Summary
Longrevalidatie wordt algemeen erkend in het beheer van aandoeningen van de luchtwegen. Een belangrijk onderdeel voor een succesvolle longrevalidatie is het vasthouden aan de aanbevolen trainingsprogramma. Het doel van dit protocol is om te beschrijven hoe continue data tracking-technologie kan worden gebruikt voor het volgen van een voorgeschreven aërobe trainingsintensiteit precies te meten.
Abstract
Longrevalidatie (PR) is een belangrijk onderdeel in de behandeling van aandoeningen aan de luchtwegen. De effectiviteit van PR is afhankelijk van de naleving van de opleiding aanbevelingen te oefenen. De studie van therapietrouw is dus een belangrijke stap naar de optimalisatie van de PR-programma's. Tot op heden, meestal indirecte maatregelen, zoals de tarieven van deelname, voltooiing, en aanwezigheid, zijn gebruikt om de naleving van PR te bepalen. Het doel van dit protocol is om te beschrijven hoe continue data tracking-technologie kan worden gebruikt voor het volgen van een voorgeschreven aërobe trainingsintensiteit op een tweede-door-tweede basis te meten.
In ons onderzoek, is therapietrouw is gedefinieerd als het percentage tijd binnen een bepaalde target heart rate range. Als zodanig, met een combinatie van hardware en software, wordt de hartslag gemeten, gevolgd en opgenomen tijdens het fietsen seconde per seconde voor elke deelnemer, voor elke trainingssessie. Met behulp van statistische software, thij gegevens vervolgens geëxtraheerd en geanalyseerd. Hetzelfde protocol kan worden toegepast om hechting te bepalen andere acties van trainingsintensiteit, zoals de tijd die bij een bepaald vermogen, niveau of snelheid op de fietsergometer. Bovendien is de hardware en software is ook beschikbaar voor de naleving te meten aan andere vormen van opleiding, zoals de loopband, elliptisch, stepper, en arm ergometer. Het huidige protocol heeft dus een enorme toepasbaarheid op naleving direct te meten om aërobe oefening.
Introduction
Longrevalidatie (PR) combineert de training, patiëntenvoorlichting en psychosociale ondersteuning, en wordt algemeen erkend als een hoeksteen in de behandeling van longziekten 1-5. De doelstellingen van PR zijn om de symptomen te verminderen, de functionele status te optimaliseren, verbeteren van de gezondheid gerelateerde kwaliteit van leven en het verminderen van de kosten voor gezondheidszorg 4,5. In een meta-analyse van 31 gerandomiseerde gecontroleerde studies bij chronische obstructieve longziekte (COPD), werd PR aangetoond dat een aanzienlijke verbetering van de inspanningscapaciteit, verminderen kortademigheid en vermoeidheid, het verbeteren van emotionele functie en verbeteren gevoel van controle over hun aandoening 6 patiënten. Verder bewijs documenteert haar effectiviteit bij het verminderen van de luchtwegen exacerbaties 7 en dagen doorgebracht in het ziekenhuis 8-13. Trainingsprogramma wordt beschouwd als de sleutel tot een succesvolle PR omdat het verantwoordelijk is voor een groot deel van de voordelen die samenhangen met deze interventie 3-5. Echter, een groot probleem voor een aantalpatiënten zich houdt aan de aanbevolen hoeveelheid of het niveau van de oefening. Nonadherence aan aanbevolen behandeling kan leiden tot het falen van therapeutische interventies en inefficiënt gebruik van gezondheidsmiddelen 14.
