Waiting
Login processing...

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

Medicine

El uso de la tecnología de seguimiento de datos continua para Estudiar Ejercicio Adherencia en Rehabilitación Pulmonar

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

La rehabilitación pulmonar es ampliamente reconocido en la gestión de las enfermedades respiratorias. Un componente clave de la rehabilitación pulmonar con éxito es la adherencia a la práctica de ejercicio recomendado. El objetivo del presente protocolo es describir cómo la tecnología de seguimiento continuo de datos se puede utilizar para medir con precisión la adhesión a una intensidad de entrenamiento aeróbico prescrito.

Abstract

La rehabilitación pulmonar (RP) es un componente importante en el manejo de las enfermedades respiratorias. La eficacia de la PR depende de la adherencia a ejercer recomendaciones de formación. El estudio de la adherencia al ejercicio es, pues, un paso clave para la optimización de los programas de relaciones públicas. Hasta la fecha, las medidas en su mayoría indirectas, como las tasas de participación, terminación, y la asistencia, se han utilizado para determinar la adherencia a PR. El objetivo del presente protocolo es describir cómo la tecnología de seguimiento continuo de datos se puede utilizar para medir la adhesión a una intensidad de entrenamiento aeróbico prescrito en un segundo a segundo.

En nuestras investigaciones, la adherencia ha sido definida como el porcentaje de tiempo transcurrido dentro de un rango de ritmo cardíaco objetivo especificado. Como tal, el uso de una combinación de hardware y software, se mide la frecuencia cardiaca, seguimiento, y se registra durante el ciclismo segundo por segundo para cada participante, para cada sesión de ejercicio. El uso de software estadístico, tque los datos posteriormente se extrae y se analiza. El mismo protocolo se puede aplicar para determinar la adhesión a otras medidas de la intensidad del ejercicio, tales como el tiempo dedicado a la potencia, el nivel especificado, o la velocidad en el cicloergómetro. Además, el hardware y el software también está disponible para medir la adherencia a otras modalidades de formación, como la cinta de correr, elíptica, paso a paso, y ergómetro de brazos. El presente protocolo, por lo tanto, tiene una gran aplicabilidad para medir directamente la adherencia al ejercicio aeróbico.

Introduction

La rehabilitación pulmonar (RP) combina la práctica de ejercicio, la educación del paciente y el apoyo psicosocial, y es ampliamente reconocido como la piedra angular en el tratamiento de la enfermedad pulmonar 1-5. Los objetivos de la PR son reducir los síntomas, optimizar el estado funcional, mejorar la calidad relacionada con la salud de la vida, y reducir los costos de atención de la salud 4,5. En un meta-análisis de 31 ensayos controlados aleatorios en la enfermedad pulmonar obstructiva crónica (EPOC), PR ha demostrado mejorar significativamente la capacidad de ejercicio, reducir la disnea y la fatiga, mejora la función emocional y mejorar la sensación de control sobre su condición 6 de los pacientes. Además, la evidencia documenta su eficacia en la reducción de las exacerbaciones respiratorias y 7 días de estancia 8-13. El ejercicio físico se considera la clave del éxito de relaciones públicas, ya que es responsable de gran parte de los beneficios asociados a esta intervención 3-5. Sin embargo, un problema importante para muchoslos pacientes se ha adherido a la cantidad recomendada o nivel de ejercicio. La falta de adherencia al tratamiento recomendado puede resultar en el fracaso de las intervenciones terapéuticas, así como el uso ineficiente de los recursos de salud 14.

