Summary
Lungerehabilitering er allment anerkjent i forvaltningen av luftveissykdommer. En nøkkelkomponent for vellykket lungerehabilitering er tilslutning til det anbefalte trening. Hensikten med denne protokollen er å beskrive hvordan kontinuerlig data tracking-teknologi kan brukes til nettopp å måle tilslutning til en foreskrevet aerob treningsintensitet.
Abstract
Lungerehabilitering (PR) er en viktig komponent i behandlingen av luftveissykdommer. Effektiviteten av PR er avhengig av tilslutning til å utøve treningsanbefalinger. Studiet av trening etterlevelse er dermed et viktig skritt mot optimalisering av PR-programmer. Til dags dato, for det meste indirekte tiltak, som for eksempel forekomst av deltakelse, komplettering, og oppmøte, har blitt brukt til å bestemme tilslutning til PR. Hensikten med denne protokollen er å beskrive hvordan kontinuerlig data tracking-teknologi kan brukes til å måle tilslutning til en foreskrevet aerob treningsintensitet på en andre-for-andre basis.
I våre undersøkelser har tilslutning blitt definert som prosent tidsbruk innen en bestemt pulsområdet. Som sådan, ved hjelp av en kombinasjon av maskinvare og programvare, er hjertefrekvensen måles, spores, og registrert under sykling andre-for-andre for hver deltaker, for hver treningsøkt. Ved hjelp av statistisk programvare, tHan data blir deretter ekstrahert og analysert. Den samme protokollen kan brukes til å bestemme tilslutning til andre tiltak av treningsintensitet, som tid brukt på et bestemt wattstyrke, nivå, eller hastighet på ergometersykkel. Videre er maskinvaren og programvaren også tilgjengelig for å måle tilslutning til andre former for trening, for eksempel tredemølle, elliptiske, stepper, og arm ergometersykkel. Den nåværende protokollen, derfor har en enorm anvendbarhet å direkte måle tilslutning til aerobic trening.
Introduction
Lungerehabilitering (PR) kombinerer fysisk trening, pasientopplæring og psykososial støtte, og er anerkjent som en hjørnestein i forvaltningen av lungesykdom 1-5. Målene for PR er å redusere symptomer, optimalisere funksjonell status, bedre helserelatert livskvalitet, og redusere helsekostnader 4,5. I en meta-analyse av 31 randomiserte kontrollerte studier i kronisk obstruktiv lungesykdom (KOLS), ble PR vist til betydelig forbedre arbeidskapasiteten, redusere dyspné og utmattelse, bedre emosjonell funksjon og forbedre pasientenes følelse av kontroll over deres tilstand seks. Videre dokumenterer bevis sin effektivitet i å redusere luftveis eksaserbasjoner 7 og dager tilbrakt på sykehuset 8-13. Trening er ansett som nøkkelen til vellykket PR siden det er ansvarlig for mye av fordelene forbundet med denne intervensjonen 3-5. Men et stort problem for flerepasienter er å følge den anbefalte mengden eller nivået på trening. Nonadherence til anbefalt behandling kan føre til svikt i terapeutiske intervensjoner samt ineffektiv bruk av helseressurser 14.
Ifølge Verdens helseorganisasjon, begrepet'' tilslutning'' refererer til i hvilken grad en persons atferd sammenfaller med anbefalinger gitt av helsepersonell 15. Til dags dato har tilslutning til trening i rehabiliterings innstillinger i stor grad blitt vurdert som enten frekvensen av deltakelse (dvs.. Påmelding til programmet), frekvensen av ferdigstillelse (dvs. endt program), eller frekvensen av stede (dvs. antall trening sesjoner deltok) 16-18. I dag finnes det ingen "gullstandard" for måling av etterlevelse 15 og dagens metoder ikke tillater for stor presisjon. Videre, avhengig av den valgte method, har utbredelsen av tilslutning til PR har vist stor variasjon 16-19. For eksempel, Hogg et al. 16 målt tilslutning hos KOLS-pasienter som forholdet mellom de som fullførte programmet til dem som er nevnt, og funnet et frafall på ca 40%. Men andre PR-studier som har brukt oppmøte priser demonstrert i gjennomsnitt en 90% tilslutning 10,20,21. Mangelen på homogenitet i beregning tilslutning gjør det vanskelig å sammenligne resultater mellom studier. En annen bekymring er mangelen på presisjon med de eksisterende beregningsmetoder, frammøte til en øvelse treningsøkt garanterer ikke tilslutning til foreskrevet intensitet. Dette gapet i informasjonen førte oss til å undersøke hvordan etterlevelse kunne beregnes på en mer presis måte.