Volgens de World Health Organization, de term'' vasthouden'' verwijst naar de mate waarin het gedrag van een persoon valt samen met aanbevelingen van een beroepsbeoefenaar in de gezondheidszorg 15. Tot op heden heeft de naleving van de opleiding uit te oefenen in de revalidatie-instellingen grotendeels beoordeeld als ofwel de participatiegraad (dwz. Registratie van het programma), de snelheid van uitvoering (dwz het beëindigen van het programma), of de mate van aanwezigheid (dwz het aantal oefening sessies bijgewoond) 16-18. Op dit moment is er geen "gouden standaard" bestaat voor het meten van therapietrouw 15 en de huidige methoden niet zorgen voor grote precisie. Bovendien, afhankelijk van de geselecteerde spiritusd, de tarieven van de naleving van PR hebben aangetoond grote variabiliteit 16-19. Bijvoorbeeld, Hogg et al.. 16 gemeten therapietrouw bij COPD-patiënten als de verhouding tussen degenen die het programma voltooiden bedoelde verschil en vond een lage therapietrouw van ongeveer 40%. Echter, andere PR studies die opkomstcijfers hebben gebruikt aangetoond, gemiddeld een 90% aanhankelijkheid 10,20,21. Het gebrek aan homogeniteit berekening hechting maakt het moeilijk om de resultaten van studies vergelijken. Een andere zorg is het gebrek aan precisie met de bestaande berekeningsmethoden; deelname aan een oefening training niet naleven van de voorgeschreven intensiteit te garanderen. Deze lacune in informatie leidde ons om te onderzoeken hoe de naleving kan worden berekend op een meer nauwkeurige manier.
Recente ontwikkelingen in de fitness apparatuur technologie hebben toegestaan voor continue data tracking, die kan worden gebruikt voor het volgen van een voorgeschreven aërobe training intensiteit tijdens individueel te monitorenal trainingssessies in een PR context. Meer specifiek, data tracking hardware en software vergunningen voor de tweede-by-seconde opnamen van duur, snelheid, hoogte, wattage, snelheid, hartslag, afstand, calorieverbruik, VO 2, METS, en calorieën, en biedt gemiddelden van alle variabelen met uitzondering van niveau en de VO 2. Het belangrijkste voordeel van deze technologie is de mogelijkheid om continu gedetailleerde maatregelen, die zorgt voor de precieze berekening van de naleving van de voorgeschreven oefening versus eerder gerapporteerde algemene aanwezigheid of voltooiing tarieven opnemen. Deze procedure kan van waarde zijn voor een studie naar de impact van een of meerdere aerobics trainingsprogramma's. Met deze technologie kan de patiënt vasthouden aan een voorgeschreven intensiteit worden beoordeeld door het percentage tijd doorgebracht op een bepaald wattage, niveau, snelheid of hartslag tijdens de trainingsfase van elke sessie. Voor ons onderzoek, is vasthouden aan een oefening training protocol is gedefinieerd als het percentagetijd die binnen een bepaalde target heart rate range. Sinds hartslag respons op een gegeven submaximale werklast afneemt als cardiorespiratoire conditie toeneemt, deze aanpak zorgt ervoor dat patiënten blijven op dezelfde relatieve (ten opzichte van absolute) trainingsintensiteit door het programma. Het huidige protocol beschrijft in detail hoe de continue data tracking-technologie kan worden gebruikt om de naleving van een voorgeschreven doelhartslag bereik nauwkeurig te meten.
Protocol
Zodra de gegevens zijn verzameld, wordt een enkel bestand per vak per sessie van ruwe data verkregen. Met behulp van statistische software, worden alle sessies per onderwerp gecombineerd in een enkel bestand. Vervolgens moet het doel intensiteit berekend voor elk onderwerp. De therapietrouw om die doelstelling intensiteit kan dan worden berekend per sessie per onderwerp, voor elke sessie voor alle vakken samen, of per groep.
1. Data Collection (uitgevoerd door personeel dat toezicht houdt op de training uitgevoerd)
- Elektrische interferentie te minimaliseren door de draadloze apparaten (bijv. mobiele telefoons, Wi-Fi, enz.) En het minimaliseren van overspraak door te zorgen voor de hartslagmeters en apparatuur zijn minstens 1 meter van elkaar. Zie Figuur 1 voor de plaatsing van hartslagmeter.
- Zet de data tracking software. Druk op start op de aërobe apparatuur en opleiding van de deelnemer aan de trainingsintensiteit. Bijvoorbeeld, in onze studies deel tebroek wordt gevraagd om te trainen binnen ± 5 slagen / min van hun doelgroep hartslag. Zie Figuur 2 voor CardioMemory.