Según la Organización Mundial de la Salud, el término'' adhesión'' se refiere a la medida en que la conducta de una persona, coincide con las recomendaciones dadas por un profesional de la salud 15. Hasta la fecha, la adherencia al entrenamiento en centros de rehabilitación se ha valorado en gran medida como el coeficiente de participación (es decir. La inscripción al programa), la tasa de finalización (es decir, terminar el programa), o la tasa de asistencia (es decir, número de ejercicio sesiones asistieron) 16-18. En la actualidad, no existe un "estándar de oro" para la medición de adherencia 15 y los métodos actuales no permiten una gran precisión. Además, dependiendo de la Metho seleccionadad, las tasas de adherencia a PR han mostrado gran variabilidad 16-19. Por ejemplo, Hogg et al. 16 adherencia medido en pacientes con EPOC como la relación entre los que completaron el programa de los mencionados y encontró una baja adherencia de aproximadamente 40%. Sin embargo, otros estudios de relaciones públicas que han utilizado las tasas de asistencia demostraron, en promedio, una adhesión del 90% 10,20,21. La falta de homogeneidad en el cálculo de la adherencia hace que sea difícil comparar los resultados entre los estudios. Otra preocupación es la falta de precisión de los métodos de cálculo existentes, la asistencia a una sesión de entrenamiento con ejercicios no garantiza la adhesión a la intensidad prescrita. Esta falta de información nos llevó a investigar la forma en la adherencia se podría calcular de forma más precisa.

Los recientes avances en la tecnología de aparatos de ejercicios han permitido para el seguimiento continuo de datos, que se puede utilizar para controlar el cumplimiento de una intensidad de entrenamiento aeróbico prescrito durante individuossesiones de ejercicio col en un contexto de relaciones públicas. Permisos de manera más específica, hardware y software de seguimiento de datos de segundo a segundo de grabación de duración, velocidad, nivel, potencia, velocidad, ritmo cardíaco, distancia, consumo de calorías, VO 2, METS, y calorías, y proporciona los promedios de todas las variables con la excepción de nivel y VO 2. La principal ventaja de esta tecnología es la posibilidad de grabar las medidas detalladas continuos, lo que permite el cálculo preciso de la adherencia al ejercicio prescrito en comparación con las tasas de asistencia general o de terminación de informes anteriores. Este procedimiento puede ser útil para cualquier estudio que examina el impacto de uno o varios programas de entrenamiento de ejercicio aeróbico. Utilizando esta tecnología, la adherencia del paciente a una intensidad prescrita puede ser evaluada por el porcentaje de tiempo dedicado a una potencia especificada, el nivel, la velocidad o la frecuencia cardíaca durante la fase de entrenamiento de cada sesión. Para nuestras investigaciones, la adhesión a un protocolo de entrenamiento de ejercicio se ha definido como el porcentajetiempo dedicado dentro de un rango de ritmo cardíaco objetivo especificado. Dado que la respuesta de la frecuencia cardíaca a una carga submáxima determinada disminuye a medida que aumenta la capacidad cardiorrespiratoria, este enfoque asegura que los pacientes permanecen en el mismo relativo (en comparación con absoluta) la intensidad de entrenamiento durante todo el programa. El presente protocolo describe en detalle cómo la tecnología de seguimiento continuo de datos se puede utilizar para medir con precisión la adherencia a un rango de ritmo cardíaco objetivo establecido.

Protocol

Una vez recolectados los datos, se obtiene un archivo único por sujeto por sesión de datos en bruto. El uso de software estadístico, todas las sesiones por asignatura se combinan en un solo archivo. Posteriormente, la intensidad de destino debe ser calculado para cada sujeto. La tasa de adhesión a que la intensidad de destino puede entonces calcularse por sesión por sujeto, para cada sesión para todos los sujetos combinados, o por grupo.

1. Recopilación de datos (llevada a cabo por personal de supervisión de la sesión de entrenamiento)

  1. Minimizar la interferencia eléctrica apagando los dispositivos inalámbricos (por ejemplo, teléfonos celulares, Wi-Fi, etc.) Y minimizar la diafonía, garantizando los monitores y equipos de frecuencia cardíaca son de al menos 1 metro de distancia. Consulte la Figura 1 para la colocación del transmisor de frecuencia cardíaca.
  2. Encienda el software de seguimiento de datos. Pulse Iniciar en el equipo aeróbico y entrenar a los participantes en la intensidad de destino. Por ejemplo, en nuestros estudios, los participantesSe les pide a los pantalones para entrenar dentro de ± 5 latidos / min de su objetivo de frecuencia cardíaca. Consulte la Figura 2 para CardioMemory.
  3. Recopilar datos segundo a segundo para cada participante para cada sesión de rehabilitación. Se recogió información incluye lo siguiente: según el ID, la duración (hhmmss), el nivel de intensidad (1-30), la carga de trabajo (vatios), la velocidad de pedaleo (revoluciones / minuto), distancia (km), ritmo (mm: ss / km), frecuencia cardiaca (latidos / minuto), el consumo estimado de oxígeno (VO 2, ml / min / kg), equivalente metabólico de esfuerzo físico (MET), el gasto energético estimado (kcal / hora), y se estima que la energía consumida (kcal). Véase la figura 3.
  4. Pulse stop en el equipo aeróbico. Haga clic en "Guardar" para cargar los datos en CardioMemory. Haga clic en "Exportar" para guardar el documento fuera de CardioMemory. El documento estará en. Formato cvs e incluirá automáticamente la fecha de la sesión.