Nylige fremskritt innen treningsutstyr teknologi har tillatt for kontinuerlig data sporing, som kan brukes til å overvåke etterlevelse av en foreskrevet aerob trening intensitet under individual treningsøkter i en PR-sammenheng. Mer spesifikt, data sporing maskinvare-og programvaretillatelser for andre-by-sekunders opptak av varighet, hastighet, nivå, wattstyrke, tempo, puls, distanse, kaloriforbruk, VO 2, METS, og kalorier, og gir gjennomsnitt av alle variabler med unntak av nivå og VO 2. Den største fordelen med denne teknologien er muligheten til å spille kontinuerlig detaljerte tiltak, som gjør det mulig for nøyaktig beregning av tilslutning til foreskrevne trening versus tidligere rapportert generell oppmøte eller gjennomføringsgrad. Denne fremgangsmåten kan være av verdi for noen studie som undersøker effekten av en eller flere aerobic trening treningsprogrammer. Ved hjelp av denne teknologien, kan pasienten tilslutning til en foreskrevet intensitet vurderes av prosent tid brukt på et angitt wattstyrke, nivå, hastighet eller hjertefrekvens under treningsfasen av hver økt. For våre undersøkelser, har tilslutning til en trening protokoll blitt definert som prosenttidsbruk innen en bestemt pulsområdet. Siden hjertefrekvens respons på en gitt submaksimal arbeidsbelastning reduseres som cardiorespiratory fitness øker, sikrer denne tilnærmingen at pasienter ligge på samme relative (versus absolutt) treningsintensitet gjennom hele programmet. Den nåværende protokollen beskriver i detalj hvordan kontinuerlig datasporingsteknologi kan brukes til nettopp å måle tilslutning til en fastsatt pulsområdet.
Protocol
Når dataene er samlet inn, er en enkelt fil per emne per sesjon av rådata innhentet. Ved hjelp av statistisk programvare, blir alle økter per fag kombinert i en enkelt fil. Deretter må den målintensitet beregnes for hvert fag. Etterlevelse rate til at målintensitet kan da beregnes per sesjon per emne, for hver økt for alle fag samlet, eller per gruppe.
En. Datainnsamling (utført av personell som fører tilsyn med opplæringen)
- Minimer elektrisk interferens ved å slå av trådløse enheter (mobiltelefon, Wi-Fi, osv..) Og minimere crosstalk ved å sikre de pulsmålere og utstyr er minst en meter fra hverandre. Se figur 1 for plassering av pulssender.
- Slå på data sporing programvare. Trykk starte på aerobic utstyr og trene deltakeren på målet intensitet. For eksempel, i våre studier, deltakelsebuksene blir bedt om å trene innenfor ± 5 slag / min av deres mål hjertefrekvens. Se figur 2 for CardioMemory.
- Samle data andre-for-andre for hver deltaker for hver rehabilitering økt. Innsamlet data inkluderer følgende: lagt ID, varighet (hhmmss), grad av intensitet (1-30), arbeidsbelastning (watt), tråkk hastighet (omdreininger / minutt), distanse (km), tempo (mm: ss / km), hjertefrekvens (slag / minutt), estimert oksygenforbruk (VO 2, ml / min / kg), metabolsk ekvivalent av fysisk anstrengelse (Mets), estimert energiforbruk (kcal / time), og beregnet energiforbruk (kcal). Se figur 3.
- Trykk stopp på aerobic utstyr. Klikk på "lagre" for å laste opp data til CardioMemory. Klikk på "eksport" for å lagre dokumentet utenfor CardioMemory. Dokumentet vil være i. Cvs format og vil automatisk inneholde dato for økten.
2. Datauttrekk
CardioMemory programvaren ikke tillater forskjellsbehandling av ulike trening-trening faser. Som sådan, må dataene innhentet eksporteres til en statistisk programvare for å eliminere de fasene som ikke er av interesse (f.eks varme opp og kjøle ned), slå sammen datafilene, og sammenligne oppnådd mot målintensitet.
