Summary
A reabilitação pulmonar é amplamente reconhecida no tratamento de doenças respiratórias. Um componente-chave para a reabilitação pulmonar bem sucedida é a aderência ao treinamento físico recomendado. O objetivo do presente protocolo é descrever como a tecnologia de rastreamento de dados contínua pode ser usado para medir com precisão a adesão a uma intensidade de treinamento aeróbio prescrito.
Abstract
A reabilitação pulmonar (RP) é um componente importante na gestão das doenças respiratórias. A eficácia do PR depende da adesão de exercer recomendações de treinamento. O estudo do exercício adesão é, portanto, um passo fundamental para a otimização dos programas de RP. Até o momento, a maioria de medidas indiretas, como as taxas de participação, conclusão, e freqüência, têm sido usados para determinar a adesão ao PR. O objetivo do presente protocolo é descrever como a tecnologia de rastreamento de dados contínua pode ser usado para medir a adesão a uma intensidade de treinamento aeróbio prescrito em um segundo-a-segundo base.
Em nossas investigações, a adesão tem sido definido como o tempo gasto por cento dentro de uma faixa de freqüência cardíaca alvo especificado. Como tal, usando uma combinação de hardware e software, a freqüência cardíaca é medida, acompanhadas e registradas durante o ciclismo segundo-a-segundo para cada participante, para cada sessão de exercício. Usando o software de estatística, tque os dados são subsequentemente extraídos e analisados. O mesmo protocolo pode ser aplicado para determinar a adesão a outras medidas de intensidade do exercício, como o tempo gasto em uma potência especificada, nível ou velocidade na bicicleta ergométrica. Além disso, o hardware eo software também está disponível para medir a adesão a outros modos de formação, como a esteira, elíptico, stepper e ergômetro de braço. O presente protocolo, por isso, tem uma vasta aplicabilidade para medir diretamente a adesão ao exercício aeróbio.
Introduction
A reabilitação pulmonar (PR) combina o treino de exercício, a educação do paciente e de apoio psicossocial, e é amplamente reconhecido como um marco na gestão da doença pulmonar 1-5. Os objetivos do PR são reduzir os sintomas, otimizar o estado funcional, melhorar a qualidade de saúde da vida, e reduzir os custos de cuidados de saúde 4,5. Em uma meta-análise de 31 ensaios clínicos randomizados na doença pulmonar obstrutiva crônica (DPOC), PR foi mostrado para melhorar significativamente a capacidade de exercício, dispnéia e fadiga, melhorar a função emocional e aumentar a sensação de controle sobre sua condição de 6 pacientes. Além disso, a evidência documenta a sua eficácia na redução de exacerbações respiratórias e 7 dias passados no hospital 8-13. O treinamento físico é considerado a chave para o sucesso PR, uma vez que é responsável por grande parte dos benefícios associados a esta intervenção 3-5. No entanto, uma questão importante para váriospacientes está aderindo à quantidade recomendada ou nível de exercício. Não-adesão ao tratamento recomendado pode resultar no fracasso de intervenções terapêuticas, bem como o uso ineficiente dos recursos de saúde 14.
De acordo com a Organização Mundial de Saúde, o termo'' adesão'' refere-se à medida em que o comportamento de uma pessoa coincide com as recomendações dadas por um profissional de saúde 15. Até o momento, a adesão ao treinamento em ambientes de reabilitação tem sido amplamente avaliada como quer a taxa de participação (ie. Inscrição para o programa), a taxa de conclusão (ou seja, terminar o programa), ou a taxa de freqüência (ou seja, número de exercícios sessões freqüentadas) 16-18. No momento, não existe nenhum "padrão ouro" para medir a adesão 15 e os métodos atuais não permitem grande precisão. Além disso, dependendo do meto seleccionadad, taxas de adesão ao PR têm mostrado grande variabilidade 16-19. Por exemplo, Hogg et al. 16 aderência medido em pacientes com DPOC como a relação entre aqueles que completaram o programa aos referidos e encontrou uma baixa adesão de aproximadamente 40%. No entanto, outros estudos de relações públicas que utilizaram as taxas de frequência demonstrou, em média, uma adesão de 90% 10,20,21. A falta de homogeneidade no cálculo adesão torna difícil a comparação de resultados entre os estudos. Outra preocupação é a falta de precisão com os métodos de cálculo existentes; comparecimento a uma sessão de treinamento físico não garante a adesão à intensidade prescrita. Esta lacuna na informação nos levou a investigar como a adesão pode ser calculado de uma forma mais precisa.
