Summary

Pulmonal rehabilitering er bredt anerkendt i forvaltningen af ​​luftvejssygdomme. Et centralt element til en vellykket pulmonal rehabilitering er tilslutning til den anbefalede træning. Formålet med denne protokol er at beskrive, hvordan kontinuerlig data tracking teknologi kan bruges til at præcist at måle tilslutning til en ordineret aerob træning intensitet.

Abstract

Pulmonal rehabilitering (PR) er en vigtig komponent i forvaltningen af ​​luftvejssygdomme. Effektiviteten af ​​PR er afhængig af tilslutning til træning anbefalinger. Studiet af motion tilslutning er således et vigtigt skridt i retning af optimering af PR-programmer. Til dato meste indirekte foranstaltninger, såsom satserne for deltagelse, færdiggørelse, og fremmøde, er blevet brugt til at bestemme tilslutning til PR. Formålet med denne protokol er at beskrive, hvordan kontinuerlig data tracking teknologi kan bruges til at måle tilslutning til en ordineret aerob træning intensitet på et sekund for sekund.

I vores undersøgelser har tilslutning blevet defineret som den procentvise tid brugt inden for en bestemt mål hjertefrekvens rækkevidde. Som sådan, ved hjælp af en kombination af hardware og software, der er puls måles, spores, og registreres i cykling sekund for sekund for hver deltager for hvert træningspas. Ved hjælp af statistisk software, than data efterfølgende ekstraheres og analyseres. Den samme protokol kan anvendes til at bestemme tilslutning til andre foranstaltninger af træningens intensitet, såsom tidsforbrug på et bestemt watt, niveau, eller hastighed på cykelergometer. Desuden hardware og software er også tilgængelig til at måle overholdelsen af ​​andre former for uddannelse, såsom løbebånd, elliptisk, stepper, og arm ergometer. Den nuværende protokol har derfor en stor anvendelighed til direkte at måle overholdelsen af ​​aerobe motion.

Introduction

Pulmonal rehabilitering (PR) kombinerer motion træning, patientundervisning og psykosocial støtte, og er bredt anerkendt som en hjørnesten i forvaltningen af lungesygdom 1-5. Målene for PR er at reducere symptomerne, optimere funktionelle status, forbedre helbredsrelateret livskvalitet og mindske udgifterne til sundhedsvæsenet 4,5. I en metaanalyse af 31 randomiserede kontrollerede forsøg med kronisk obstruktiv lungesygdom (KOL), blev PR vist signifikant forbedre den fysiske kapacitet, reducere dyspnø og træthed, forbedre følelsesmæssig funktion og forbedre patienternes følelse af kontrol over deres tilstand 6. Desuden beviser dokumenterer dens effektivitet i at reducere respiratoriske forværringer 7 og dage tilbragt på hospitalet 8-13. Træning betragtes som nøglen til en vellykket PR, da det er ansvarlig for meget af de fordele forbundet med dette indgreb 3-5. Men et stort problem for flerepatienter fastholdelsen af ​​den anbefalede mængde eller niveau af motion. Non-compliance til anbefalede behandling kan resultere i svigt af terapeutiske indgreb samt ineffektiv udnyttelse af sundhedsmæssige ressourcer 14.

Ifølge World Health Organization, udtrykket'' tilslutning'' refererer til, i hvilket omfang en persons adfærd falder sammen med anbefalingerne fra en sundhedsperson 15.. Til dato har tilslutning til træning i rehabilitering indstillinger er stort set blevet vurderet som enten graden af deltagelse (dvs.. Registrering til programmet), satsen for færdiggørelse (dvs. efterbehandling af programmet), eller hastigheden af fremmøde (dvs. antallet af motion sessioner deltog) 16-18. På nuværende tidspunkt er ingen "gold standard" findes til måling af vedhæftning 15 og de ​​nuværende metoder ikke giver mulighed for stor præcision. Desuden, afhængigt af den valgte method, har satserne for tilslutning til PR vist stor variation 16-19. For eksempel Hogg et al. 16. målte vedhæftning i KOL-patienter som forholdet mellem dem, der afsluttede programmet til dem, der er, og fundet en lav tilslutning på ca 40%. Men andre PR undersøgelser, der har brugt fremmøde satser viste i gennemsnit en 90% tilslutning 10,20,21. Den manglende homogenitet i beregningen tilslutning gør det vanskeligt at sammenligne resultaterne mellem undersøgelser. En anden bekymring er den manglende præcision med de eksisterende beregningsmetoder, fremmøde til en øvelse træning garanterer ikke overholdt den ordinerede intensitet. Dette hul i oplysninger førte os at undersøge, hvordan overholdelse kunne beregnes på en mere præcis måde.