- Åpen statistisk analyse programvare for å importere excel-fil. Fremgangsmåte: Fil
Åpent Data Velg Alle filer i "Open Data"-vinduet, i rullegardinmenyen av "filer av typene" Velg Excel. xls-fil Åpne
I "Åpne Excel Data Source"-vinduet klikker du på OK. - Lagre datafil i en statistisk analyse programvare. Se figur 4 for en prøve database.
- Eliminer de nontraining faser, dvs. varme opp og kjøle ned, hvis interessen er tid brukt på målet intensitet under opplæringsfasen.
- Eliminer oppvarmingsfasen (f.eks første 10 min):
- Å recode varighet, opprette en variabel for å identifisere hvert sekund som en. Fremgangsmåte: Transform Recode inn ulike variabler ... I "Recode inn ulike variabler" utstillingsviw, velg Duration_A Klikk pilen Identifisere "Variabelnavn Output" (f.eks tempo) Endring Klikk på Gamle og nye verdier Under "Old Value", velg Verdi: og skriv inn 0 Under "Ny verdi", velg Verdi: og skriv inn 0 Legg
o: content-width = "0,2 i" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> Under "Old Value", velg Alle andre verdier klikk deretter på Verdi:, under "New Value "og skriv en
Legg Fortsett OK. - Recode Duration_A (0 = 0) (ELSE = 1) i Tempo.
- EXECUTE.
- Lag en andre midlertidig variabel. Fremgangsmåte: Transform Shift Verdier Velg tempoiles/ftp_upload/50643/arrow.jpg "width =" 20px "/> Klikk pilen Under "Name:" type midlertidig variabel (. F.eks tempo2) Endring OK.
- SHIFT VERDIER VARIABEL = Tempo RESULTAT = Tempo2 LAG = 1.
- Slik starter tempo2 på 0, må det bli omkodet. Fremgangsmåte: Transform Recode inn samme variablene Velg tempo2 Klikk på pilen Under "Old Value", velger du System-Mangler Under "Ny verdi", velg Verdi: og skriv inn 0 Legg Fortsett OK.
- Recode Tempo2 (SYSMIS = 0).
- EXECUTE.
- Summere sekunder starter fra null. Fremgangsmåte: Transform/ 50643/arrow.jpg "width =" 20px "/> Compute Variabel Under "Target Variable:" type tempo Under "Numeric Expression" type lag (tempo) 1 IF ... Velg Inkluder hvis case tilfredsstiller tilstand: Skriv tempo2> 0 Fortsett OK.
- IF (Tempo2> 0) Tempo = Lag (tempo) + 1.
- EXECUTE.
- For å eliminere den første 10 min av warm-up, fjerne tempo data som går forut for 599 sekunder. Fremgangsmåte: Data Velg tilfeller ... I "Velg Cases"-vinduet, under "Velg", velg "Hvis betingelsen er oppfylt" Hvis ... I "Velg tilfeller: Hvis"-vinduet, sette inn ligningen tempo> 599 Fortsett Under"Output", velg Slett umarkerte tilfeller OK. Se figur 5.
- Filter av.
- BRUKE HELE.
- VELG IF (tempo> 599).
- EXECUTE.
- Å recode varighet, opprette en variabel for å identifisere hvert sekund som en. Fremgangsmåte: Transform
- Eliminer nedtrappingsfasen (f.eks siste fem minutter.):
- Sortere data i synkende rekkefølge for Duration_A å bringe nedtrappingsfasen til toppen av databasen, som SPSS fjerner data fra toppen av filen og utover. Fremgangsmåte: Data Sorter Cases I "Sorter Cases"-vinduet, velg Duration_A Klikk enrrow I "Sort Order"-menyen velger Synkende OK.
- SORT tilfeller av Duration_A (D).
