بررسی کامل الگوهای فعالیت صبحگاهی در بزرگسالان مبتلا به آرتروز و کنترل سالم با استفاده از داده های Actigraphy

یک مرکز بینش برای تجزیه و تحلیل داده ها ، دانشکده دانشگاه دوبلین ، دوبلین ، دانشکده بهداشت عمومی ، ایرلند ، فیزیوتراپی و علوم ورزشی ، کالج دانشگاه دوبلین ، دوبلین ، دانشکده علوم کامپیوتر ایرلند ، دانشکده دانشگاه دوبلین ، دوبلین ، دانشکده پزشکی D ایرلند ،کالج ترینیتی دوبلین ، دوبلین ، ایرلند گروه روماتولوژی ، بیمارستان دانشگاه تالاگت ، دوبلین ، داده های ایرلند F و دیجیتال ، نوارتیس ، بازل ، سوئیس

مرکز بینش برای تجزیه و تحلیل داده ها

طبقه سوم مرکز علوم OBrien East

کالج دانشگاه دوبلین ، دوبلین (ایرلند)

مقالات مرتبط برای ""

Digit Biomark 2020 ؛ 4: 78-88

چکیده> یک بررسی کامل از الگوهای فعالیت صبحگاهی در بزرگسالان مبتلا به آرتروز و کنترل سالم با استفاده از داده های Actigraphy

یک مرکز بینش برای تجزیه و تحلیل داده ها ، دانشکده دانشگاه دوبلین ، دوبلین ، دانشکده بهداشت عمومی ، ایرلند ، فیزیوتراپی و علوم ورزشی ، کالج دانشگاه دوبلین ، دوبلین ، دانشکده علوم کامپیوتر ایرلند ، دانشکده دانشگاه دوبلین ، دوبلین ، دانشکده پزشکی D ایرلند ،کالج ترینیتی دوبلین ، دوبلین ، ایرلند گروه روماتولوژی ، بیمارستان دانشگاه تالاگت ، دوبلین ، داده های ایرلند F و دیجیتال ، نوارتیس ، بازل ، سوئیس

مرکز بینش برای تجزیه و تحلیل داده ها

طبقه سوم مرکز علوم OBrien East

کالج دانشگاه دوبلین ، دوبلین (ایرلند)

مقالات مرتبط برای ""

Digit Biomark 2020 ؛ 4: 78-88

چکیده بررسی کامل الگوهای فعالیت صبحگاهی در بزرگسالان مبتلا به آرتروز و کنترل سالم با استفاده از داده های Actigraphy

یک مرکز بینش برای تجزیه و تحلیل داده ها ، دانشکده دانشگاه دوبلین ، دوبلین ، دانشکده بهداشت عمومی ، ایرلند ، فیزیوتراپی و علوم ورزشی ، کالج دانشگاه دوبلین ، دوبلین ، دانشکده علوم کامپیوتر ایرلند ، دانشکده دانشگاه دوبلین ، دوبلین ، دانشکده پزشکی D ایرلند ،کالج ترینیتی دوبلین ، دوبلین ، ایرلند گروه روماتولوژی ، بیمارستان دانشگاه تالاگت ، دوبلین ، داده های ایرلند F و دیجیتال ، نوارتیس ، بازل ، سوئیس

مرکز بینش برای تجزیه و تحلیل داده ها

طبقه سوم مرکز علوم OBrien East

کالج دانشگاه دوبلین ، دوبلین (ایرلند)

مقالات مرتبط برای ""