Nylige fremskridt inden for fitness udstyr teknologi har tilladt for løbende overvågning af data, som kan bruges til at overvåge overholdelsen af ​​en foreskrevet aerob træning intensitet under indivial træningspas i en PR-sammenhæng. Mere specifikt data tracking hardware og software tilladelser til sekund for sekund optagelse af varighed, hastighed, niveau, watt, hastighed, puls, distance, kalorieforbrug, VO 2, METS, og kalorier, og giver gennemsnit af alle variabler med undtagelse af niveau og VO 2. Den største fordel ved denne teknologi er evnen til at optage kontinuerlige detaljerede foranstaltninger, der giver mulighed for præcis beregning af tilslutning til foreskrevne øvelse versus tidligere er rapporteret generel fremmøde eller gennemførelsesprocenter. Denne procedure kan være af værdi for nogen undersøgelse at undersøge virkningen af ​​en eller flere uddannelsesprogrammer aerobe motion. Ved hjælp af denne teknologi, kan patienten tilslutning til en ordineret intensitet vurderes af procent tid brugt på et bestemt watt, niveau, fart eller puls under træningen fase af hver session. For vores undersøgelser er tilslutning til en øvelse træning protokol blevet defineret som den procenttidsforbrug inden for en bestemt mål hjertefrekvens rækkevidde. Da hjertefrekvensen Responsen på en given submaksimal arbejdsbyrde falder som hjertekonditionen stiger, sikrer denne tilgang, at patienterne forbliver på samme relative (versus absolut) træningsintensitet i hele programmet. Den nuværende protokol beskriver i detaljer, hvordan kontinuerlig data tracking teknologi kan bruges til at præcist at måle tilslutning til en fastsat mål hjertefrekvens rækkevidde.

Protocol

Når data er indsamlet, er en enkelt fil pr genstand per session af rå data opnået. Ved hjælp af statistisk software, er alle sessioner pr emne kombineres i en enkelt fil. Efterfølgende skal målet intensitet beregnes for hver genstand. Den tilslutning hastighed til dette mål intensitet kan derefter beregnes per session per emne for hver session for alle fag tilsammen, eller per gruppe.

1.. Dataindsamling (udføres af personale, der fører tilsyn træningen)

  1. Minimer elektrisk interferens ved at slukke trådløse enheder (fx mobiltelefoner, Wi-Fi, osv.) Og minimere krydstale ved at sikre pulsmålere og udstyr er mindst 1 meter fra hinanden. Se figur 1 for placering af pulssender.
  2. Tænd data tracking software. Tryk på start for den aerobe udstyr og træne deltageren på målet intensitet. For eksempel i vores studier, deltabukser bliver bedt om at træne inden for ± 5 slag / min af deres mål hjertefrekvens. Der henvises til Figur 2 for CardioMemory.
  3. Indsamle data sekund for sekund for hver deltager for hvert rehabilitering session. Indsamlede data omfatter følgende: emne id, varighed (hhmmss) niveau af intensitet (1-30), arbejdsbelastning (watt), træde i pedalerne hastighed (omdrejninger / minut), distance (km), tempo (mm: ss / km), puls (slag / minut), anslået iltforbrug (VO 2 ml / min / kg), metabolisk ækvivalent af fysisk anstrengelse (METS), udgifter anslået energi (kcal / time), og estimeret energiforbrug (kcal). Se figur 3..
  4. Tryk stop på den aerobe udstyr. Klik på "Gem" for at uploade data til CardioMemory. Klik på "eksport" for at gemme dokumentet uden for CardioMemory. Dokumentet vil være i. Cvs-format og vil automatisk indeholde datoen for sessionen.

2. Data Extraction

CardioMemory software giver ikke mulighed for sondringen af ​​forskellige faser motion-uddannelse. Som sådan skal de opnåede data eksporteres til en statistisk software for at fjerne de faser, der ikke er af interesse (f.eks warm-up og cool-down), flette datafiler, og sammenligne opnået mod mål intensitet.