Os recentes avanços na tecnologia de equipamentos de fitness têm permitido para o rastreamento de dados contínua, que pode ser usado para monitorar a adesão a uma intensidade de treinamento aeróbio prescrito durante indivíduossessões de exercícios ai num contexto PR. Autorizações Mais especificamente, de hardware e software de rastreamento de dados para segundo-a-segundo a gravação de duração, velocidade, nível, potência, velocidade, freqüência cardíaca, distância, consumo de calorias, VO 2, METS, e calorias, e fornece as médias de todas as variáveis com exceção de nível e VO 2. A principal vantagem desta tecnologia é a capacidade de gravar medidas detalhadas contínuos, o que permite o cálculo preciso da adesão ao exercício prescrito contra as taxas de frequência geral ou de conclusão anteriormente relatados. Este procedimento pode ser de grande valor para qualquer estudo que examina o impacto de um ou vários programas de treinamento aeróbio. Usando essa tecnologia, a adesão do paciente a uma intensidade prescrita pode ser avaliada pelo tempo gasto por cento em uma potência especificada, nível, velocidade ou freqüência cardíaca durante a fase de treinamento de cada sessão. Para as nossas investigações, a adesão a um protocolo de treinamento físico tem sido definida como a porcentagemtempo gasto dentro de uma faixa de freqüência cardíaca alvo especificado. Desde resposta da frequência cardíaca em uma determinada carga de trabalho submáxima diminui à medida que aumenta aptidão cardiorrespiratória, esta abordagem garante que os pacientes permanecem na mesma relação (versus absoluto) a intensidade de treinamento durante todo o programa. O presente protocolo descreve em detalhes como tecnologia de rastreamento de dados contínua pode ser usado para medir com precisão a adesão a uma faixa-alvo da frequência cardíaca prescrita.
Protocol
Uma vez que os dados são recolhidos, um único arquivo por assunto por sessão de dados em bruto é obtido. Usando o software de estatística, todas as sessões por indivíduo são combinados em um único arquivo. Posteriormente, a intensidade alvo devem ser calculados para cada assunto. A taxa de adesão para que a intensidade do alvo pode então ser calculada por sessão por objecto, para cada sessão para todos os sujeitos combinados, ou por grupo.
1. Coleta de Dados (realizadas por pessoas que supervisionam a sessão de treinamento)
- Minimizar a interferência elétrica, desligando os dispositivos sem fio (por exemplo, telefones celulares, Wi-Fi, etc.) E minimizar crosstalk, garantindo os monitores e equipamentos de freqüência cardíaca, pelo menos, 1 metro. Consulte a Figura 1 para a colocação do transmissor de freqüência cardíaca.
- Ligue o software de rastreamento de dados. Carregue em START no equipamento aeróbico e treinar o participante com a intensidade alvo. Por exemplo, nos nossos estudos, particalças são convidados a treinar dentro de ± 5 batimentos / min de sua freqüência cardíaca alvo. Consulte a Figura 2 para CardioMemory.
- Coletar dados segundo a segundo para cada participante para cada sessão de reabilitação. Os dados coletados incluem o seguinte: ID assunto, duração (hhmmss), o nível de intensidade (1-30), carga de trabalho (watts), velocidade de pedalada (rotações / minuto), distância (km), ritmo (mm: ss / km), freqüência cardíaca (batimentos / minuto), o consumo estimado de oxigênio (VO 2, ml / min / kg), equivalente metabólico de esforço físico (METs), o gasto energético estimado (kcal / hora), e estima energia consumida (kcal). Veja a Figura 3.
- Pressione parar no equipamento aeróbico. Clique em "Salvar" para carregar os dados para CardioMemory. Clique em "Exportar" para salvar o documento fora do CardioMemory. O documento será em formato cvs. E irá incluir automaticamente a data da sessão.