- Gegevens verzamelen tweede-door-seconde voor elke deelnemer voor elke revalidatie sessie. Verzamelde gegevens zijn de volgende: onderwerp ID, duur (uummss), niveau van intensiteit (1-30), werkdruk (watt), trapfrequentie (omwentelingen / minuut), afstand (km), tempo (mm: ss / km), hartslag (slagen / minuut), geschatte zuurstofverbruik (VO 2, ml / min / kg), metabole equivalent van lichamelijke inspanning (METs), geschatte energieverbruik (kcal / uur), en geschatte verbruikte energie (kcal). Zie figuur 3.
- Druk op stop op de aërobe apparatuur. Klik op "Opslaan" om de gegevens te uploaden naar CardioMemory. Klik op "export" om het document buitenkant van CardioMemory redden. Het document zal in. Cvs formaat en zal automatisch de datum van de zitting.
2. Data Extraction
CardioMemory software staat niet toe dat voor het onderscheid van diverse fitnessapparaten-training fasen. Als zodanig moet de verkregen gegevens worden geëxporteerd naar een statistische software om de fasen die niet van belang zijn te elimineren (bijv. warm-up en cooling-down), inpassen van de gegevensbestanden, en vergelijk bereikte tegen trainingsintensiteit.
- Open software voor statistische analyse te importeren Excel-bestand. Procedure: File
Open Gegevens In venster "Open Data", selecteer Alle bestanden in het dropdown menu van "Bestanden van Soorten" Selecteer Excel. xls-bestand Open
In "Het openen van Excel-gegevensbron" klikt u op OK. - Sla het bestand in een statistische analyse software. Zie afbeelding 4 voor een voorbeeld database.
- Elimineer de nontraining fasen, dwz warming-up en cooling-down, als de rente is tijd die op de trainingsintensiteit tijdens de trainingsfase.
- Elimineer opwarmfase (bijv. eerste 10 min):
- Te duur hercoderen, maakt u een variabele om elke seconde te identificeren als 1. Procedure: Transform Hercoderen in verschillende variabelen ... In "Recode in verschillende variabelen" Window, selecteert Duration_A klik pijl Identificeer "Output Variable Name" (bv. tempo) Verandering Klik op de oude en nieuwe waarden Onder "Old Value", selecteer Waarde: en voer 0 Onder "Nieuwe waarde", Select Waarde: en voer 0 Toevoegen
o: content-width = ".2" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> Onder "Old Value", selecteer Alle andere waarden en klik vervolgens op Waarde: onder "Nieuwe waarde "en voer 1
Toevoegen Voortzetten OK. - HERCODEREN Duration_A (0 = 0) (ELSE = 1) in Tempo.
- UITVOEREN.
- Maak een tweede tijdelijke variabele. Procedure: Transform Verschuiving Waarden Selecteer tempoiles/ftp_upload/50643/arrow.jpg "width =" 20px "/> Klik op de pijl Onder "Naam:" soort tijdelijke variabele (. Bv tempo2) Verandering OK.
- SHIFT WAARDEN variable = Tempo RESULTAAT = Tempo2 LAG = 1.
- Om te beginnen tempo2 bij 0, moet worden gecodeerd. Procedure: Transform Hercoderen in dezelfde variabelen Selecteer tempo2 Klik op de pijl Onder "oude waarde", selecteer System-Missing Onder "Nieuwe waarde", selecteer Waarde: en voer 0 Toevoegen Voortzetten OK.
- HERCODEREN Tempo2 (SYSMIS = 0).
- UITVOEREN.
- Tel de seconden vanaf nul. Procedure: Transform/ 50643/arrow.jpg "width =" 20px "/> Compute Variable Onder "Target Variable:" soort tempo Onder "numerieke uitdrukking" soort lag (tempo) 1 ALS ... Selecteer Inclusief als case voldoet aan voorwaarde: Typ tempo2> 0 Voortzetten OK.
- IF (Tempo2> 0) Tempo = Lag (tempo) + 1.
- UITVOEREN.