  1. Åbent statistisk analyse software til at importere Excel-fil. Procedure: Fil Pil Åbent Pil Data Pil I "Åbn data" vinduet, vælg Alle filer i rullemenuen på "Filer af typer" Pil Vælg Excel. xls-fil PilÅbn Pil I "Åbning Excel Data Source" vinduet og klik på OK.
  2. Gem datafil i en statistisk analyse software. Se figur 4 for en prøve database.
  3. Eliminer de nontraining faser, nemlig warm-up og cool-down, hvis interessen er tid brugt på målet intensitet under træningen fase.
    1. Eliminer opvarmningsfasen (f.eks første 10 min):
      1. At omkode varighed oprette en variabel til at identificere hvert sekund som 1. Fremgangsmåde: Transform Pil Omkode i forskellige variabler ... Pil I "ny kodning i forskellige variabler" window, skal du vælge Duration_A Pil klik pil Pil Identificer "Output Variable Name" (f.eks tempo) Pil Skift Pil Klik på gammel og ny værdi Pil Under "Old Value", vælg Værdi: og indtaste 0 Pil Under "Ny værdi" Select Værdi: og indtaste 0 Pil Tilføj Pil o: content-width = ".2 i" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> Under "gamle værdi", vælg Alle andre værdier derefter klikke på Værdi: under "Ny Value "og indtast 1 Pil Tilføj Pil Fortsæt Pil OK.
        • Omkode Duration_A (0 = 0) (ELSE = 1) I Tempo.
        • EXECUTE.
      2. Opret en anden midlertidig variabel. Fremgangsmåde: Transform Pil Skiftværdier Pil Vælg tempoiles/ftp_upload/50643/arrow.jpg "width =" 20px "/> Klik på pilen Pil Under "Navn:" type midlertidig variabel (. F.eks tempo2) Pil Skift Pil OK.
        • Skiftværdier VARIABLE = Tempo RESULTAT = Tempo2 LAG = 1.
      3. For at starte tempo2 på 0, skal den omkodet. Fremgangsmåde: Transform Pil Omkode i samme variable Pil Vælg tempo2 Pil Klik på pilen g alt = "pil" fo: content-width = ".2 i" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> Klik på gammel og ny værdi Pil Under "gamle værdi", vælg System-Missing Pil Under "Ny værdi", vælg Værdi: og indtaste 0 Pil Tilføj Pil Fortsæt Pil OK.
        • Omkode Tempo2 (SYSMIS = 0).
        • EXECUTE.
      4. Opsummere sekunder starter fra nul. Fremgangsmåde: Transform/ 50643/arrow.jpg "width =" 20px "/> Compute Variable Pil Under "Target Variabel:" type tempo Pil Under "numerisk udtryk" type lag (tempo) +1 Pil HVIS ... Pil Vælg Medtag hvis case opfylder betingelsen: Pil Indtast tempo2> 0 Pil Fortsæt Pil OK.
        • IF (Tempo2> 0) Tempo = Lag (tempo) + 1.
        • EXECUTE.
      5. At fjerne de første 10 min af warm-up, fjerne tempo data, der går forud for 599 sekunder. Procedure: Data Pil Vælg sager ... Pil I "Vælg sager" vinduet under "Vælg", vælg "Hvis betingelse er opfyldt" Pil If ... Pil I "Vælg Cases: Hvis" vindue, indsætte ligning tempo> 599 Pil Fortsæt Pil Under"Output", vælge Slet ikke-valgte sager Pil OK. Se figur 5..
        • FILTER OFF.
        • BRUGE HELE.
        • SELECT IF (tempo> 599).
        • EXECUTE.
    2. Eliminer cool-down fase (f.eks sidste 5 minutter.):