2. Extração de dados
Csoftware ardioMemory não permite a distinção de várias fases de treinamento de exercício. Como tal, os dados obtidos devem ser exportados para um software de estatística, a fim de eliminar as fases que não são de interesse (por exemplo, aquecimento e resfriamento), mesclar os arquivos de dados e comparar alcançado contra intensidade alvo.
- Abra o software de análise estatística para importar arquivo excel. Procedimento: Arquivo
Aberto Dados Em "Open Data" janela, selecione Todos os arquivos no menu dropdown de "arquivos de tipos" Selecione Excel. xls Open
Em "Abrir Excel fonte de dados" janela, clique em OK. - Salve o arquivo de dados em um software de análise estatística. Veja a Figura 4 para um banco de dados de amostra.
- Elimine as fases, ou seja, nontraining aquecimento e resfriamento, se o interesse é o tempo gasto com a intensidade alvo durante a fase de treinamento.
- Eliminar a fase de aquecimento (por exemplo, primeiro 10 min):
- Para recodificar duração, criar uma variável para identificar cada segundo como 1. Procedimento: Transformar Recodificar em variáveis diferentes ... Em "Recode em diferentes variáveis" window, selecione Duration_A clique na seta Identificar "Output Variable Name" (por exemplo, tempo) Mudança Clique em valores novos e antigos Em "Valor antigo", selecione Valor: e digite 0 Em "New Value", Select Valor: e digite 0 Adicionar
o: content-width = ".2" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> Em "Valor antigo", selecione Todos os outros valores, em seguida, clique em Valor:, sob o título "Nova Valor "e digite 1
Adicionar Continuar OK. - RECODIFICAR Duration_A (0 = 0) (ELSE = 1) no Tempo.
- EXECUTAR.
- Criar uma segunda variável temporária. Procedimento: Transformar Os valores de deslocamento Selecione ritmo"width =" iles/ftp_upload/50643/arrow.jpg 20px "/> Clique na seta Em "Nome:" variável temporária tipo (. Eg tempo2) Mudança OK.
- DESLOCAMENTO valores de variáveis = Tempo RESULTADO = Tempo2 LAG = 1.
- Para iniciar tempo2 a 0, deverá ser recodificados. Procedimento: Transformar Recodificar em mesmas variáveis Selecione tempo2 Clique na seta Em "Valor antigo", selecione Sistema-Missing Em "New Value", selecione Valor: e digite 0 Adicionar Continuar OK.
- RECODIFICAR Tempo2 (SYSMIS = 0).
- EXECUTAR.
- Some os segundos a partir de zero. Procedimento: Transformar/ 50643/arrow.jpg "width =" 20px "/> Compute Variable Sob "Target Variable:" tipo de ritmo Em "expressão numérica" tipo de lag (tempo) +1 SE ... Selecione Incluir se caso satisfaz a condição: Digite tempo2> 0 Continuar OK.
- IF (Tempo2> 0) Tempo = Lag (andamento) + 1.
- EXECUTAR.
- Para eliminar os primeiros 10 minutos de aquecimento, remover dados ritmo que precede 599 segundo. Procedimento: Os dados Selecione casos ... Na janela "Select Cases", em "Select", escolha a opção "Se a condição for satisfeita" Se ... Em "selecionar casos: Se" janela, equação inserção ritmo> 599 Continuar Em"Output", selecione Excluir casos não selecionados OK. Ver Figura 5.
- Filtro.
- USAR TODOS.
- SELECIONE IF (ritmo> 599).
- EXECUTAR.
- Para recodificar duração, criar uma variável para identificar cada segundo como 1. Procedimento: Transformar
- Eliminar a fase de desaquecimento (por exemplo, nos últimos 5 minutos.):
- Ordenação de dados, a fim de trazer para Duration_A a fase de arrefecimento para a parte superior da base de dados, como o SPSS remove os dados a partir do início do processo para a frente descendente. Procedimento: Os dados Ordenação de Casos Na janela "Classificar casos", selecione Duration_A clicar em umrrow No menu "Ordem", selecione Decrescente OK.
- CASOS Ordenar por Duration_A (D).