Digit Biomark 2020 ؛ 4: 78-88

خلاصه

سابقه و هدف: سنسورهای پوشیدنی به محققان این امکان را می دهند تا از راه دور داده های سلامت دیجیتال ، از جمله فعالیت بدنی را ضبط کنند ، که ممکن است نشانگرهای زیستی دیجیتال را برای تمایز گروههای سالم و بالینی تشخیص دهند. تا به امروز ، تحقیقات بر روی داده های سطح بالا متمرکز شده است (به عنوان مثال ، شمارش مرحله کلی) که ممکن است بینش ما را محدود کند که آیا افراد متفاوت حرکت می کنند ، نه اینکه چگونه متفاوت حرکت کنند. هدف: بنابراین این مطالعه با هدف استفاده از داده های Actigraphy برای بررسی کامل الگوهای فعالیت در اولین ساعات پس از بیدار شدن در بیماران آرتروز (45 نفر) و کنترل سالم (30 نفر). مواد و روش ها: شرکت کنندگان به مدت 28 روز پیوند Actigraph GT9X را پوشیدند. شمارش فعالیت مورد تجزیه و تحلیل قرار گرفت و در دوره های مختلف ، از 15 دقیقه تا 4 ساعت مقایسه شد و از خواب بیدار شد. مبلغ و اندازه گیری میزان تغییر فعالیت تجمعی در دوره بلافاصله پس از بیدار شدن (ناحیه زیر منحنی [AUC]) برای هر دوره زمانی ، برای هر شرکت کننده ، هر روز محاسبه می شد و میانگین های فردی و گروهی محاسبه می شدند. آزمون T مستقل دو دم تفاوت بین گروه ها را تعیین می کند. يافته ها: براي شمارش فعالیت هاي خلاصه در هر دوره زمانی مورد مطالعه ، تفاوتي مشاهده نشد. با این حال ، اختلافات در تجزیه و تحلیل AUC برای اقدامات گسسته فعالیت نسبی مشاهده شد. به طور خاص ، در طی 15 ، 30 ، 45 و 60 دقیقه بعد از بیدار شدن ، AUC برای شمارش فعالیت در بیماران آرتریت در مقایسه با گروه شاهد ، به ویژه در دوره 30 دقیقه (T = -4. 24 ، P = 0. 0002) به طور قابل توجهی بیشتر بود. بنابراین ، در حالی که هر دو گروه به همان مقدار حرکت می کردند ، نحوه حرکت آنها متفاوت بود. نتیجه گیری: این مطالعه اولین کسی است که نشان می دهد یک تجزیه و تحلیل دقیق از متغیرهای Actigraphy می تواند تغییرات الگوی فعالیت مرتبط با آرتریت را شناسایی کند ، جایی که خلاصه های روزانه سطح بالا این کار را انجام نمی دهد. نتایج حاکی از آن است که متغیرهای گسسته به دست آمده از داده های خام ممکن است برای کمک به شناسایی گروه های بالینی مفید باشد و باید بیشتر مورد بررسی قرار گیرد تا مشخص شود که آیا آنها ممکن است نشانگرهای بالینی مؤثر باشند.

© 2020 نویسنده (های) منتشر شده توسط S. Karger AG ، بازل

معرفی

رشد پایدار بیماری مزمن بار قابل توجهی بر منابع بهداشت جهانی [1] می گذارد و در نتیجه نیاز به شناسایی و توسعه اشکال مؤثرتر از راهکارهای درمانی و پیشگیری است. در پاسخ ، توسعه نشانگرهای زیستی ، تعریف شده به عنوان "ویژگی هایی که به طور عینی اندازه گیری می شوند و به عنوان شاخص های پاسخهای بیولوژیکی طبیعی ، پاتولوژیک یا بیولوژیکی به یک مداخله درمانی ارزیابی می شوند" [2] ، نوید را به عنوان یک روش مؤثر برای کمک به ضبط بیماری نشان داده است-تغییرات خاص ، از نظر بالینی مرتبط در گروه ها با گذشت زمان. اخیراً ، پیشرفت در فن آوری موبایل و دیجیتال منجر به ایجاد کلاس جدیدی از نشانگرهای زیستی ، نشانگرهای زیستی دیجیتال ، که اندازه گیری های پیش آگهی یا تشخیصی از سلامت جمع آوری شده با استفاده از وسایل دیجیتالی هستند [2].