- Recode Duration_A å identifisere hvert sekund som en. Fremgangsmåte: Transform Recode inn i ulike variabler ... I "Recode inn ulike variabler"-vinduet, velg Duration_A Klikk pilen Identifiser "Output Variabel navn "(f.eks. TempoA) Endring Klikk Gamle og nye verdier Under "Old Value", velg Verdi: og skriv inn 0 Under "Ny verdi", velg Verdi: og skriv inn 0 Legg Velg Alle andre verdier under «Old Value", klikk deretter på Verdi: under "Ny verdi" og skriv enad/50643/arrow.jpg "width =" 20px "/> Legg Fortsett OK.
- Recode Duration_A (0 = 0) (ELSE = 1) INTO TempoA.
- EXECUTE.
- Lag en andre midlertidig variabel. Fremgangsmåte: Transform Shift Verdier Velg tempoA Klikk på pilen Under "Name:" type midlertidig variabel (. F.eks tempoA2) OK.
- SHIFT VERDIER VARIABEL = TempoA RESULTAT = TempoA2 LAG = 1.
- Slik starter tempoA2 på 0, må det bli omkodet. Fremgangsmåte: Transform Recode inn samme variablene Velg tempoA2 Klikk på pilen Klikk Gamle og nye verdier Under "Old Value", velger du System-M Issing Under "Ny verdi", velg Verdi: og skriv inn 0 Legg Fortsett OK.
- Recode TempoA2 (SYSMIS = 0).
- EXECUTE.
- Summere sekunder av tempoA variabel. Fremgangsmåte: Transform Beregn Variabel Under "Target Variable:" type tempoA 50643/arrow.jpg "width =" 20px "/> Under" Numeric Expression "type lag (tempoA) 1 IF ... Velg Inkluder hvis case tilfredsstiller tilstand: Type tempoA2> 0 Fortsett OK.
- IF (TempoA2> 0) TempoA = Lag (tempoA) + 1.
- EXECUTE.
- For å eliminere nedtrappingsfasen (dvs. 5 min), fjerne tempo data som går forut for 299 sekunder. Fremgangsmåte: Datapg "width =" 20px "/> Velg tilfeller ... I "Velg Cases"-vinduet, under "Velg", velg "Hvis betingelsen er oppfylt" Hvis ... I "Velg tilfeller: Hvis"-vinduet, setter ligningen tempoA> 299 Fortsett under "Output", velg Slett umarkerte tilfeller OK. Se Figur 6.
- Filter av.
- BRUKE HELE. VELG IF (tempoA> 299).
- EXECUTE.
- Sortere data i synkende rekkefølge for Duration_A å bringe nedtrappingsfasen til toppen av databasen, som SPSS fjerner data fra toppen av filen og utover. Fremgangsmåte: Data
- Identifiser nummer session (eller dato) knyttet til datasettet. Opprett og navngi en ny variabel (f.eks. Session). Fremgangsmåte: Transform Beregn Variabel I beregne variabel vinduet under Target Variable, type Session Klikk Type & Label å åpne "Compute Variabel: Skriv en ..." vindu under "Type" velger du String Fortsett henhold String Expression typen '1 ' OK. Se figur 7.
- STRING Session (A8).
- COMPUTE Session = '1 '.
- EXECUTE.
- Lagre den modifiserte SPSS dokumentet i en ny fil (eksempel: subjectID_session #).
- Gjenta prosedyren ovenfor for alle gjenværende økter for samme emne.
- Eliminer oppvarmingsfasen (f.eks første 10 min):
Tre. Data Sammenslåing - Single Deltaker
- Å slå sammen alle økter i en enkelt SPSS database, åpen deltakerens første sesjon (ie. SubjectID_session1).
- Flett øvrige økter til den aktuelle filen. Fremgangsmåte: Data Merge Files Legg Cases i "Legg Saker til subjectID_session1.sav"-vinduet, klikker du Bla gjennom og velg fil subjectID_session2 Åpent Fortsett i "Legg Saker fra ..." vinduet klikker du OK. Gjenta for alle de resterende økter. Se Figur 8.
- Legg til filer / FILE = *
- / FILE = 'SubjectAB001_Session1.sav'.
- EXECUTE.
- Legge til en kolonne som inneholder emnet ID-nummer. Fremgangsmåte: Tr ansform Beregn Variabel I "Compute Variable" vinduet under Target Variable, type SubjectID Klikk Type & Label å åpne "Compute Variabel: Skriv en ..." vindu under "Type" velger du String Fortsett henhold String Expression type 'SubjectID' (f.eks 'AB001')s/ftp_upload/50643/arrow.jpg "width =" 20px "/> OK. Se Figur 9.