- Recodificar Duration_A para identificar cada segundo, como um. Procedimento: Transformar Recodificar em variáveis diferentes ... Em "Recode em diferentes variáveis" janela, selecione Duration_A clique na seta Identificar "Output Nome da variável "(por exemplo. TempoA) Mudança Clique valores novos e antigos Em "Valor antigo", selecione Valor: e digite 0 Em "New Value", selecione Valor: e digite 0 Adicionar Selecione Todos os outros valores em "Valor Antigo", em seguida, clique em Valor: em "New Value" e digite 1ad/50643/arrow.jpg "width =" 20px "/> Adicionar Continuar OK.
- RECODIFICAR Duration_A (0 = 0) (MAIS = 1) INTO TempoA.
- EXECUTAR.
- Criar uma segunda variável temporária. Procedimento: Transformar Os valores de deslocamento Selecione tempoA Clique na seta Em "Nome:" variável temporária tipo (. Eg tempoA2) OK.
- DESLOCAMENTO valores de variáveis = TempoA RESULTADO = TempoA2 LAG = 1.
- Para iniciar tempoA2 a 0, deverá ser recodificados. Procedimento: Transformar Recodificar em mesmas variáveis Selecione tempoA2 Clique na seta Clique valores novos e antigos Em "Valor antigo", selecione System-M Issing Em "New Value", selecione Valor: e digite 0 Adicionar Continuar OK.
- RECODIFICAR TempoA2 (SYSMIS = 0).
- EXECUTAR.
- Some os segundos da variável tempoA. Procedimento: Transformar Calcule Variável Sob "Target Variable:" tipo tempoA 50643/arrow.jpg "width =" 20px "/> Em" expressão numérica "tipo de lag (tempoA) +1 SE ... Selecione Incluir se caso satisfaz a condição: Tipo tempoA2> 0 Continuar OK.
- IF (TempoA2> 0) TempoA = Lag (tempoA) + 1.
- EXECUTAR.
- Para eliminar a fase de desaquecimento (ou seja, 5 minutos), retire os dados ritmo que precede 299 segundo. Procedimento: Os dados"width =" pg 20px "/> Selecionar casos ... Na janela "Select Cases", em "Select", escolha a opção "Se a condição for satisfeita" Se ... Em "selecionar casos: Se" janela, insira equação tempoA> 299 Continuar em "Output", selecione Excluir casos não selecionados OK. Veja a Figura 6.
- Filtro.
- USAR TODOS. SELECIONE IF (tempoA> 299).
- EXECUTAR.
- Ordenação de dados, a fim de trazer para Duration_A a fase de arrefecimento para a parte superior da base de dados, como o SPSS remove os dados a partir do início do processo para a frente descendente. Procedimento: Os dados
- Identificar o número da sessão (ou data) associada com o conjunto de dados. Criar e nomear uma nova variável (por exemplo,. Session). Procedimento: Transformar Calcule Variável Em computação janela variável em Destino variável, digite Session clique em Tipo & Label para abrir "Variável Compute: Digite um ..." janela em "Tipo", selecione Cadeia Continuar sob Cordas tipo Expression '1 ' OK. Ver Figura 7.
- STRING Session (A8).
- COMPUTE Session = '1 '.
- EXECUTAR.
- Salve o documento SPSS modificado em um novo arquivo (exemplo: subjectID_session #).
- Repita o procedimento acima para todas as sessões restantes para o mesmo assunto.
- Eliminar a fase de aquecimento (por exemplo, primeiro 10 min):
3. Fusão de Dados - Participante Único
- Para mesclar todas as sessões em um único banco de dados SPSS, primeira sessão do participante aberto (ou seja. SubjectID_session1).
- Mesclar sessões restantes para o arquivo atual. Procedimento: Os dados Mesclar arquivos Adicionar Casos em "Adicionar Casos de subjectID_session1.sav" janela, clique em Procurar e escolha o arquivo subjectID_session2 Aberto Continuar em "Adicionar Casos de ..." janela, clique em OK. Repita o procedimento para todas as sessões restantes. Veja a Figura 8.
- Adicionar arquivos / FILE = *
- / FILE = 'SubjectAB001_Session1.sav'.
- EXECUTAR.
- Adicionar uma coluna que contém o número de identificação do sujeito. Procedimento: Tr ansform Calcule Variável Na janela "Variável Compute" em Destino variável, digite SubjectID clique em Tipo & Label para abrir "Variável Compute: Digite um ..." janela em "Tipo", selecione Cadeia Continuar sob Cordas tipo Expression 'SubjectID' (por exemplo, 'AB001')s/ftp_upload/50643/arrow.jpg "width =" 20px "/> OK. Consulte a Figura 9.