Cumulative activity counts for successive 60-s epochs were plotted for each of the following time periods following waking: 15, 30, 45, 60, 120, 240, and 1,440 min. The sum, and area under the curve (AUC), for activity counts for each of these time periods was calculated for each participant, for each day, and individual and group means for each of the two dependent variables were calculated. The purpose of the AUC analysis was to establish the rate of change of activity. The percentage of time spent in each of the following activity categories was calculated for the daily summary data according to the following thresholds: 0 1,800 inactive, 1,801 2,690 light, 2,691 6,166 moderate,>نشانگرهای زیستی دیجیتال ، محققان و پزشکان را به حجم زیادی از داده های عینی که می توانند نسبتاً منفعلانه در چارچوب شرایط "عادی" زندگی آزاد اسیر شوند ، فراهم می کند [3 ، 4]. با بهبود الگوریتم ها و سخت افزار دستگاه های دیجیتال ، پتانسیل آنها برای ارائه بینش های ظریف تر و جامع تر در مورد ویژگی های بیماری ها نیز وجود دارد [5]. این همچنین ممکن است از طریق شناسایی پارامترهای بالینی معنی دار در شرایط خاص آنها ، برای گروههای بیمار مفید باشد. در واقع ، شناسایی اطلاعاتی که برای بیماران مهم است ، هدف اصلی تحولات دارویی و درمانی آینده است [6]. با این حال ، چالش های مهم باقی مانده است ، از جمله: چگونه می توان از داده های حاصل از این دستگاه ها استفاده کرد [2 ، 4] ، اطمینان از قابلیت اطمینان و تکرارپذیری نتایج [2 ، 3 ، 7] ، اعتماد به نفس تحمیل شده به الگوریتم های اختصاصی دستگاه های جداگانه ، وانتخاب نقاط پایانی بالینی معنی دار. بنابراین ، شناسایی نشانگرهای دیجیتالی خاص که به بهترین وجه قادر به تمایز بین گروه های سالم و بالینی هستند ، اولین قدم مهم در این فرآیند است. این ممکن است از توسعه مدلهای جدید برای کارآزمایی های بالینی پشتیبانی کند تا متعاقباً اثربخشی این نشانگرها را آزمایش کند. پس از دستیابی ، مرحله بعدی این است که درک کنیم که این نشانگرهای زیستی چگونه به مرور زمان یا در نتیجه مداخله درمانی تغییر می کنند.

فعالیت بدنی (PA) یکی از زمینه های مراقبت های بهداشتی است که در طی سالهای اخیر انفجار جمع آوری داده های دیجیتالی رخ داده است ، زیرا پیشرفت در فناوری سنسور پوشیدنی منجر به در دسترس بودن گسترده دستگاه های پزشکی و مصرف کننده شده است. تحقیقات اخیر نشان می دهد که نشانگرهای زیستی دیجیتال ممکن است با استفاده از دستگاه هایی مانند تلفن های همراه شناسایی شوند. با این حال ، تا به امروز ، آنها به جای PA به طور کلی به کارهای خاص اعتماد کرده اند [8]. PA یک تعیین کننده مهم سلامتی است و بنابراین نتیجه اصلی برای طیف وسیعی از بیماریهای مزمن از جمله شرایط اسکلتی عضلانی مزمن مانند آرتروز است. اندازه گیری عینی PA قبلاً با اعتماد به گزارش خود یا گزارش های گزارش شده محدود شده بود [9-11]. با این حال ، سنسورهای پوشیدنی اکنون به محققان این امکان را می دهد تا از راه دور و دقیق الگوهای حرکت روزانه را با گذشت زمان با استفاده از دستگاه های کوچک و بدون کنترل نظارت کنند [9 ، 12]. در واقع ، این منطقه طی یک دهه گذشته به سرعت گسترش یافته است زیرا پیشرفت در قابلیت استفاده و مشخصات دستگاه از پایبندی شرکت کنندگان حمایت کرده است [13]. بنابراین این پیشرفت ها فرصت های ارزشمندی را برای محققان فراهم می کند تا داده های سلامت دیجیتالی را که ممکن است به عنوان یک نشانگر دیجیتال استفاده شود ، ضبط کنند. تحقیقات قبلی از Actigraphy برای کشف الگوهای PA در گروههای خاص بیماری استفاده کرده است [10 ، 14-18]. ایجاد تفاوت فعالیت بین کنترل های سالم و بیماران آرتریت کمتر مشخص بوده است ، با برخی از مطالعات که تفاوت ها را مشخص می کنند [10 ، 15 ، 17] در حالی که برخی دیگر نشان می دهند که هیچ یا حداقل وجود ندارد [16 ، 18]. با این حال ، این نتایج مبتنی بر ارزیابی داده های سطح خلاصه (به عنوان مثال ، شمارش مرحله کلی یا فعالیت روزانه) است [19] ، که ممکن است بینش ما را محدود کند تا اینکه آیا مردم متفاوت حرکت می کنند ، نه اینکه چگونه متفاوت حرکت کنند. درک عمیق تر در مورد چگونگی و زمان حرکت افراد ممکن است بینش ارزشمندتر و حساس تری در مورد چگونگی تأثیرگذاری شرایطی مانند آرتروز بر رفتار افراد و وظایف عملکردی روزانه در اختیار محققان قرار دهد.