- Om de eerste 10 minuten van de warming-up te verwijderen, verwijder tempo data die 599 seconden voorafgaat. Procedure: Data Selecteer gevallen ... In venster "Select Case", onder "Select", kies "Als voorwaarde is voldaan" If ... In "Selecteer de zaken: Als" venster, insert vergelijking tempo> 599 Voortzetten Onder"Output", kies Verwijderen niet-geselecteerde gevallen OK. Zie figuur 5.
- Filter uit.
- Gebruik alle.
- SELECT IF (tempo> 599).
- UITVOEREN.
- Te duur hercoderen, maakt u een variabele om elke seconde te identificeren als 1. Procedure: Transform
- Elimineer cool-down fase (bijv. laatste 5 minuten.):
- Gegevens sorteren in aflopende volgorde van Duration_A de afkoelfase naar de top van de database brengen, SPSS verwijdert gegevens vanaf de bovenkant van het bestand verder. Procedure: Data Sort Cases In venster "Sort Cases", selecteer Duration_A klik eenRROW In menu "Sort Order" te selecteren Aflopend OK.
- SORTEREN GEVALLEN DOOR Duration_A (D).
- Hercoderen Duration_A elke seconde als 1 identificeren. Procedure: Transform Hercoderen naar verschillende variabelen ... In venster "Recode in verschillende variabelen", selecteer Duration_A klik pijl Identificeer "Output Variabele Name "(bv.. TempoA) Verandering Klik oude en nieuwe waarden Onder "Old Value", selecteer Waarde: en voer 0 Onder "Nieuwe waarde", selecteer Waarde: en voer 0 Toevoegen Selecteer Alle andere waarden onder "Old Value" en klik vervolgens op Waarde: onder "Nieuwe waarde" en voer 1ad/50643/arrow.jpg "width =" 20px "/> Add Voortzetten OK.
- HERCODEREN Duration_A (0 = 0) (ELSE = 1) in TempoA.
- UITVOEREN.
- Maak een tweede tijdelijke variabele. Procedure: Transform Verschuiving Waarden Selecteer tempoA Klik op de pijl Onder "Naam:" soort tijdelijke variabele (. Bv tempoA2) OK.
- SHIFT WAARDEN variable = TempoA RESULTAAT = TempoA2 LAG = 1.
- Om tempoA2 beginnen bij 0, moet het opnieuw worden gecodeerd. Procedure: Transform Hercoderen in dezelfde variabelen Selecteer tempoA2 Klik op de pijl Klik oude en nieuwe waarden Onder "oude waarde", selecteer System-M Issing Onder "Nieuwe waarde", selecteer Waarde: en voer 0 Toevoegen Voortzetten OK.
- HERCODEREN TempoA2 (SYSMIS = 0).
- UITVOEREN.
- Tel de seconden van de tempoA variabele. Procedure: Transform Compute Variable Onder "Target Variable:" soort tempoA 50643/arrow.jpg "width =" 20px "/> Onder 'Numeric Expression' soort lag (tempoA) 1 ALS ... Selecteer Inclusief als case voldoet aan voorwaarde: Type tempoA2> 0 Voortzetten OK.
- IF (TempoA2> 0) TempoA = Lag (tempoA) + 1.
- UITVOEREN.
- Om de cool-down fase (dwz 5 min) te elimineren, verwijderen tempo data die 299 seconden voorafgaat. Procedure: Datapg "width =" 20px "/> Select cases ... In venster "Select Case", onder "Select", kies "Als voorwaarde is voldaan" If ... In 'Select Cases: Als "venster, plaatst vergelijking tempoA> 299 Voortzetten onder "Output", kies Verwijderen niet-geselecteerde gevallen OK. Zie figuur 6.
- Filter uit.
- Gebruik alle. SELECT IF (tempoA> 299).
- UITVOEREN.
- Gegevens sorteren in aflopende volgorde van Duration_A de afkoelfase naar de top van de database brengen, SPSS verwijdert gegevens vanaf de bovenkant van het bestand verder. Procedure: Data
- Identificeer het sessie nummer (of datum) in verband met de dataset. Maken en een naam van een nieuwe variabele (bijv.. Session). Procedure: Transform Compute Variable In compute variabele venster onder Target Variable, typ Session klik Type & Label te openen "Compute Variable: Typ een ..." venster onder "Type" String Voortzetten onder reekstype Expression '1 ' OK. Zie figuur 7.