2. Extracción de datos

Csoftware de ardioMemory no permite la distinción de diferentes fases de entrenamiento con ejercicios. Por lo tanto, los datos obtenidos deben ser exportados a un software de estadística con el fin de eliminar las fases que no sean de interés (por ejemplo, calentamiento y enfriamiento), combinar los archivos de datos y comparar logrado contra intensidad objetivo.

  1. Abra el software de análisis estadístico para importar archivo de Excel. Procedimiento: Archivo Flecha Abierto Flecha Datos Flecha En "Open Data" ventana, seleccione Todos los archivos en el menú desplegable de "archivos de tipos" Flecha Seleccione Excel. xls Flecha/> Open Flecha En "Abrir origen de datos Excel" ventana, haga clic en Aceptar.
  2. Guarde el archivo de datos en un software de análisis estadístico. Consulte la Figura 4 para una base de datos de la muestra.
  3. Eliminar las fases nontraining, es decir, de calentamiento y enfriamiento, si el interés es el tiempo pasado en la intensidad objetivo durante la fase de entrenamiento.
    1. Eliminar la fase de calentamiento (por ejemplo, primero 10 min):
      1. Para recodificar duración, cree una variable para identificar a cada segundo como 1. Procedimiento: Transformar Flecha Recodificar en distintas variables ... Flecha En "Recodificar en distintas variables" window, seleccione Duration_A Flecha haga clic en la flecha Flecha Identificar "Salida Variable Name" (por ejemplo, tempo) Flecha Cambio Flecha Haga clic en Valores antiguos y nuevos Flecha En "Valor antiguo", seleccione Valor: e introduzca 0 Flecha En "Nuevo valor", Seleccionar Valor: e introduzca 0 Flecha Añadir Flecha o: content-width = "0.2 en" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> En "Valor antiguo", seleccione Todos los demás valores y haga clic en Valor:, en "Nueva Valor "e introducir 1 Flecha Añadir Flecha Continuar Flecha Aceptar.
        • RECODE Duration_A (0 = 0) (ELSE = 1) en Tempo.
        • EJECUTAR.
      2. Cree una segunda variable temporal. Procedimiento: Transformar Flecha Cambiar valores Flecha Seleccione tempoiles/ftp_upload/50643/arrow.jpg "width =" 20px "/> Haga clic en la flecha Flecha En "Nombre:" variable temporal tipo (por ej. TEMPO2) Flecha Cambio Flecha Aceptar.
        • SHIFT VALORES VARIABLE = RESULTADO Tempo = TEMPO2 LAG = 1.
      3. Para iniciar TEMPO2 a 0, debe ser recodificado. Procedimiento: Transformar Flecha Recodificar en las mismas variables Flecha Seleccione TEMPO2 Flecha Haga clic en la flecha g alt = "Flecha" fo: content-width = "0.2 en" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> Haga clic en Valores antiguos y nuevos Flecha En "Valor antiguo", seleccione Sistema-Desaparecidos Flecha En "Nuevo valor", seleccione Valor: e introduzca 0 Flecha Añadir Flecha Continuar Flecha Aceptar.
        • RECODE TEMPO2 (SYSMIS = 0).
        • EJECUTAR.
      4. Sumar los segundos a partir de cero. Procedimiento: Transformar/ 50643/arrow.jpg "width =" 20px "/> Calcular variable Flecha Bajo "Variable de destino:" Tipo de tempo Flecha En "Numeric expresión" tipo de lag (tempo) 1 Flecha SI ... Flecha Seleccione Incluir si la condición satisface casos: Flecha Escriba TEMPO2> 0 Flecha Continuar Flecha Aceptar.
        • IF (TEMPO2> 0) Tempo = Lag (tempo) + 1.
        • EJECUTAR.
      5. Para eliminar los primeros 10 minutos de calentamiento, eliminar los datos de tempo que precede a 599 segundos. Procedimiento: Datos Flecha Seleccionar casos ... Flecha En la ventana "Seleccionar casos", bajo "Seleccionar", elija "Si la condición se cumple" Flecha Si ... Flecha En "Seleccionar casos: Si" ventana, tempo ecuación de inserción> 599 Flecha Continuar Flecha Bajo"Salida", elija Eliminar casos no seleccionados Flecha Aceptar. Vea la Figura 5.
        • FILTRO ON.
        • UTILIZAR TODO.
        • SELECT IF (tempo> 599).