برای شناسایی نشانگرهای زیستی دیجیتال بالقوه ، ممکن است اولین قدم ارزشمند برای بررسی اینکه آیا ویژگی های خاص بیماری از طریق داده های Actigraphy قابل شناسایی است یا خیر. به طور خاص برای آرتریت ، سفتی صبح یک علامت معمولاً گزارش شده است [20 ، 21]. چگونه ، و در واقع ، اگر علائم خاص بیماری مانند این تأثیر الگوهای فعالیت فرد را تحت تأثیر قرار دهد ، هنوز هم فراتر از داده های کیفی [22] یا داده های خلاصه ناشناخته است [10 ، 23]. تحقیقات اخیر حاکی از آن است که ممکن است در الگوهای فعالیت صبحگاهی بین بیماران آرتروز و کنترل سالم تفاوت وجود داشته باشد. با این حال ، داده های Actigraphy جمع آوری شده به عنوان درصدی از فعالیت کلی در طول روز ذکر شده و در طی چند ساعت تا ظهر اندازه گیری شده است ، بنابراین مخصوص صبح نیست [10]. بنابراین ، درک عمیق تری در مورد چگونگی حرکت افراد با شرایط مزمن ، و آنچه می توانیم از این امر بیاموزیم ، محققان را ملزم می کند که متغیرهای دقیق تر و گسسته تر را از داده های Actigraphy در سطح دقیقه که جمع می کنند ، بدست آورند تا ابتدا تعیین کنند که آیا اینطور هستندنسبت به ارزیابی های سطح خلاصه مانند تعداد فعالیت های روزانه حساس به اختلافات حساس تر است. این سطح از پردازش داده ها قبلاً انجام نشده است ، بنابراین مشخص نیست که آیا تجزیه و تحلیل دقیق تر از زمان داده های Actigraphy هیچ ارزشی در افزایش درک ما از شرایطی مانند آرتروز ارائه می دهد و متعاقباً اینکه آیا این متغیرها ممکن است در آزمایشات بالینی آینده مورد استفاده قرار گیرندبه عنوان نشانگرهای زیستی دیجیتال. هدف از این مطالعه استفاده از داده های Actigraphy برای انجام بررسی دقیق الگوهای فعالیت در این دوره صبح در بیماران مبتلا به آرتروز و کنترل سالم بود. متغیرهای Actigraphy گروه ها مورد تجزیه و تحلیل قرار گرفتند و از طریق دوره های مختلف ، از 15 دقیقه تا 4 ساعت مقایسه شدند و از صبح از خواب شروع می شوند.

مواد و روش ها

تصویب اخلاقی برای این مطالعه توسط هیئت اخلاق انسانی موسسه تحقیقات محلی اعطا شد. شرکت کنندگان و داده های موجود در این مطالعه همان مواردی هستند که قبلاً در جای دیگر گزارش شده بودند [24].

طراحی و شرکت کنندگان