- STRING Session (A8).
- COMPUTE Session = '1 '.
- UITVOEREN.
- Sla het gewijzigde SPSS document in een nieuw bestand (bijvoorbeeld: subjectID_session #).
- Herhaal de bovenstaande procedure voor alle overige sessies voor hetzelfde onderwerp.
- Elimineer opwarmfase (bijv. eerste 10 min):
3. Gegevens samenvoegen - Single Deelnemer
- Om alle sessies samen te voegen tot een enkele SPSS database geopend deelnemer eerste sessie (dwz. SubjectID_session1).
- Samenvoegen resterende sessies om het huidige bestand. Procedure: Data Bestanden samenvoegen Gevallen Toevoegen in het venster "gevallen Toevoegen aan subjectID_session1.sav", klikt u op Bladeren en zoek het bestand subjectID_session2 Open Voortzetten in de "zaken van Add ..." klikt u op OK. Herhaal dit voor alle resterende sessies. Zie figuur 8.
- ADD FILES / FILE = *
- / FILE = 'SubjectAB001_Session1.sav'.
- UITVOEREN.
- Een kolom die ID-nummer van de persoon bevat. Procedure: Tr ansform Compute Variable In venster "Compute Variable" onder Target Variable, typ SubjectID klik Type & Label te openen "Compute Variable: Typ een ..." venster onder "Type" String Voortzetten onder reekstype Expression 'SubjectID' (bv. 'AB001')s/ftp_upload/50643/arrow.jpg "width =" 20px "/> OK. Zie afbeelding 9.
- STRING Subject_ID (A8).
- COMPUTE Subject_ID = 'AB001'.
- UITVOEREN.
- Voeg een kolom die trainingsintensiteit van het onderwerp (bijvoorbeeld. Doelhartslag [THR]) bevat. Procedure: Transform Compute Variable In "Compute Variable" venster onder Target Variable, typ THR klik Type & Label te openen "Compute Variable: Typ een ..." venster onder "Type" Numeriek onder numeriek type Expression THR (bv. 110) OK. Zie Figuur 10.
- STRING THR (A8).
- COMPUTE THR = '110 '.
- UITVOEREN.
- Spaar-database onder een andere naam (bv. SubjectAB001_session1-36).
- Herhaal dit voor alle overige deelnemers. Op dit punt, zal elke deelnemer een database met daarin alle sessies.
4. Gegevens samenvoegen - groeperen Deelnemers
- Groeperen meerdere deelnemers in een enkele database, bestand openen deelnemer (dwz subjectID_session1-36).
- Voeg de overige deelnemers aan de huidige file. Procedure: Data Bestanden samenvoegen Gevallen Toevoegen in "gevallen Toevoegen aan SubjectAB001_session1-36.sav" venster, klikt u op Bladeren en zoek het bestand SubjectCD002_session1-36 Open Voortzetten in de "zaken van Add ..." klikt u op OK. Herhaal dit voor alle deelnemers die u wilt groeperen. Zie Figuur 11.
- ADD FILES /FILE = *
- / RENAME (AB001 = d0)
- / FILE = 'SubjectAB001_Session1-36.sav'
- / RENAME (CD002 = d1)
- / DROP = d0 d1.
- UITVOEREN.
- Spaar nieuwe database (. Group01_Subjects001-010).
5. Identificatie van Target Intensiteit (bijv. THR Range)
- Identificeer een THR bereik; klik Transform Compute Variable in het venster "Compute Variable 'onder' Target Variable 'voer een nieuwe naam van de variabele (bijv. Diff_HR_THR) "Type & Label ..." in "C ompute Variabele: Typ een .... "te selecteren Numeriek Voortzetten Onder "numerieke uitdrukking" in te voeren vergelijking: HR - THR OK. Hierdoor hebben wij een nieuwe variabele.
- COMPUTE Diff_HR_THR = HR - THR.
- UITVOEREN.