      1. Sortere data i faldende rækkefølge for Duration_A at bringe cool-down fasen til toppen af databasen, som SPSS fjerner data fra toppen af filen frem. Procedure: Data Pil Sortér sager Pil I "Sort Cases" vinduet, skal du vælge Duration_A Pil Klik på enRROW Pil I "Sorteringsrækkefølge" menuen vælges Faldende Pil OK.
        • SORT tilfælde med Duration_A (D).
      2. Omkode Duration_A at identificere hvert sekund som 1. Fremgangsmåde: Transform Pil Omkode i forskellige variabler ... Pil I "ny kodning i forskellige variabler" vinduet, skal du vælge Duration_A Pil klik pil Pil Identificer "Output Variabel Navn "(f.eks. TempoA) Pil Skift Pil Klik på gammel og ny værdi Pil Under "Old Value", vælg Værdi: og indtaste 0 Pil Under "Ny værdi", vælg Værdi: og indtaste 0 Pil Tilføj Pil Vælg Alle andre værdier under "Gamle Value", og klik derefter på Værdi: under "Ny værdi" og indtaste 1ad/50643/arrow.jpg "width =" 20px "/> Tilføj Pil Fortsæt Pil OK.
        • Omkode Duration_A (0 = 0) (ELSE = 1) I TempoA.
        • EXECUTE.
      3. Opret en anden midlertidig variabel. Fremgangsmåde: Transform Pil Skiftværdier Pil Vælg tempoA Pil Klik på pilen Pil Under "Navn:" type midlertidig variabel (. F.eks tempoA2) PilSkift Pil OK.
        • Skiftværdier VARIABLE = TempoA RESULTAT = TempoA2 LAG = 1.
      4. For at starte tempoA2 på 0, skal den omkodet. Fremgangsmåde: Transform Pil Omkode i samme variable Pil Vælg tempoA2 Pil Klik på pilen Pil Klik på gammel og ny værdi Pil Under "gamle værdi", vælg System-M Issing Pil Under "Ny værdi", vælg Værdi: og indtaste 0 Pil Tilføj Pil Fortsæt Pil OK.
        • Omkode TempoA2 (SYSMIS = 0).
        • EXECUTE.
      5. Opsummere sekunder af tempoA variabel. Fremgangsmåde: Transform Pil Beregn Variabel Pil Under "Target Variabel:" type tempoA 50643/arrow.jpg "width =" 20px "/> Under" numerisk udtryk "type lag (tempoA) +1 Pil HVIS ... Pil Vælg Medtag hvis case opfylder betingelsen: Pil Type tempoA2> 0 Pil Fortsæt Pil OK.
        • IF (TempoA2> 0) TempoA = Lag (tempoA) + 1.
        • EXECUTE.
      6. For at eliminere den cool-down fase (dvs. 5 min), fjerne tempo data, der går forud for 299 sekunder. Procedure: Datapg "width =" 20px "/> Vælg sager ... Pil I "Vælg sager" vinduet under "Vælg", vælg "Hvis betingelse er opfyldt" Pil If ... Pil I "Vælg sager: Hvis" vindue, skal du indsætte ligning tempoA> 299 Pil Fortsæt Pil under "Output", vælge Slet ikke-valgte sager Pil OK. Se figur 6.
        • FILTER OFF.
        • BRUGE HELE. SELECT IF (tempoA> 299).
        • EXECUTE.
    3. Identificer tal-session (eller dato) i forbindelse med datasæt. Oprette og navngive en ny variabel (f.eks. Session). Fremgangsmåde: Transform Pil Beregn Variabel Pil I beregne variable vinduet under Target Variable, type Session Pil klik Type & Label til at åbne "Compute Variable: Indtast et ..." vindue Pil under "Type" vælge String Pil Fortsæt under String Expression typen '1 ' Pil OK. Se Figur 7..
      • STRING Session (A8).
      • COMPUTE Session = '1 '.
      • EXECUTE.
    4. Gem den modificerede SPSS dokumentet i en ny fil (eksempel: subjectID_session #).
    5. Gentag ovenstående procedure for alle resterende sessioner for samme emne.