        • EJECUTAR.
    2. Eliminar la fase de enfriamiento (por ejemplo, los últimos 5 minutos.):
      1. Ordenar datos con el fin de Duration_A para llevar la fase de enfriamiento de la parte superior de la base de datos, como SPSS elimina los datos de la parte superior del archivo en adelante descendente. Procedimiento: Datos Flecha Ordenar casos Flecha En la ventana "Ordenar casos", seleccione Duration_A Flecha haga clic en unrrow Flecha En el menú "Orden", seleccione Descendente Flecha Aceptar.
        • ORDENAR POR CASOS Duration_A (D).
      2. Recodificar Duration_A para identificar cada segundo como 1. Procedimiento: Transformar Flecha Recodificar en distintas variables ... Flecha En la ventana "Recodificar en distintas variables", seleccione Duration_A Flecha haga clic en la flecha Flecha Identificar "Salida Nombre de variable "(p. ej. TempoA) Flecha Cambio Flecha Haga clic en Valores antiguos y nuevos Flecha En "Valor antiguo", seleccione Valor: e introduzca 0 Flecha En "Nuevo valor", seleccione Valor: e introduzca 0 Flecha Añadir Flecha Seleccione Todos los demás valores bajo "Valor antiguo", a continuación, haga clic en Valor: bajo "Valor nuevo" e introducir 1ad/50643/arrow.jpg "width =" 20px "/> Añadir Flecha Continuar Flecha Aceptar.
        • RECODE Duration_A (0 = 0) (ELSE = 1) EN TempoA.
        • EJECUTAR.
      3. Cree una segunda variable temporal. Procedimiento: Transformar Flecha Cambiar valores Flecha Seleccione tempoA Flecha Haga clic en la flecha Flecha En "Nombre:" variable temporal tipo (por ej. TempoA2) FlechaCambiar Flecha Aceptar.
        • SHIFT VALORES VARIABLE = RESULTADO TempoA = TempoA2 LAG = 1.
      4. Para iniciar tempoA2 a 0, debe ser recodificado. Procedimiento: Transformar Flecha Recodificar en las mismas variables Flecha Seleccione tempoA2 Flecha Haga clic en la flecha Flecha Haga clic en Valores antiguos y nuevos Flecha En "Valor antiguo", seleccione Sistema-M issing Flecha En "Nuevo valor", seleccione Valor: e introduzca 0 Flecha Añadir Flecha Continuar Flecha Aceptar.
        • RECODE TempoA2 (SYSMIS = 0).
        • EJECUTAR.
      5. Sumar los segundos de la variable tempoA. Procedimiento: Transformar Flecha Calcular variable Flecha Bajo "Variable de destino:" tipo tempoA 50643/arrow.jpg "width =" 20px "/> En" Numeric expresión "tipo de lag (tempoA) 1 Flecha SI ... Flecha Seleccione Incluir si la condición satisface casos: Flecha Tipo tempoA2> 0 Flecha Continuar Flecha Aceptar.
        • IF (TempoA2> 0) TempoA = Lag (tempoA) + 1.
        • EJECUTAR.
      6. Para eliminar la fase de enfriamiento (es decir, 5 min), eliminar los datos de tempo que precede a 299 segundos. Procedimiento: Datospg "width =" 20px "/> Seleccionar casos ... Flecha En la ventana "Seleccionar casos", bajo "Seleccionar", elija "Si la condición se cumple" Flecha Si ... Flecha En "Seleccionar casos: Si" ventana, inserte la ecuación tempoA> 299 Flecha Continuar Flecha bajo "de salida", seleccione Eliminar casos no seleccionados Flecha Aceptar. Ver Figura 6.
        • FILTRO ON.
        • UTILIZAR TODO. SELECT IF (tempoA> 299).
        • EJECUTAR.
    3. Identificar el número de sesión (o fecha) asociado con el conjunto de datos. Crear y nombrar una nueva variable (p. ej. ª reunión). Procedimiento: Transformar Flecha Calcular variable Flecha En cómputo ventana variable en Target Variable, Tipo de sesión Flecha haga clic en Tipo y etiqueta para abrir "Calcular variable: Tipo de ..." ventana Flecha en "Tipo", seleccione Cadena Flecha Continuar bajo cuerda tipo Expression '1 ' Flecha Aceptar. Vea la Figura 7.
      • STRING sesión (A8).
      • COMPUTE Sesión = '1 '.
      • EJECUTAR.
    4. Guarde el documento SPSS modificado en un nuevo archivo (ejemplo: subjectID_session #).
    5. Repita el procedimiento anterior para todas las sesiones restantes para el mismo tema.