- Hercoderen variabelen om te bepalen of de HR ligt onder, boven of in de THR bereik. Procedure: Transform Hercoderen naar verschillende variabelen ... selecteren Diff_HR_THR.2 In "src =" / files/ftp_upload/50643/arrow.jpg "width =" 20px "/> klik pijl onder "Output Variable" onder "Naam" soort Diff_HR_THR _recoded Verandering Oude en nieuwe waarden ... in "Recode Into verschillende variabelen: oude en nieuwe waarden" window:
| Oude Waarde | Nieuwe waarde | Oud -> Nieuw: | |
| : -5 Tot en met 5 | 1 | <td align = "center" rowspan = "4"> toevoegen-5 Thru 5 -> 1 | |
| Range, LAAGSTE via waarde: -5 | 0 | Laagste thru -5 -> 0 | |
| Range, waarde via HOOGSTE: 5 | 0 | 5 thru Hoogste -> 0 | |
| System-missing | System-missing | SYSMIS -> SYSMIS |
Voortzetten OK. Zie Figuur 12.
- HERCODEREN Diff_HR_THR (SYSMIS = SYSMIS) (-5 thru 5 = 1) (Laagste thru -5 = 0) (5 thru Hoogste = 0) IN
- Diff_HR_THR_Recoded.
- UITVOEREN.
6. Berekening van Procent Aanhankelijkheid
- In Group01_Subjects001-010 bestand, bereken alle seconden dat patiënten waren binnen de THR bereik door het volgende te doen: Data Aggregaat in het venster "geaggregeerde gegevens", onder "Break Variable (s):" te selecteren subjectID en sessie klik pijl onder "Samenvattingen van de Variable (s):" te selecteren Diff_HR_THR _recoded klik pijl
= "Arrow" fo: content-width = ".2" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> OK. Een nieuwe variabele wordt gemaakt met de naam Diff_HR_THR _recoded_mean.
- AGGREGATE
- / OUTFILE = * MODE = ADDVARIABLES
- / BREAK = Subject_ID Session
- / Diff_HR_THR_Recoded_mean = MEAN (Diff_HR_THR_Recoded).
- Zetten de verkregen waarde in een percentage; klik Transform Compute Variable onder 'Target Variable "in te voeren naam van de variabele (bijv. Perc_THR) onder "numerieke uitdrukking" te selecteren Diff_HR_THR _recoded_mean"/> Klik op de pijl vermenigvuldig de waarde met 100 (Diff_HR_THR _recoded_mean * 100) OK. Vervolgens hebben we hechting te verkrijgen als een percentage van de tijd doorgebracht in de THR voor elk onderwerp voor elke sessie. Zie figuur 13
- COMPUTE Perc_THR = Diff_HR_THR_Recoded_mean * 100.
- UITVOEREN.
- Om de naleving van het percentage van de tijd doorgebracht in de THR voor elk onderwerp voor alle sessies samen te verkrijgen, in het venster "geaggregeerde gegevens", onder "Break Variable (s):" substituut subjectID en sessie met alleen subjectID. Zie Figuur 14.
- Om de naleving van het percentage van de tijd doorgebracht in de THR voor elke sessie voor alle vakken samen te verkrijgen, in het venster "geaggregeerde gegevens", onder "Break Variable (s): "substituut subjectID en sessie met alleen sessie.
- Opslaan in de database onder een andere naam (bv. Group01_Subjects001-010_Aggregate).
Representative Results
Wanneer het protocol correct wordt uitgevoerd, wordt een therapietrouw verkregen voor elk onderwerp voor elke sessie (figuur 13), voor elk onderwerp voor alle sessies (figuur 14), en voor elke sessie voor alle vakken samen. Een schatting van de tijd die nodig is om de bovenstaande protocol te voltooien voor een enkele sessie van een onderwerp is ongeveer 5 minuten. Resultaten voor de naleving kan variëren van 0-100%. Met behulp van deze informatie kunnen aanvullende analyses worden uitgevoerd om de verschillen tussen proefpersonen (dwz sekseverschillen, ernst van de ziekte, enz.), Om veranderingen in de tijd te identificeren, en om te laten zien in de naleving te bepalen. Bovendien kan de vergelijking van hechting tussen groepen worden uitgevoerd, bijvoorbeeld, kunnen verschillende trainingsprogramma's worden vergeleken. Tot slot, door middel van verder onderzoek, oorzaken van nonadherence kunnen worden geïdentificeerd op specifieke momenten tijdens de PR.
