Blog

Dec 05, 2023

Bewertung des körperlichen Gesundheitszustands über die tägliche Schrittzahl hinaus mithilfe eines tragbaren Aktivitätssensors

npj Digital Medicine Band 5, Artikelnummer: 164 (2022) Diesen Artikel zitieren 5201 Zugriffe 1 Zitationen 136 Altmetric Metrics Details Der körperliche Gesundheitszustand definiert die Leistungsfähigkeit einer Person

npj Digital Medicine Band 5, Artikelnummer: 164 (2022) Diesen Artikel zitieren

5201 Zugriffe

1 Zitate

136 Altmetrisch

Details zu den Metriken

Der körperliche Gesundheitszustand definiert die Fähigkeit einer Person, normale Aktivitäten des täglichen Lebens auszuführen, und wird in der Regel im klinischen Umfeld durch Fragebögen und/oder durch validierte Tests, z. B. Gehtests mit Zeitmessung, beurteilt. Diese Messungen haben einen relativ geringen Informationsgehalt und sind in der Regel in ihrer Häufigkeit begrenzt. Tragbare Sensoren wie Aktivitätsmonitore ermöglichen die Fernmessung von Parametern im Zusammenhang mit körperlicher Aktivität, wurden jedoch über die Messung der täglichen Schrittzahl hinaus noch nicht umfassend erforscht. Hier berichten wir über Ergebnisse einer Kohorte von 22 Personen mit pulmonaler arterieller Hypertonie (PAH), die zwischen zwei Klinikbesuchen (18,4 ± 12,2 Wochen) mit einem Fitbit-Aktivitätsmonitor (Fitbit Charge HR®) ausgestattet wurden. Bei jedem klinischen Besuch wurden maximal 26 Messungen aufgezeichnet (19 kategoriale und 7 kontinuierliche). Aus der Analyse der Schrittfrequenz von Minute zu Minute und der Herzfrequenz leiten wir mehrere Messwerte ab, die mit körperlicher Aktivität und Herz-Kreislauf-Funktion verbunden sind. Diese Metriken werden verwendet, um Untergruppen innerhalb der Kohorte zu identifizieren und mit klinischen Parametern zu vergleichen. Mehrere Fitbit-Metriken korrelieren stark mit kontinuierlichen klinischen Parametern. Mithilfe eines Schwellenwertansatzes zeigen wir, dass viele Fitbit-Metriken zu statistisch signifikanten Unterschieden in den klinischen Parametern zwischen Untergruppen führen, einschließlich solcher, die mit dem körperlichen Zustand, der Herz-Kreislauf-Funktion, der Lungenfunktion sowie Biomarkern aus Bluttests verbunden sind. Diese Ergebnisse unterstreichen die Tatsache, dass die tägliche Schrittzahl nur eine von vielen Metriken ist, die von Aktivitätsmonitoren abgeleitet werden können.

Tragbare Aktivitätssensoren ermöglichen die Fernüberwachung der körperlichen Aktivität einer Person, beschränken sich jedoch weitgehend auf die Beurteilung der durchschnittlichen täglichen Schrittzahl. Gehen oder Gehen ist eine grundlegende Bewegung des täglichen Lebens und hat sich zu einem wichtigen Maßstab für die Förderung der menschlichen Gesundheit entwickelt1. Beispielsweise ist eine Erhöhung der täglichen Schrittzahl (von <4.000 auf ≥12.000) mit einem Rückgang der Gesamtmortalität verbunden2,3. Bei Krankenhauspatienten wurden Schwellenwerte für die tägliche Schrittzahl (typischerweise < 1000 Schritte pro Tag) mit schlechten Ergebnissen, wie z. B. Wiedereinweisungen, in Verbindung gebracht4,5,6. Verwandte Gehparameter wie Ganggeschwindigkeit7,8,9 und zeitgesteuerte Gehtests10,11 haben sich ebenfalls als prädiktiv für klinisch relevante Ergebnisse erwiesen.