- STRING subject_id (A8).
- COMPUTE subject_id = 'AB001.
- EXECUTAR.
- Adicionar uma coluna que contém intensidade alvo do sujeito (por exemplo, taxa. Cardíaca alvo [THR]). Procedimento: Transformar Calcule Variável Em "Compute Variable" janela em Destino variável, digite THR clique em Tipo & Label para abrir "Variável Compute: Digite um ..." janela em "Tipo", selecione Numérico sob numérico tipo Expression THR (por exemplo. 110) OK. Veja a Figura 10.
- THR STRING (A8).
- COMPUTE THR = '110 '.
- EXECUTAR.
- Salve banco de dados com um nome de arquivo diferente (por exemplo,. SubjectAB001_session1-36).
- Repita o procedimento para todos os participantes restantes. Neste ponto, cada participante tem uma base de dados que contém todas as sessões.
4. Mesclar dados - Agrupamento Participantes
- Para agrupar vários participantes em um único banco de dados, arquivo do participante aberto (ou seja subjectID_session1-36).
- Mesclar os restantes participantes ao actual file. Procedimento: Os dados Mesclar arquivos Adicionar Casos em "Adicionar Casos de SubjectAB001_session1-36.sav" janela, clique em Procurar e escolha o arquivo SubjectCD002_session1-36 Aberto Continuar em "Adicionar Casos de ..." janela, clique em OK. Repita o procedimento para todos os participantes que você deseja agrupar. Ver Figura 11.
- Adicionar arquivos /FILE = *
- / RENAME (AB001 = d0)
- / FILE = 'SubjectAB001_Session1-36.sav'
- / RENAME (CD002 = d1)
- / Drop = d1 d0.
- EXECUTAR.
- Salve o novo banco de dados (por exemplo. Group01_Subjects001-010).
5. Identificação do objectivo de intensidade (por exemplo, THR Range)
- Identificar uma gama THR; clique Transform Calcule Variável na janela "Compute Variable" sob "Target Variable" insira um novo nome de variável (por exemplo, Diff_HR_THR) "Type & Label ..." no "C Variável ompute: Digite um .... ", selecione Numérico Continuar Em "expressão numérica" enter equação: HR - THR OK. Isso nos fornece uma nova variável.
- COMPUTE Diff_HR_THR = HR - THR.
- EXECUTAR.
- Recodificar variáveis para identificar se o HR está abaixo, acima ou dentro da faixa THR. Procedimento: Transformar Recodificar em diferentes variáveis ... selecionar Diff_HR_THR0,2 em "src =" / files/ftp_upload/50643/arrow.jpg "width =" 20px "/> clique na seta em "Variável de saída" em tipo de "Nome" Diff_HR_THR _recoded Mudança Valores antigos e novos ... em "Recode em diferentes variáveis: valores novos e antigos" janela:
| Valor Antigo | Novo valor | Antigo -> Novo: | |
| Faixa: -5 a 5 | 1 | <td align = "center" rowspan = "4"> Adicionar-5 Até 5 -> 1 | |
| Range, MAIS BAIXO através de valor: -5 | 0 | O mais baixo através de -5 -> 0 | |
| Range, valor através MAIOR: 5 | 0 | 5 através Maior -> 0 | |
| System-falta | System-falta | SYSMIS -> SYSMIS |
Continuar OK. Ver Figura 12.
- RECODIFICAR Diff_HR_THR (SYSMIS = SYSMIS) (-5 até 5 = 1) (mais baixo através de -5 = 0) (5 através Maior = 0) INTO
- Diff_HR_THR_Recoded.
- EXECUTAR.
6. Cálculo da Percentagem de Aderência
- Em Group01_Subjects001-010 arquivo, calcular todos os segundos que os pacientes estavam dentro da THR, fazendo o seguinte: Dados Agregado em "agregar dados" janela, em "Break Variable (s):", selecione subjectID e sessão clique na seta em "Resumos de Variável (s):", selecione Diff_HR_THR _recoded clique na seta
= "Arrow" fo: content-width = ".2" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> OK. A nova variável é criada com o nome _recoded_mean Diff_HR_THR.