">
Figuur 1. Pulsslagopnemer plaatsing. Klik hier voor grotere afbeelding .
Figuur 2. Voorbeeld van gegevens die zijn verzameld met behulp van data tracking software. Klik hier voor grotere afbeelding .
Figuur 3. Voorbeeld van data tracking software-uitgang.jove.com/files/ftp_upload/50643/50643fig3highres.jpg "target =" _blank "> Klik hier voor grotere afbeelding.
Figuur 4. Voorbeeld database ter illustratie van een steekproef van statistische software databank. Klik hier voor grotere afbeelding .
Figuur 5. Voorbeelddatabase ter illustratie van de geëlimineerd opwarmfase. Klik hier voor grotere afbeelding .
Figuur 6. Sample-database ter illustratie van de geëlimineerd cool-down fase. Klik hier voor grotere afbeelding .
Figuur 7. Monster-database ter illustratie van een kolom toegevoegd voor sessie nummer. Klik hier voor grotere afbeelding .
Figuur. Monster 8 databank ter illustratie van de samengevoegde sessies voor een enkele DEELNEMERS t. Klik hier voor grotere afbeelding .
Figuur 9. Voorbeeld databank ter illustratie van een kolom toegevoegd voor de identificatie onder nummer. Klik hier voor grotere afbeelding .
Figuur 10. Monster-database ter illustratie van een kolom toegevoegd voor de streefwaarde voor de hartslag. Klik hier voor grotere afbeelding .
Figuur. Voorbeeld 11 databank illustreren bestanden van de gefuseerde deelnemers '. Klik hier voor grotere afbeelding .
Figuur. Voorbeeld 12 databank ter illustratie van de gehercodeerde hartslag variabelen. Klik hier voor grotere afbeelding .
Figure 13. Sample databank illustreren aanhankelijkheid als een percentage van de tijd doorgebracht in de target heart rate range voor elk onderwerp voor elke sessie (horizontale rode lijn wijst op de verandering in de hechting tussen de sessies voor hetzelfde onderwerp). Klik hier voor grotere afbeelding .
Figuur 14. Voorbeeld databank illustreren aanhankelijkheid voor het percentage van de tijd doorgebracht in de target heart rate range voor elk onderwerp voor alle sessies (horizontale rode lijn markeert het verschil tussen proefpersonen). Klik hier voor grotere afbeelding .
Discussion
Continue data tracking technologie maakt voor een zeer nauwkeurige meting van therapietrouw. Deze procedure kan gemakkelijk worden aangepast aan andere definities van de naleving door het vervangen doelhartslag range met doelwattage, niveau, snelheid, of BMO niveau. In het onderhavige voorbeeld, werden de warming-up en cooling-down fasen geëlimineerd om de oefening fase isoleren vanwege onze specifieke doelstelling onderzoek. Mocht de warming-up en cooling-down fase van belang zijn voor andere onderzoekers, kan stap 2.3 ("Elimineer de nontraining fasen") worden verwijderd uit het protocol. Bovendien is de hardware en software is ook beschikbaar voor de naleving te meten aan andere vormen van opleiding, zoals de loopband, elliptisch, stepper, en arm ergometer.