In der Vergangenheit war die Fernüberwachung des körperlichen Zustands einer Person eine Herausforderung. Fortschritte in der tragbaren Technologie ermöglichen jedoch eine kontinuierliche Beurteilung nach einer Operation oder zwischen Klinikbesuchen bei Patienten mit chronischen Krankheiten. Tragbare Inertialmesseinheiten (IMUs), wie z. B. Fitbit-Geräte, zeichnen die Schrittzahl zusammen mit anderen aus den IMU-Signalen abgeleiteten Metriken (z. B. Schlaf) auf, die in der zugehörigen Smartphone-App angezeigt werden können. Darüber hinaus verwenden viele tragbare Geräte wie Fitbit die Photoplethysmographie zur Messung der Herzfrequenz.

Die Schrittzahl und insbesondere die tägliche Schrittzahl sind nach wie vor die gebräuchlichste Messgröße für die Fernbewertung der körperlichen Aktivität. Die Schrittzahl von Minute zu Minute und die Herzfrequenzdaten können jedoch mithilfe der Anwendungsprogrammierschnittstelle (API) von Fitbit vom Fitbit-Server heruntergeladen werden. Daher können für eine Person, die kontinuierlich ein Fibit trägt, über eine Woche hinweg 10.080 Werte der Schrittfrequenz (Einheiten: Schritte pro Minute, SPM) und der Herzfrequenz (Einheiten: Schläge pro Minute, BPM) ermittelt werden, wobei jeder Punkt den Durchschnittswert darstellt Schrittfrequenz und Herzfrequenz für diese Minute. Während die Genauigkeit der Schrittzahlmessungen in freilebenden Umgebungen und bei Patientenpopulationen mit atypischen Gangmustern weiterhin Anlass zur Sorge gibt12,13, deuten Studien an Personen mit Krebs, Herz-Kreislauf-Erkrankungen, pulmonaler arterieller Hypertonie und Multipler Sklerose darauf hin, dass diese Geräte genaue und genaue Ergebnisse liefern können klinisch relevante Daten14,15,16,17. In Vergleichsstudien zeigen Herzfrequenzmessungen von Fitbit-Geräten im Allgemeinen eine gute Übereinstimmung mit Elektrokardiogrammen für Personen im Ruhezustand oder bei geringer Aktivität18,19. Allerdings können auch andere Faktoren wie die Hautpigmentierung die Messgenauigkeit beeinflussen20.

Ziel dieser Studie war es zu zeigen, dass über die tägliche Schrittzahl hinaus klinisch relevante Messwerte aus tragbaren Aktivitätsmonitoren abgeleitet werden können. In den Daten dieser Geräte steckt eine große Ressource an ungenutzten Informationen, die einen viel detaillierteren Fingerabdruck der Aktivitäten einer Person im täglichen Leben ermöglichen. Hier präsentieren wir Ergebnisse aus der Analyse von 22 Personen mit pulmonaler arterieller Hypertonie (PAH), die jeweils zwischen zwei Klinikbesuchen mit einem Fitbit-Gerät versorgt wurden. Aus den minutengenauen Schrittfrequenz- und Herzfrequenzdaten leiteten wir eine Reihe von Parametern ab, die mit körperlicher Aktivität im freien Leben verbunden sind, darunter Metriken im Zusammenhang mit der wöchentlichen Herzfrequenz- und Schrittfrequenzverteilung sowie Parameter im Zusammenhang mit Intensität, Länge und Häufigkeit der Gehfähigkeit, ein Analogon des Tests zur körperlichen Arbeitsfähigkeit zur Beurteilung der Fitness, eine 6-Minuten-Gehstrecke im freien Leben (FL6MWD) sowie wöchentliche Nutzungsmetriken. Wir haben auch eine Metrik des Gesundheitszustands in Betracht gezogen, die auf dem Vergleich des FL6MWD mit vorhergesagten Werten für gesunde Personen mit dem gleichen Alter, Geschlecht und BMI wie der Proband basiert. Die Hauptkomponentenanalyse und die Analyse des latenten Profils wurden verwendet, um Untergruppen von Patienten basierend auf Fitbit-Metriken zu identifizieren.