- AGREGADO
- / OUTFILE = * MODE = ADDVARIABLES
- / INTERVALO = subject_id Session
- / Diff_HR_THR_Recoded_mean = MÉDIA (Diff_HR_THR_Recoded).
- Converter o valor obtido em percentagem; clique Transform Calcule Variável sob "Target Variable" insira o nome da variável (por exemplo, Perc_THR) em "expressão numérica", selecione Diff_HR_THR _recoded_mean"/> Clique na seta multiplicar o valor por 100 (Diff_HR_THR _recoded_mean * 100) OK. Nós, então, obter a adesão como uma porcentagem do tempo gasto dentro da THR de cada disciplina para cada sessão. Ver Figura 13
- COMPUTE Perc_THR = Diff_HR_THR_Recoded_mean * 100.
- EXECUTAR.
- Substituto subjectID e sessão com apenas subjectID: Para obter a adesão para a porcentagem de tempo gasto dentro da THR para cada assunto para todas as sessões combinadas, em "agregar dados" janela, em "Variable (s) Break". Veja a Figura 14.
- Para obter a adesão para a porcentagem de tempo gasto dentro da THR para cada sessão para todos os assuntos combinados num "agregado de dados" janela, sob o título "Quebre Variable (s): "substituto subjectID e sessão com apenas sessão.
- Salve o banco de dados com um nome de arquivo diferente (por exemplo,. Group01_Subjects001-010_Aggregate).
Representative Results
Quando o protocolo é realizado correctamente, uma taxa de aderência é obtida para cada objecto, para cada sessão (Figura 13), para cada sujeito para todas as sessões (fig. 14), e para cada sessão para todos os sujeitos combinados. Uma estimativa do tempo necessário para completar o protocolo acima para uma única sessão de um assunto é de cerca de 5 min. Os resultados de adesão pode variar de 0-100%. Usando essas informações, análises adicionais podem ser realizados para determinar as diferenças entre indivíduos (ou seja, as diferenças de sexo, gravidade da doença, etc.), Para identificar as mudanças ao longo do tempo, e para revelar padrões de adesão. Além disso, a comparação entre os grupos de adesão pode ser realizado, por exemplo, diferentes programas de formação de exercício pode ser comparado. Finalmente, através de uma investigação mais aprofundada, as causas da não adesão pode ser identificado em momentos específicos durante PR.
">
Colocação transmissor de freqüência cardíaca Figura 1.. Clique aqui para ver a imagem ampliada .
Figura 2. Exemplo de dados coletados usando o software de rastreamento de dados. Clique aqui para ver a imagem ampliada .
Figura 3. Exemplo de saída do software de rastreamento de dados.jove.com/files/ftp_upload/50643/50643fig3highres.jpg "target =" _blank "> Clique aqui para ver imagem ampliada.
Figura 4. Banco de dados de exemplo que ilustra uma amostra do banco de dados do software estatístico. Clique aqui para ver a imagem ampliada .
Figura 5. Banco de dados de amostra que ilustra a fase de aquecimento eliminados. Clique aqui para ver a imagem ampliada .
Banco de dados Figura 6. Exemplo que ilustra a fase de desaquecimento eliminados. Clique aqui para ver a imagem ampliada .
Banco de dados Figura 7. Amostra ilustrando uma coluna adicional para o número da sessão. Clique aqui para ver a imagem ampliada .
Figura banco de dados 8. Amostra ilustrando as sessões intercaladas para um único PARTICIPAN t. Clique aqui para ver a imagem ampliada .
Banco de dados Figura 9. Amostra ilustrando uma coluna adicional para o número de identificação de assunto. Clique aqui para ver a imagem ampliada .
Figura banco de dados 10. Amostra ilustrando uma coluna adicional para a frequência cardíaca alvo. Clique aqui para ver a imagem ampliada .
Figura banco de dados 11. Amostra ilustrando arquivos dos participantes mescladas. Clique aqui para ver a imagem ampliada .
Figura banco de dados 12. Amostra ilustrando as variáveis freqüência cardíaca recodificados. Clique aqui para ver a imagem ampliada .