3. La fusión de datos - Participante Individual

  1. Para combinar todas las sesiones en una única base de datos de SPSS, la primera sesión del participante abierto (es decir. SubjectID_session1).
  2. Combinar sesiones restantes en el archivo actual. Procedimiento: Datos Flecha Combinar archivosFlecha Añadir Casos Flecha en "Añadir a subjectID_session1.sav Casos", haga clic en Examinar y seleccione el archivo subjectID_session2 Flecha Abierto Flecha Continuar Flecha en el "Agregar Casos de ..." ventana, haga clic en Aceptar. Repita el procedimiento para todas las sesiones restantes. Vea la Figura 8.
    • Agregar archivos / FILE = *
    • / FILE = 'SubjectAB001_Session1.sav'.
    • EJECUTAR.
  3. Agregar una columna que contiene el número de identificación del sujeto. Procedimiento: Tr ansform Flecha Calcular variable Flecha En la ventana "Calcular variable" en Destino de variable, escriba SubjectID Flecha haga clic en Tipo y etiqueta para abrir "Calcular variable: Tipo de ..." ventana Flecha en "Tipo", seleccione Cadena Flecha Continuar Flecha bajo cuerda tipo Expression 'SubjectID' (por ejemplo, 'AB001')s/ftp_upload/50643/arrow.jpg "width =" 20px "/> Aceptar. Véase la Figura 9.
    • STRING Subject_ID (A8).
    • COMPUTE Subject_ID = 'AB001'.
    • EJECUTAR.
  4. Agregar una columna que contiene la intensidad objetivo del sujeto (p. ej. Frecuencia cardíaca ideal [THR]). Procedimiento: Transformar Flecha Calcular variable Flecha En "Calcular variable" ventana bajo Variable de destino, tipo de THR Flecha haga clic en Tipo y etiqueta para abrir "Calcular variable: Tipo de ..." ventana Flecha en "Tipo", seleccione Numérico FlechaContinuar Flecha bajo Numérico tipo Expression THR (p. ej. 110) Flecha Aceptar. Vea la Figura 10.
    • THR STRING (A8).
    • COMPUTE THR = '110 '.
    • EJECUTAR.
  5. Guardar la base de datos con un nombre de archivo diferente (por ejemplo,. SubjectAB001_session1-36).
  6. Repita el procedimiento para todos los demás participantes. En este punto, cada participante tendrá una base de datos que contiene todas las sesiones.

4. Fusión de los datos - Agrupación participantes

  1. Para agrupar varios participantes en una sola base de datos, el archivo del participante abierto (es decir subjectID_session1-36).
  2. Combinar los restantes participantes en la f actualile. Procedimiento: Datos Flecha Combinar archivos Flecha Añadir Casos Flecha en "Agregar Casos de SubjectAB001_session1-36.sav", haga clic en Examinar y seleccione el archivo SubjectCD002_session1-36 Flecha Abierto Flecha Continuar Flecha en el "Agregar Casos de ..." ventana, haga clic en Aceptar. Repita el procedimiento para todos los participantes que desea agrupar. Vea la Figura 11.
    • Agregar archivos /FILE = *
    • / RENAME (AB001 = d0)
    • / FILE = 'SubjectAB001_Session1-36.sav'
    • / RENAME (CD002 = d1)
    • / DROP = d1 d0.
    • EJECUTAR.
  3. Ahorra nueva base de datos (por ejemplo,. Group01_Subjects001-010).