Bei den Klinikbesuchen wurden maximal 26 Messungen aufgezeichnet (7 kontinuierliche und 19 kategorische), einschließlich der Beurteilung der gesundheitsbezogenen Lebensqualität (HRQOL) und der WHO-Funktionsklasse, des Vorhandenseins oder Nichtvorhandenseins verschiedener Symptome sowie der Beurteilung der Organfunktion. Zu den kontinuierlichen Variablen gehörten Herzfrequenzmessungen, Sechs-Minuten-Gehtest (6MWT), rechtsventrikulärer systolischer Druck (RVSP) und drei Biomarker aus Bluttests. Um das Potenzial für klinische Relevanz einzuschätzen, verwendeten wir einen Schwellenwertansatz, um klinische Parameter zwischen den beiden Untergruppen zu vergleichen. Wir zeigen, dass viele von Fitbit abgeleitete Metriken verwendet werden können, um Untergruppen mit Unterschieden in den klinischen Parametern im Zusammenhang mit dem körperlichen Zustand, der Herz-Kreislauf-Funktion, der Lungenfunktion sowie Biomarkern aus Bluttests zu identifizieren. Darüber hinaus zeigen wir, dass mehrere der Fitbit-Metriken stark mit kontinuierlichen klinischen Parametern korrelierten. Insgesamt zeigen wir, dass von Fitbit abgeleitete Metriken Einblick in die Aktivitäten einer Person im täglichen Leben geben können und das Potenzial haben, die Entscheidungsfindung und die klinische Versorgung zu unterstützen.

Wir analysierten 3,5 × 106 Minuten Fitbit-Daten für 22 Personen mit PAH zwischen zwei ambulanten Klinikbesuchen mit einem Durchschnitt von 18,4 ± 12,2 Wochen für jeden Probanden (insgesamt 405 Wochen). Das Durchschnittsalter der Probanden betrug 50,6 ± 13,4 Jahre (Mittelwert ± Standardabweichung), davon 3 Männer und 19 Frauen. In den meisten Fällen wurden die Daten in wöchentlichen Blöcken von Sonntag bis Samstag analysiert. Aus den wöchentlichen Daten haben wir maximal 10.080 Werte (100 % Nutzung) der Schrittfrequenz (Einheiten: Schritte pro Minute, SPM) und der Herzfrequenz (Einheiten: Schläge pro Minute, BPM) erhalten. Die Verteilung der Schrittraten (SR) über jede Woche (mit Ausnahme von SR = 0) folgte typischerweise einer logarithmischen Normalverteilung (Abb. 1a), aus der wir Mittelwert, Standardabweichung und Schiefe extrahierten. Bei diesen Probanden lag die maximale Schrittfrequenz typischerweise bei etwa 100 SPM und erstreckte sich über mittleres Gehen (80–99 SPM) und zügiges Gehen (100–119 SPM)21. Bei aktiven gesunden Personen werden in den Schrittfrequenzhistogrammen normalerweise zusätzliche Spitzen im Bereich von 100–120 SPM beobachtet, was zügigem Gehen entspricht, und im Bereich von 150–180 SPM, was Laufen entspricht21. Wir stellen fest, dass die Trittfrequenzanalyse häufig zur Beurteilung der Trainingsintensität in frei lebenden Umgebungen in einer Vielzahl von Bevölkerungsgruppen eingesetzt wird21,22,23. Die Mittelwerte der wöchentlichen Schrittfrequenzhistogramme für jedes Subjekt lagen bei 13,6–32,8 SPM, mit einer Standardabweichung im Bereich von 10,2–30,3 SPM. Die Schiefe variierte zwischen 1,19 und 2,55, was zeigt, dass rechts vom wahrscheinlichsten Wert ein mäßiger bis starker Anstieg der Dichte zu verzeichnen war. Im Vergleich zur üblicherweise verwendeten täglichen Schrittzahl lag die durchschnittliche tägliche Schrittzahl im Bereich von 1338–10.679 Schritten, mit einem Durchschnitt von 5729 Schritten pro Tag (ergänzende Abbildung 1).

a Verteilung der Schrittrate (SR) von Minute zu Minute (Einheiten: Schritte pro Minute, SPM). Die rote Linie zeigt eine logarithmische Normalanpassung. b Verteilung der Herzfrequenz (BPM) für alle Minuten mit SR = 0. Die rote Linie zeigt eine normale Anpassung. c Verteilung der Herzfrequenz (BPM) für alle Minuten, bei denen SR > 0. Die rote Linie zeigt eine normale Anpassung. d Wöchentliche Aktivitätskarte: Streudiagramm, das die Herzfrequenz im Vergleich zur Schrittfrequenz zeigt. Jeder Punkt stellt eine Minute dar, in der eine physiologische Herzfrequenz aufgezeichnet wurde. Die grauen Linien zeigen die oberen und unteren Hüllkurven der Aktivitätskarte. Die blaue Linie zeigt eine lineare Anpassung der kleinsten Quadrate an die Daten.