Figura 13. banco de dados exemplo que ilustra a adesão como uma porcentagem do tempo gasto dentro da faixa de freqüência cardíaca alvo para cada assunto de cada sessão (linha vermelha horizontal destaca a mudança na aderência entre as sessões para o mesmo assunto). Clique aqui para ver a imagem ampliada .
Figura banco de dados 14. Amostra ilustrando adesão para a porcentagem de tempo gasto dentro da faixa de freqüência cardíaca alvo para cada assunto em todas as sessões (linha vermelha horizontal destaca a diferença entre os indivíduos). Clique aqui para ver a imagem ampliada .
Discussion
Tecnologia de rastreamento de dados contínua permite uma medição muito precisa de exercício aderência. Este procedimento pode ser facilmente adaptada para outras definições de adesão, substituindo alvo faixa de freqüência cardíaca com alvo potência, nível, velocidade ou nível TEM. No presente exemplo, as fases de aquecimento e desaquecimento foram eliminados para isolar a fase de exercício por causa de nosso objetivo de pesquisa específica. Caso as fases de aquecimento e desaquecimento ser de interesse para outros pesquisadores, o passo 2.3 ("Elimine as fases nontraining") pode ser eliminado do protocolo. Além disso, o hardware eo software também está disponível para medir a adesão a outros modos de formação, como a esteira, elíptico, stepper e ergômetro de braço.
Quando, seguindo o protocolo acima, certos passos simples são críticos. Primeiro, o software CardioMemory deve ser iniciado antes de o equipamento de exercício (por exemplo,. Cicloergômetro) para dados de exercício para ser tracked e subsequentemente gravado. Caso os dados sejam perdidos neste passo inicial, o protocolo de extracção de dados deverão ser ajustados em conformidade. Em segundo lugar, as fontes de interferência deve ser minimizado, para reduzir o risco de interferência e / ou perda de dados. Os monitores de freqüência cardíaca comunicar sem fios com o equipamento e software. Assim, a interferência é especialmente prejudicial se o uso da frequência cardíaca alvo para calcular a adesão. Finalmente, é imperativo para selecionar o software estatístico para o banco de dados que tem a capacidade de permitir a grandes quantidades de dados. Por exemplo, num estudo com 10 participantes completando 36 sessões de 40 minutos cada, 864.000 linhas de pontos de dados serão gerados. Excel 2007 e versões posteriores têm a capacidade de conter 1.048.576 linhas em uma planilha 23, enquanto que a SAS 24 e SPSS 25 não têm limite para o número de linhas. Dependendo do número total de pontos de dados esperados para um dado estudo, o software necessita de ser seleccionada em conformidade. Apesar das vantagens notáveis desta tecnologia, existem duas limitações principais. O primeiro é a perda de dados, o que pode resultar de equipamento e / ou falhas de software. Como mencionado acima, a perda de dados pode ser devido à interferência elétrica com dispositivos sem fio (por exemplo, telefones celulares ou Wi-Fi), e mais especificamente a interferência com a transmissão de dados sem fio da frequência cardíaca. No entanto, às vezes, perda de dados pode também ser devido a causas não identificáveis. Uma segunda limitação é que o software não oferece a opção de marcação ou a divisão do protocolo de exercício sistematicamente a fim de diferenciar / identificar diferentes fases. Se esta opção estava disponível, a extração da fase de exercício de interesses pode ser realizada diretamente no software, o que limitaria etapas do protocolo de cálculo adesão. Assim, a opção de colocar marcadores seria prático para o estudo da adesão aos protocolos de treinamento intervalado ou intermitente, uma vez que permitiriaa diferenciação das diferentes fases (por exemplo,. baixas contra alta intensidade).
Para as perspectivas futuras, o uso de tecnologia de rastreamento de dados contínua para quantificar precisamente a adesão vai permitir aos investigadores para investigar padrões de resposta do exercício para diferentes intervenções, identificar os determinantes da adesão, e caracterizar bons e maus adherers. Em última análise, uma melhor compreensão do exercício adesão permitirá a otimização de programas de reabilitação de exercício.
Disclosures
Os autores declaram que não têm interesses financeiros concorrentes.
Acknowledgments
Associação Canadense de pulmão - Profissionais de Saúde Respiratória canadenses; 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/) |
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).