5. Identificación de Intensidad de destino (por ejemplo, la gama THR)

  1. Identificar una gama THR; haga clic en Transformar Flecha Calcular variable Flecha en la ventana "Calcular variable" en "Target Variable" introduzca un nuevo nombre de la variable (por ejemplo Diff_HR_THR) Flecha "Tipo & Label ..." Flecha en el "C Variable ompute: Escriba un .... "seleccione Numérico Flecha Continuar Flecha En "Expresión numérica" ​​enter ecuación: HR - THR Flecha Aceptar. Esto nos proporciona una nueva variable.
    • COMPUTE Diff_HR_THR = HR - THR.
    • EJECUTAR.
  2. Recodificar variables para identificar si la HR está por debajo, por encima o dentro de la gama THR. Procedimiento: Transformar Flecha Recodificar en distintas variables ... Flecha seleccione Diff_HR_THR0.2 en "src =" / files/ftp_upload/50643/arrow.jpg "width =" 20px "/> haga clic en la flecha Flecha bajo "Variable de salida" en Tipo de "Nombre" Diff_HR_THR _recoded Flecha Cambio Flecha Valores antiguos y nuevos ... Flecha en "Recodificar en distintas variables: Valores antiguos y nuevos" de la ventana:
<td align = "center" rowspan = "4"> Añadir
Valor antiguo Nuevo valor Antiguo -> Nuevo:
Rango: -5 a 5 1 -5-5 -> 1
Range, BAJO través del valor: -5 0 Menor a través -5 -> 0
Rango, valor a través de más alto: 5 0 5 al Mayor -> 0
Perdido por el sistema Perdido por el sistema SYSMIS -> SYSMIS

Flecha Continuar Flecha Aceptar. Vea la Figura 12.

  • RECODE Diff_HR_THR (SYSMIS = SYSMIS) (-5-5 = 1) (más bajo a través de -5 = 0) (5 al más alto = 0) EN
  • Diff_HR_THR_Recoded.
  • EJECUTAR.

6. Cálculo de adherencia Porcentaje

  1. En Group01_Subjects001-010 del archivo, el cálculo de todos los segundos que los pacientes estaban dentro del rango THR haciendo lo siguiente: Los datos Flecha Agregado Flecha en "Datos Agregados" ventana, debajo de "Break variable (s):" select subjectID y la sesión Flecha haga clic en la flecha Flecha bajo "Resúmenes de Variable (s):" select Diff_HR_THR _recoded Flecha haga clic en la flecha = "Flecha" fo: content-width = "0.2 en" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> Aceptar. Se crea una nueva variable con el nombre _recoded_mean Diff_HR_THR.
    • AGREGADA
    • / OUTFILE = * = MODO ADDVARIABLES
    • / PAUSA = Subject_ID Sesión
    • / Diff_HR_THR_Recoded_mean = MEDIA (Diff_HR_THR_Recoded).
  2. Convertir el valor obtenido en porcentaje; haga clic en Transformar Flecha Calcular variable Flecha en "Target Variable" enter nombre de la variable (por ejemplo Perc_THR) Flecha en "Expresión numérica" ​​seleccione Diff_HR_THR _recoded_mean"/> Haga clic en la flecha Flecha multiplica el valor por 100 (Diff_HR_THR _recoded_mean * 100) Flecha Aceptar. A continuación, obtener la adhesión como un porcentaje del tiempo dedicado dentro de la THR para cada materia de cada sesión. Consulte la Figura 13
    • COMPUTE Perc_THR = Diff_HR_THR_Recoded_mean * 100.
    • EJECUTAR.
  3. Para obtener la adhesión para el porcentaje de tiempo dedicado dentro de la THR para cada materia para todas las sesiones combinadas, en "Datos Agregados" ventana, debajo de "Break variable (s):" subjectID sustituto y una sesión con sólo subjectID. Vea la Figura 14.
  4. Para obtener la adhesión para el porcentaje de tiempo dedicado dentro de la THR para cada sesión para todos los sujetos combinados, en "Datos Agregados" ventana, bajo "Romper Variable (s): "subjectID sustituto y sesión con única sesión.
  5. Guardar la base de datos con un nombre de archivo diferente (por ejemplo,. Group01_Subjects001-010_Aggregate).