3. Data Sammensmeltning - enkelt deltager

  1. At fusionere alle sessioner i en enkelt SPSS-database, åbne deltagers første session (dvs.. SubjectID_session1).
  2. Flet de resterende sessioner til den aktuelle fil. Procedure: Data Pil Flet filerPil Tilføj Sager Pil i "Føj sagerne til subjectID_session1.sav" vinduet, klik på Gennemse, og vælg fil subjectID_session2 Pil Åbent Pil Fortsæt Pil i "Tilføj sager fra ..." vindue og klik på OK. Gentag for alle de resterende sessioner. Se figur 8.
    • ADD FILES / FILE = *
    • / FILE = "SubjectAB001_Session1.sav '.
    • EXECUTE.
  3. Tilføj en kolonne, der indeholder emnet ID-nummer. Procedure: Tr ansform Pil Beregn Variabel Pil I "Compute Variable" vinduet under Target Variable, type SubjectID Pil klik Type & Label til at åbne "Compute Variable: Indtast et ..." vindue Pil under "Type" vælge String Pil Fortsæt Pil under String Expression type 'SubjectID "(fx' AB001)s/ftp_upload/50643/arrow.jpg "width =" 20px "/> OK Se figur 9...
    • STRING Subject_ID (A8).
    • COMPUTE Subject_ID = 'AB001'.
    • EXECUTE.
  4. Tilføj en kolonne, der indeholder fagets mål intensitet (f.eks. Mål hjertefrekvens [THR]). Fremgangsmåde: Transform Pil Beregn Variabel Pil I "Compute Variable" vinduet under Target Variable, type THR Pil klik Type & Label til at åbne "Compute Variable: Indtast et ..." vindue Pil under "Type" vælge Numerisk PilFortsæt Pil under Numerisk Expression typen THR (f.eks. 110) Pil OK. Se figur 10..
    • STRING THR (A8).
    • COMPUTE THR = '110 '.
    • EXECUTE.
  5. Gem databasen under et andet filnavn (f.eks. SubjectAB001_session1-36).
  6. Gentag for alle resterende deltagere. På dette tidspunkt, vil hver deltager have en database, der indeholder alle sessioner.

4.. Data fusionerende - Gruppering Deltagere

  1. At gruppere flere deltagere i en enkelt database, åbne deltagers fil (dvs. subjectID_session1-36).
  2. Flet de øvrige deltagere, at den nuværende file. Procedure: Data Pil Flet filer Pil Tilføj Sager Pil i "Tilføj sagerne til SubjectAB001_session1-36.sav" vinduet, klik på Gennemse, og vælg fil SubjectCD002_session1-36 Pil Åbent Pil Fortsæt Pil i "Tilføj sager fra ..." vindue og klik på OK. Gentag for alle deltagere, som du ønsker at gruppere. Se figur 11..
    • Tilføj filer /FILE = *
    • / RENAME (AB001 = d0)
    • / FILE = "SubjectAB001_Session1-36.sav '
    • / RENAME (CD002 = d1)
    • / DROP = d0 d1.
    • EXECUTE.
  3. Gem ny database (f.eks. Group01_Subjects001-010).

5.. Identifikation af Target Intensitet (f.eks THR Range)

  1. Identificer en THR range; klik Transform Pil Beregn Variabel Pil i "Compute Variable" vinduet under "Target Variable" Indtast en ny variabel navn (f.eks Diff_HR_THR) Pil "Type & Label ..." Pil i "C ompute Variabel: Indtast en .... "vælge Numerisk Pil Fortsæt Pil Under "numerisk udtryk" Indtast ligningen: HR - THR Pil OK. Dette giver os en ny variabel.
    • COMPUTE Diff_HR_THR = HR - THR.
    • EXECUTE.
  2. Omkode variabler til at identificere, om HR ligger under, over eller inden for THR rækkevidde. Fremgangsmåde: Transform Pil Omkode Into forskellige variabler ... Pil Vælg Diff_HR_THR.2 I "src =" / files/ftp_upload/50643/arrow.jpg "width =" 20px "/> klik pil Pil under "Output Variable" under "Navn" type Diff_HR_THR _recoded Pil Skift Pil Gammel og ny værdi ... Pil i "en ny kodning Into forskellige variabler: gammel og ny værdi" vinduet:
<td align = "center" rowspan = "4"> Tilføj
Gamle værdi Ny værdi Old -> Ny:
: -5 Til 5. 1 -5 Thru 5 -> 1
Range, LAVESTE gennem værdi: -5 0 Laveste thru -5 -> 0
Range, værdi gennem HØJESTE: 5 0 5 thru Højeste -> 0
System-mangler System-mangler SYSMIS -> SYSMIS

Pil Fortsæt Pil OK. Se figur 12..

  • Omkode Diff_HR_THR (SYSMIS = SYSMIS) (-5 thru 5 = 1) (Laveste thru -5 = 0) (5 thru Højeste = 0) til
  • Diff_HR_THR_Recoded.
  • EXECUTE.