- STRING Subject_ID (A8).
- COMPUTE Subject_ID = 'AB001'.
- EXECUTE.
- Legg til en kolonne som inneholder motivets målintensitet (f.eks. Puls [THR]). Fremgangsmåte: Transform Beregn Variabel I "Compute Variable" vinduet under Target Variable, type THR Klikk Type & Label å åpne "Compute Variabel: Skriv en ..." vindu under "Type" velger du Numerisk henhold Numeric Expression typen THR (f.eks. 110) OK. Se figur 10.
- STRING THR (A8).
- COMPUTE THR = '110 '.
- EXECUTE.
- Lagre database under et annet filnavn (f.eks. SubjectAB001_session1-36).
- Gjenta for alle de gjenværende deltakerne. På dette punktet, vil hver deltaker har en database som inneholder alle økter.
4. Data sammenslåing - Gruppering Deltakere
- For å gruppere flere deltakere i en enkelt database, åpen deltakerens fil (dvs. subjectID_session1-36).
- Slå sammen de gjenværende deltakerne til gjeldende file. Fremgangsmåte: Data Merge Files Legg Cases i "Legg Saker til SubjectAB001_session1-36.sav"-vinduet, klikker du på Bla gjennom og velg fil SubjectCD002_session1-36 Åpent Fortsett i "Legg Saker fra ..." vinduet klikker du OK. Gjenta for alle deltakere som du ønsker å gruppere. Se figur 11.
- Legge til filer /FILE = *
- / Rename (AB001 = d0)
- / FILE = 'SubjectAB001_Session1-36.sav'
- / Rename (CD002 = d1)
- / DROP = d0 d1.
- EXECUTE.
- Lagre ny database (f.eks. Group01_Subjects001-010).
5. Identifisering av Target Intensitet (f.eks THR Range)
- Identifiser et THR spekter; klikk Transform Beregn Variabel i "Compute Variable" vinduet under "Target Variable" inn en ny variabel navn (f.eks Diff_HR_THR) "Type & Label ..." i "C ompute Variabel: Skriv en .... "velge Numerisk Fortsett Under "Numeric Expression" skriv ligningen: HR - THR OK. Dette gir oss en ny variabel.
- COMPUTE Diff_HR_THR = HR - THR.
- EXECUTE.
- Recode variabler for å identifisere om HR ligger under, over eller innenfor THR rekkevidde. Fremgangsmåte: Transform Recode inn i ulike variabler ... velg Diff_HR_THR0,2 i "src =" / files/ftp_upload/50643/arrow.jpg "width =" 20px "/> klikk på pilen under "Output Variable" under "Name" type Diff_HR_THR _recoded Endring Gamle og nye verdier ... i "Recode Into ulike variabler: Old and New Values"-vinduet:
| Gammel Verdi | Ny verdi | Gammel -> New: | |
| Range: -5 gjennom fem | 1 | <td align = "center" rowspan = "4"> Legg-5 Til 5 -> 1 | |
| Range, LAVESTE gjennom verdi: -5 | 0 | Laveste thru -5 -> 0 | |
| Range, verdi gjennom HØYESTE: 5 | 0 | 5 thru Høyeste -> 0 | |
| System-missing | System-missing | SYSMIS -> SYSMIS |
Fortsett OK. Se figur 12.
- Recode Diff_HR_THR (SYSMIS = SYSMIS) (-5 til 5 = 1) (Laveste thru -5 = 0) (5 thru Høyeste = 0) INTO
- Diff_HR_THR_Recoded.
- EXECUTE.
6. Beregning av prosentvis Overholdelse
- I Group01_Subjects001-010-fil, beregne alle sekunder at pasientene var innenfor THR området ved å gjøre følgende: Data Aggregate i "Samlede data"-vinduet, under "Break variabel (s):" velg subjectID og sesjon Klikk pilen under "Sammendrag av variabel (s):" velg Diff_HR_THR _recoded Klikk pilen
= "Arrow" fo: content-width = "0,2 i" src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> OK. En ny variabel opprettet med navnet Diff_HR_THR _recoded_mean.