Representative Results

Cuando el protocolo se realiza correctamente, se obtiene una tasa de adhesión para cada materia de cada sesión (Figura 13), en cada asignatura para todas las sesiones (Figura 14), y para cada período de sesiones para todos los sujetos combinados. Una estimación del tiempo necesario para completar el protocolo anterior para una sola sesión de una asignatura es de aproximadamente 5 min. Resultados para la adherencia puede oscilar de 0-100%. Con esta información, los análisis adicionales se pueden realizar para determinar las diferencias entre los sujetos (es decir, las diferencias de sexo, gravedad de la enfermedad, etc.), Para identificar cambios en el tiempo, y para revelar los patrones en la adherencia. Por otra parte, la comparación de la adherencia entre los grupos se puede realizar, por ejemplo, los diferentes programas de entrenamiento se pueden comparar. Por último, a través de una mayor investigación, las causas de la falta de adherencia se pueden identificar en momentos específicos durante la PR.

"> Figura 1
Figura 1. Colocación del transmisor de frecuencia cardiaca. Haga clic aquí para ver la imagen más grande .

Figura 2
Figura 2. Muestra de los datos recolectados a través de un software de seguimiento de datos. Haga clic aquí para ver la imagen más grande .

Figura 3
Figura 3. Muestra de la producción de software de seguimiento de datos.jove.com/files/ftp_upload/50643/50643fig3highres.jpg "target =" _blank "> Haga clic aquí para ver la imagen más grande.

Figura 4
Figura 4. Base de datos de muestra que ilustra una muestra de la base de datos de software estadístico. Haga clic aquí para ver la imagen más grande .

La figura 5
Figura 5. Base de datos de muestra que ilustra la fase de calentamiento eliminado. Haz clic aquí para ver la imagen más grande .

La figura 6 Figura 6. Base de datos ejemplo que ilustra la fase de enfriamiento eliminado. Haz clic aquí para ver la imagen más grande .

La figura 7
Figura 7. Base de datos de muestra que ilustra una columna adicional para número de sesión. Haga clic aquí para ver la imagen más grande .

Figura 8
Figura base de datos 8. Muestra que ilustra las sesiones combinadas para una sola PARTICIPAN t. Haz clic aquí para ver la imagen más grande .

Figura 9
Figura 9. Base de datos de muestra que ilustra una columna adicional para número de identificación del sujeto. Haga clic aquí para ver la imagen más grande .

Figura 10
Figura de base de datos 10. Muestra que ilustra una columna adicional para el ritmo cardíaco objetivo. Haz clic aquí para ver la imagen más grande .

e_content "fo: keep-together.within-page =" always "> Figura 11
Figura base de datos 11. Muestra ilustrando los archivos de los participantes fusionadas. Haz clic aquí para ver la imagen más grande .

Figura 12
Figura base de datos 12. Muestra que ilustra las variables de frecuencia cardíaca recodificados. Haz clic aquí para ver la imagen más grande .

Figura 13
Figura 13. base de datos ejemplo que ilustra la adhesión como un porcentaje del tiempo dedicado dentro del rango meta de ritmo cardíaco para cada materia de cada sesión (línea roja horizontal destaca el cambio en la adherencia entre las sesiones para el mismo tema). Haga clic aquí para ver la imagen más grande .

Figura 14
Figura base de datos 14. Muestra que ilustra la adherencia para el porcentaje de tiempo dedicado dentro del rango meta de ritmo cardíaco de cada asignatura para todas las sesiones (línea roja horizontal resalta la diferencia entre los sujetos). Haga clic aquí para ver la imagen más grande .