6.. Beregning af procent Overholdelse

  1. I Group01_Subjects001-010 fil, beregne alle sekunder at patienterne var i THR rækkevidde ved at gøre følgende: Data Pil Aggregate Pil i "Aggregate data" vinduet under "Break Variable (e):" Vælg subjectID og session Pil klik pil Pil under "Resuméer af Variable (e):" Vælg Diff_HR_THR _recoded Pil klik pil = "Arrow" fo: content-width = ".2 i" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> OK. En ny variabel er oprettet med navnet Diff_HR_THR _recoded_mean.
    • AGGREGATE
    • / OUTFILE = * MODE = ADDVARIABLES
    • / BREAK = Subject_ID Session
    • / Diff_HR_THR_Recoded_mean = GENNEMSNIT (Diff_HR_THR_Recoded).
  2. Konverter den opnåede værdi i en procentdel, klik Transform Pil Beregn Variabel Pil under "Target Variable" indtaste variablen navn (f.eks Perc_THR) Pil under "Numerisk Expression", vælg Diff_HR_THR _recoded_mean"/> Klik pil Pil multiplicere værdien med 100 (Diff_HR_THR _recoded_mean * 100) Pil OK. Vi derefter opnå tilslutning som en procentdel af tid brugt i THR for hvert emne for hver session. Se figur 13.
    • COMPUTE Perc_THR = Diff_HR_THR_Recoded_mean * 100.
    • EXECUTE.
  3. For at opnå tilslutning til den procentdel af tiden tilbragt i THR for hvert emne for alle sessioner sammenbygget "aggregerede data" vinduet under "Break Variable (e):" stedfortræder subjectID og session med kun subjectID. Se figur 14..
  4. For at opnå tilslutning til den procentdel af tiden tilbragt i THR for hver session for alle fag sammenbygget "aggregerede data" vinduet under "Break Variable (e): "stedfortræder subjectID og session med kun session.
  5. Gem databasen under et andet navn (f.eks. Group01_Subjects001-010_Aggregate).

Representative Results

Når protokollen er udført korrekt, er en tilslutning, der opnås for hvert emne for hver session (figur 13) for hvert emne for alle sessioner (figur 14), og for hver session for alle fag tilsammen. Et skøn over den tid, der kræves for at fuldføre ovennævnte protokol for en enkelt session af et emne er ca 5 min. Resultater for overholdelse kan variere fra 0-100%. Ved hjælp af disse oplysninger kan yderligere analyser udføres for at bestemme forskelle mellem individer (dvs. kønsforskelle, sygdommens sværhedsgrad, osv.), Til at identificere ændringer over tid, og at afsløre mønstre i vedhæftning. Desuden kan sammenligningen af ​​vedhæftning mellem grupperne skal udføres for eksempel, kan forskellige programmer træning sammenlignes. Endelig gennem yderligere undersøgelser, årsager til non-compliance kan identificeres på bestemte tidspunkter i løbet af PR.

"> Figur 1
Figur 1.. Pulssender placering. Klik her for at se større billede .

Figur 2
Figur 2.. Prøve af data indsamlet ved hjælp af data tracking software. Klik her for at se større billede .

Figur 3
Figur 3.. Prøve af data tracking software output.jove.com/files/ftp_upload/50643/50643fig3highres.jpg "target =" _blank "> Klik her for at se større billede.

Figur 4
Figur 4.. Sample database illustrerer en stikprøve af statistisk software database. Klik her for at se større billede .

Figur 5
Figur 5. Sample database illustrerer elimineret opvarmningsfasen. Klik her for at se større billede .

Figur 6 Figur 6.. Sample database illustrerer elimineret cool-down fasen. Klik her for at se større billede .

Figur 7
Figur 7.. Sample database illustrerer en kolonne tilføjet for session nummer. Klik her for at se større billede .

Figur 8
Figur 8.. Sample database illustrerer de fusionerede sessioner for en enkelt DELTAGERE ton. Klik her for at se større billede .

Figur 9
Figur 9.. Sample database illustrerer en kolonne tilføjet for emne identifikationsnummer. Klik her for at se større billede .

Figur 10
Figur 10.. Sample database illustrerer en kolonne tilføjet for mål hjertefrekvens. Klik her for at se større billede .

e_content "fo: keep-together.within-side =" altid "> Figur 11
Figur 11. Sample database illustrerer de fusionerede deltagernes filer. Klik her for at se større billede .

Figur 12
Figur 12. Sample database illustrerer recoded hjertefrekvens variabler. Klik her for at se større billede .