- SAMLEDE
- / Utfil = * MODE = ADDVARIABLES
- / BREAK = Subject_ID Session
- / Diff_HR_THR_Recoded_mean = MIDDEL (Diff_HR_THR_Recoded).
- Konverter innhentet verdi i en prosentandel, klikk Transform Beregn Variabel under "Target Variable" inn variabelnavnet (f.eks Perc_THR) under "Numeric Expression" velg Diff_HR_THR _recoded_mean"/> Klikk på pilen multiplisere verdien med 100 (Diff_HR_THR _recoded_mean * 100) OK. Vi deretter få tilslutning som en prosentandel av tid brukt innenfor THR for hvert fag for hver økt. Se figur 13.
- COMPUTE Perc_THR = Diff_HR_THR_Recoded_mean * 100.
- EXECUTE.
- For å få tilslutning for den andel av tid brukt innenfor THR for hvert fag for alle økter kombinert, i "Samlede data"-vinduet, under "Break variabel (s):" erstatning subjectID og session med bare subjectID. Se figur 14.
- For å få tilslutning for den andel av tid brukt innenfor THR for hver økt for alle fag til sammen, i "Samlede data"-vinduet, under "Break variabel (s): "erstatning subjectID og session med bare økt.
- Lagre database under et annet filnavn (f.eks. Group01_Subjects001-010_Aggregate).
Representative Results
Når protokollen er utført riktig, er en tilslutning som oppnås for hvert fag for hver økt (Figur 13), for hvert fag for alle økter (Figur 14), og for hver økt for alle fag kombinert. Et estimat av tiden som kreves for å fullføre ovenfor protokoll for en enkelt økt med ett fag er ca 5 min. Resultater for overholdelse kan variere fra 0-100%. Ved hjelp av denne informasjonen, kan ytterligere analyser utføres for å fastslå forskjeller mellom fagene (dvs. sex forskjeller, sykdommens alvorlighetsgrad, osv..), For å identifisere endringer over tid, og for å avdekke mønstre i tilslutning. Dessuten kan sammenligning av vedhengskraften mellom gruppene utføres, for eksempel, kan forskjellige treningsprogrammer sammenlignes. Til slutt, gjennom videre etterforskning, årsaker til nonadherence kan identifiseres på bestemte tidspunkter i løpet av PR.
">
Figur 1. Pulssender plassering. Klikk her for å se større bilde .
Figur 2. Eksempel på data samlet inn ved hjelp av data sporing programvare. Klikk her for å se større bilde .
Figur 3. Sample of data sporing programvare utgang.jove.com/files/ftp_upload/50643/50643fig3highres.jpg "target =" _blank "> Klikk her for å se større bilde.
Figur 4. Eksempeldatabasen illustrerer et utvalg av statistisk programvare database. Klikk her for å se større bilde .
Figur 5. Eksempeldatabasen illustrerer eliminert oppvarmingsfasen. Klikk her for å se større bilde .
Figur 6. Sample database illustrerer eliminert nedtrappingsfasen. Klikk her for å se større bilde .
Figur 7. Sample database som illustrerer en kolonne lagt for sesjonsnummer. Klikk her for å se større bilde .
Figur 8. Sample database illustrerer de fusjonerte økter for en enkelt participan t. Klikk her for å se større bilde .
Figur 9. Sample database som illustrerer en kolonne lagt for faget identifikasjonsnummer. Klikk her for å se større bilde .
Figur 10. Sample database som illustrerer en kolonne lagt for puls. Klikk her for å se større bilde .
Figur 11. Sample database illustrerer de sammenslåtte deltakernes filer. Klikk her for å se større bilde .
Figur 12. Sample database illustrerer omkodet puls variabler. Klikk her for å se større bilde .
Figure 13. Sample database illustrerer tilslutning som en prosentandel av tid brukt innenfor målet pulsnivå for hvert fag for hver økt (horisontal rød linje markerer endringen i tilslutning mellom øktene for samme emne). Klikk her for å se større bilde .
Figur 14. Sample database illustrerer tilslutning for den andel av tid brukt innenfor målet pulsnivå for hvert fag for alle økter (horisontal rød linje fremhever forskjellen mellom fagene). Klikk her for å se større bilde .