Discussion

Tecnología de seguimiento de datos continua permite una medición muy precisa de la adherencia al ejercicio. Este procedimiento se puede adaptar fácilmente a otras definiciones de la adhesión mediante la sustitución de blanco de la radio de la frecuencia cardíaca con potencia objetivo, el nivel, la velocidad o el nivel MET. En el presente ejemplo, las fases de calentamiento y enfriamiento se eliminaron para aislar la fase de ejercicio debido a nuestro objetivo de investigación específico. En caso de que las fases de calentamiento y enfriamiento de interés para otros investigadores, paso 2.3 ("Eliminar las fases nontraining") puede ser eliminado del protocolo. Además, el hardware y el software también está disponible para medir la adherencia a otras modalidades de formación, como la cinta de correr, elíptica, paso a paso, y ergómetro de brazos.

Cuando se sigue el protocolo anterior, ciertos pasos simples son críticos. En primer lugar, el software CardioMemory se debe iniciar antes de que el equipo de ejercicio (por ejemplo. Cicloergómetro) para los datos de ejercicio para ser tracked y posteriormente registrada. Si los datos se perderán en este paso inicial, tendrá que ajustarse en consecuencia el protocolo de extracción de datos. En segundo lugar, las fuentes de interferencia deben minimizarse para reducir el riesgo de diafonía y / o la pérdida de datos. Los monitores de frecuencia cardíaca se comunican de forma inalámbrica con el equipo y el software. Por lo tanto, la interferencia es especialmente perjudicial si se utiliza la frecuencia cardíaca objetivo para calcular la adherencia. Por último, es imprescindible para seleccionar el software estadístico para la base de datos que tiene la capacidad para permitir que para grandes cantidades de datos. Por ejemplo, en un estudio con 10 participantes que completaron 36 sesiones de 40 minutos cada uno, se generarán 864.000 filas de puntos de datos. Excel 2007 y versiones posteriores tienen la capacidad de contener 1.048.576 filas en una hoja de trabajo de 23, mientras que SAS 24 y SPSS 25 no tienen límite para el número de filas. Dependiendo del número total de puntos de datos esperados para un estudio dado, el software debe ser seleccionado en consecuencia. A pesar de las notables ventajas de esta tecnología, existen dos limitaciones principales. La primera es la pérdida de datos, que puede resultar de los equipos y / o fallo de software. Como se mencionó anteriormente, la pérdida de datos puede ser debido a la interferencia eléctrica con dispositivos inalámbricos (por ejemplo, teléfonos móviles o Wi-Fi), y más específicamente la interferencia con la transmisión de datos sin hilos de la frecuencia cardíaca. Sin embargo, a veces, la pérdida de datos también puede ser debido a causas no identificables. Una segunda limitación es que el software no proporciona la opción de marcar o dividir el protocolo de ejercicio de manera sistemática con el fin de diferenciar / identificar diferentes fases. Si esta opción estaban disponibles, la extracción de la fase de ejercicio de interés podría ser realizada directamente en el software, lo que limitaría pasos en el protocolo de cálculo de la adherencia. Además, la opción de colocar marcadores sería práctico para el estudio de la adherencia a los protocolos de entrenamiento de intervalos o intermitente, ya que permitiría ala diferenciación de las diferentes fases (por ejemplo. bajos frente de alta intensidad).

Para las perspectivas de futuro, el uso de la tecnología de seguimiento continuo de datos para cuantificar con precisión la adhesión permitirá a los investigadores para investigar los patrones de respuesta al ejercicio a las diferentes intervenciones, identificar los factores determinantes de la adherencia, y caracterizar adherers buenos y malos. En última instancia, una mejor comprensión de la adherencia al ejercicio permitirá la optimización de los programas de rehabilitación de ejercicio.

Disclosures

Los autores declaran que no tienen intereses financieros en competencia.

Acknowledgments

Asociación Canadiense del Pulmón - canadienses Profesionales Salud Respiratoria; 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

Medicina Número 81 el seguimiento de los datos el ejercicio la rehabilitación la adherencia el cumplimiento del paciente el comportamiento de la salud la interfaz de usuario-ordenador.
El uso de la tecnología de seguimiento de datos continua para Estudiar Ejercicio Adherencia en Rehabilitación Pulmonar
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