Bij het volgen van de bovenstaande protocol, bepaalde stappen zijn kritisch. Ten eerste moet de CardioMemory software worden gestart voordat de fitnessapparatuur (bijvoorbeeld. Fietsergometer) voor de oefening gegevens trac zijnked en vervolgens opgenomen. Moeten de gegevens verloren gaan bij deze eerste stap zal de data-extractie protocol moeten dienovereenkomstig worden aangepast. Ten tweede moet storingsbronnen worden geminimaliseerd om de kans op overspraak en / of verloren gegevens te beperken. De hartslagmeters draadloos communiceren met de apparatuur en software. Zo storing is vooral schadelijk als het gebruik van target heart rate om aanhankelijkheid te berekenen. Tenslotte is het noodzakelijk om statistische software voor de database die het vermogen grote hoeveelheden gegevens mogelijk wordt gestoord. Bijvoorbeeld, in een studie met 10 deelnemers die 36 sessies 40 min. elk 864.000 rijen datapunten gegenereerd. Excel 2007 en latere versies hebben de capaciteit om 1.048.576 rijen bevatten in een werkblad 23, terwijl SAS 24 en SPSS 25 hebben geen limiet voor het aantal rijen. Afhankelijk van het totale aantal gegevenspunten verwacht voor een bepaald onderzoek, de software moet dienovereenkomstig worden gekozen. Ondanks de opmerkelijke voordelen van deze technologie, twee belangrijke beperkingen bestaan. De eerste verlies van gegevens, die kunnen voortvloeien uit apparatuur en / of software storing. Zoals hierboven vermeld, kan leiden tot verlies van gegevens als gevolg van elektrische interferentie met draadloze apparaten (bijv. mobiele telefoons of WiFi), en meer specifiek interferentie met de draadloze gegevensoverdracht van de hartslag. Echter, soms, verlies van gegevens kan ook door identificeerbare oorzaken. Een tweede beperking is dat de software niet voorziet in de mogelijkheid van markering of het splitsen van de oefening protocol systematisch om te differentiëren / identificeren verschillende fasen. Als deze optie beschikbaar waren, kan de extractie van de trainingsfase plaats direct uitgevoerd in de software, die stappen in de hechting rekenprotocol zou beperken. Als goed, zou de mogelijkheid van het plaatsen van markers praktisch voor de studie van de naleving van interval of intermitterende training protocollen zijn als het mogelijk zou makende differentiatie van de verschillende fasen (bv. lage versus hoge intensiteit).
Voor toekomstige perspectieven, zal het gebruik van continue data tracking technologie precies aanhankelijkheid kwantificeren onderzoekers in staat om patronen van de oefening respons onderzoeken in verschillende interventies, identificeren determinanten van therapietrouw, en karakteriseren van goede en slechte adherers. Uiteindelijk zal een beter begrip van de therapietrouw zorgen voor de optimalisatie van de oefening rehabilitatieprogramma's.
Disclosures
De auteurs verklaren dat zij geen concurrerende financiële belangen.
Acknowledgments
Canadian Lung Association - Canadese Respiratory Health Professionals; Fonds de recherche du Quebec - Sante (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/) |
References
- Global Strategy for the Diagnosis, Management, and Prevention of Chronic Obstructive Pulmonary Disease [Internet]. Global Initiative for Chronic Obstructive Lung Disease (GOLD). , (2013).
- 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).
- 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).
- 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).
- 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).
- Lacasse, Y., et al. Pulmonary rehabilitation for chronic obstructive pulmonary disease. The Cochrane Database of Systematic Reviews. (4), (2001).
- Guell, R., et al. Long-term effects of outpatient rehabilitation of COPD: A randomized trial. Chest. 117 (4), 976-983 (2000).
- 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).
- Griffiths, T. L., et al. Results at 1 year of outpatient multidisciplinary pulmonary rehabilitation: a randomised controlled trial. Lancet. 355 (9201), 362-368 (2000).
- 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).
- 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).
- 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).
- 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).
- 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).
- Adherence to long-term therapies: evidence for action. Annex. 1, (2003).
- , Forthcoming.
- 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).
- 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).
- 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).
- Brooks, D., et al. Characterization of pulmonary rehabilitation programs in Canada in. Can. Respir. J. 14 (2), 87-92 (2005).
- 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.
- Sabit, R., et al. Predictors of poor attendance at an outpatient pulmonary rehabilitation programme. Respir. Med. 102 (6), 819-824 Forthcoming.
- 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).
- 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).
- 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).
- Raynald's SPSS Tools: FAQ [Internet]. Canada: Raynald Levesque; c2001-2004. , Available from: http://pages.infinit.net/rlevesqu/FAQ.htm#HowManyVariables (2004).