Figur 13
Figur 13.. Sample database illustrerer tilslutning som en procentdel af tid brugt i mål hjertefrekvens interval for hvert fag for hver session (vandret rød linje fremhæver ændringen i tilslutning mellem sessioner for samme emne). Klik her for at se større billede .

Figur 14
Figur 14. Sample database illustrerer tilslutning til den procentdel af tiden tilbragt i mål hjertefrekvens interval for hvert emne for alle sessioner (vandret rød linje fremhæver forskellen mellem fag). Klik her for at se større billede .

Discussion

Kontinuerlig data tracking teknologi gør det muligt for en meget præcis måling af motion tilslutning. Denne procedure kan let tilpasses til andre definitioner af vedhæftning ved at erstatte mål hjertefrekvens rækkevidde med target watt, niveau, hastighed eller MET-niveau. I det foreliggende eksempel blev warm-up og cool-down faser fjernes for at isolere udøvelsen fase på grund af vores specifikke mål for forskning. Skulle warm-up og cool-down faser være af interesse for andre forskere, kan trin 2.3 ("Eliminer de nontraining faserne"), fjernes fra protokollen. Desuden hardware og software er også tilgængelig til at måle overholdelsen af ​​andre former for uddannelse, såsom løbebånd, elliptisk, stepper, og arm ergometer.

Ved at følge ovennævnte protokol visse enkle trin er kritiske. For det første skal CardioMemory softwaren startes før træningsudstyr (f.eks. Cykelergometer) for træningsdata at være tracKED og efterfølgende registreres. Skulle data gå tabt på dette indledende skridt vil dataudtræk protokol skal justeres i overensstemmelse hermed. For det andet skal fejlkilder minimeres for at reducere risikoen for krydstale og / eller mistede data. De pulsmålere kommunikere trådløst med det udstyr og software. Således er især skadelig interferens, hvis du bruger mål hjertefrekvens at beregne vedhæftning. Endelig er det vigtigt at vælge den statistiske software til den database, der har kapacitet til at tillade store mængder data. For eksempel i en undersøgelse med 10 deltagere udfylde 36 sessioner på 40 minutter hver, 864.000 rækker af datapunkter vil blive genereret. Excel 2007 og senere versioner har kapacitet til at indeholde 1.048.576 rækker i et regneark 23, mens SAS 24 og SPSS 25 har ingen grænse for antallet af rækker. Afhængig af antallet af datapunkter, der forventes for en given undersøgelse behov for software, der skal vælges i overensstemmelse hermed. På trods af de bemærkelsesværdige fordele ved denne teknologi findes to begrænsninger. Den første er tab af data, hvilket kan resultere fra udstyr og / eller software fejl. Som nævnt ovenfor, kan datatab skyldes elektrisk interferens med trådløse enheder (dvs. mobiltelefoner eller Wi-Fi), og mere specifikt interferens med trådløs overførsel af data for hjertefrekvens. Men til tider, tab af data kan også skyldes uidentificerbare årsager. En anden begrænsning er, at softwaren ikke giver mulighed for mærkning eller opdele øvelsen protokol systematisk med henblik på at skelne / identificere forskellige faser. Hvis denne mulighed var til rådighed, kunne udvinding af øvelsen fase af interesse udføres direkte i softwaren, hvilket ville begrænse trin i beregningen protokol vedhæftningen. Samt, vil muligheden for at placere markører være praktisk for studiet af tilslutning til interval eller intermitterende uddannelse protokoller, da det ville give mulighed fordifferentiering af de forskellige faser (f.eks. lavtillids intensitet).

Til fremtidige perspektiver, vil brugen af ​​kontinuerlig data tracking teknologi til præcist at kvantificere overholdelse muligt for forskerne at undersøge mønstre af motion reaktion på forskellige tiltag, identificere determinanter for tilslutning, og karakterisere gode og dårlige adherers. I sidste ende vil en bedre forståelse af motion tilslutning giver mulighed for optimering af motion rehabiliteringsprogrammer.

Disclosures

Forfatterne erklærer, at de ikke har nogen konkurrerende finansielle interesser.

Acknowledgments

Canadian Lung Association - Canadiske Respiratory Health Professionals, 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).

Tags

Medicine Data tracking motion rehabilitering tilslutning patient compliance sundhedsadfærd bruger-computer interface.
Brug Continuous Data sporingsteknologi til Study Motion Overholdelse i pulmonal rehabilitering
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Rizk, A. K., Wardini, R., Chan-Thim, … 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