Discussion
Kontinuerlig data tracking-teknologi gjør det mulig for en meget nøyaktig måling av øvelsen tilslutning. Denne prosedyren kan enkelt tilpasses andre definisjoner av tilslutning ved å erstatte pulsområde med target wattstyrke, nivå, hastighet eller MET-nivå. I det foreliggende eksempel ble de varme opp og kjøle ned faser eliminert å isolere treningsfasen på grunn av vår spesifikke forsknings mål. Skulle de varme opp og kjøle ned faser være av interesse for andre forskere, kan trinn 2.3 ("Eliminer nontraining faser") bli eliminert fra protokollen. Videre er maskinvaren og programvaren også tilgjengelig for å måle tilslutning til andre former for trening, for eksempel tredemølle, elliptiske, stepper, og arm ergometersykkel.
Ved å følge de ovennevnte protokoll, visse enkle trinn er kritisk. Først må CardioMemory programvaren startes før øvelsen utstyr (f.eks. Ergometersykkel) for treningsdata å være tracked og senere spilt inn. Skulle data gå tapt på dette første trinnet, vil datauttrekk protokollen må justeres tilsvarende. For det andre må forstyrrelseskilder bli minimalisert for å redusere faren for krysstale-og / eller tap av data. Skjermer puls kommunisere trådløst med utstyr og programvare. Dermed er forstyrrelser spesielt uheldig hvis du bruker puls å beregne tilslutning. Endelig er det viktig å velge statistisk programvare for databasen som har kapasitet for å tillate for store mengder av data. For eksempel, i en studie med 10 deltakere fullfører 36 økter på 40 minutter hver, 864 000 rader med datapunkter vil bli generert. Excel 2007 og senere versjoner har kapasitet til å inneholde 1.048.576 rader i et regneark 23, mens SAS 24 og SPSS 25 har ingen grense for antall rader. Avhengig av det totale antall datapunkter som er forventet for en gitt studie, må programvaren til å bli valgt tilsvarende. Til tross for de betydelige fordelene ved denne teknologien, to hoved begrensninger eksisterer. Den første er tap av data, noe som kan skyldes utstyret og / eller programvare. Som nevnt ovenfor, kan tap av data skyldes elektriske forstyrrelser med trådløse enheter (dvs. mobiltelefoner eller Wi-Fi), og mer spesifikt interferens med trådløs data overføring av hjertefrekvensen. Men til tider, tap av data kan også være på grunn av uidentifiserbare årsaker. En annen begrensning er at programvaren ikke gir mulighet for merking eller splitte øvelsen protokollen systematisk for å differensiere / identifisere ulike faser. Dersom denne var tilgjengelig, kunne utvinning av treningsfasen av interesse utføres direkte i programvare, som vil begrense trinn i tilslutning beregnings protokollen. I tillegg, vil muligheten til å plassere markører være praktisk for studiet av tilslutning til intervall eller intermitterende trening protokoller som det ville tillatedifferensieringen av de forskjellige faser (f.eks. lave versus høy intensitet).
For fremtidige perspektiver, vil bruk av kontinuerlig data tracking-teknologi til nettopp kvantifisere tilslutning til at forskere å undersøke mønstre av trening respons på ulike tiltak, identifisere faktorer som bestemmer tilslutning, og karakteriserer gode og dårlige adherers. Til syvende og sist, vil en bedre forståelse av øvelsen tilslutning tillate for optimalisering av trening rehabiliteringsprogrammer.
Disclosures
Forfatterne hevder at de ikke har noen konkurrerende finansielle interesser.
Acknowledgments
Canadian Lung Association - Kanadiske Respiratory Health Professionals; Fonds de recherche du Québec - Santé (FRQS)
Materials
| Name | Company | Catalog Number | Comments |
| Bike Excite Med 700 | Technogym - www.technogym.com | SCIFIT (http://scifit.com/) | |
| CardioMemory software | Technogym - www.technogym.com | Version 1.0 | SCIFIT (http://scifit.com/) |
| Polar heart rate monitor | Polar - www.polarca.com | T31 coded Transmitter | |
| SPSS Statistical Software | SPSS Inc. - www.spss.com/ | Version 16.0 | SAS/STAT software (http://www.sas.com/) |
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).