Um das Potenzial für eine klinische Signifikanz einzuschätzen, verwendeten wir einen Schwellenwertansatz. Wir haben die Probanden zunächst anhand eines Schwellenwerts in zwei Gruppen eingeteilt und dann die 26 klinischen Parameter (Ergänzungstabelle 1) zwischen den Gruppen verglichen. Wir verglichen Personen mit einer durchschnittlichen täglichen Schrittzahl von >5.000 Schritten (14/22) mit Personen mit <5.000 Schritten (8/22). Dieser willkürliche Schwellenwert führte zu 6 statistisch signifikanten klinischen Parametern (Ergänzungstabelle 2 und Ergänzungsabbildung 2). Probanden mit weniger als 5.000 Schritten pro Tag hatten bei Besuch 1 eine niedrigere 6MWD, bei Besuch 2 niedrigere Hämoglobinwerte, bei Besuch 1 eine schlechtere Lungengesundheit (höherer ärztlich beurteilter WHO-FC) und bei Besuch 2 häufiger Pedalödeme (Pedalödem-Score). Zwei Probanden hatten eine durchschnittliche tägliche Schrittzahl von mehr als 10.000 Schritten pro Tag (PAH 1, 19), hatten aber sonst keine Gemeinsamkeiten. Die Sensitivitätsanalyse der Schwellenwerte und die Anzahl statistisch signifikanter klinischer Parameter für alle Fitbit-Metriken finden Sie in den ergänzenden Abbildungen. 3 und 4.

Die Herzfrequenzdaten von Minute zu Minute für jede Woche wurden in Herzfrequenz bei SR = 0 (HR(SR = 0), d. h. keine körperliche Aktivität) und Herzfrequenz bei SR > 0 (HR(SR = 0), d. h aktiv). Histogramme für HR(SR = 0) (Abb. 1b) und HR(SR > 0) (Abb. 1c) wurden durch Normalverteilungen beschrieben, aus denen wir den Mittelwert, die Standardabweichung und die Schiefe ermittelten. Der Bereich der mittleren Herzfrequenz (SR = 0) betrug 66,2–111,8 BPM mit Standardabweichungen von 6,4–13,7 BPM (ergänzende Abbildung 5). Die Schiefe variierte zwischen –0,75 und 2,30 und verdeutlichte ein breites Verhaltensspektrum mit relativ großen Ausläufern links und rechts vom Peak (Ergänzende Abbildungen 6 und 7).

Die Verteilung der Herzfrequenz (SR = 0) stellt alle Vorkommnisse einer Schrittfrequenz von Null dar und kann verschiedene Körperhaltungen unter verschiedenen Ruhebedingungen (z. B. vorübergehend oder anhaltend) darstellen. Um die Herzfrequenz (SR = 0) mit der Ruheherzfrequenz (RHR) in Beziehung zu setzen, haben wir zwei Bedingungen berücksichtigt: den Mittelwert und den Durchschnitt der niedrigsten 10 Werte der Herzfrequenz (SR = 0). Eine frühere Studie ergab, dass Personen mit PAH mit einer RHR unter 82 Schlägen pro Minute während einer mittleren Nachbeobachtungszeit von 37 (18–64) Monaten ein deutlich längeres ereignisfreies Gesamtüberleben hatten24. In der Studie wurde die RHR bei einem Klinikbesuch während einer stabilen Ruhephase von mindestens 15 Minuten im Liegen gemessen, ist jedoch wahrscheinlich höher als die tatsächliche Ruheherzfrequenz (siehe unten). Wir verglichen Probanden mit Mittelwerten der Herzfrequenz (SR = 0) <82 BPM (14/22) mit denen mit >82 BPM (8/22). Daraus ergaben sich 8 statistisch signifikante klinische Parameter (Ergänzungstabelle 2 und Ergänzungsabbildung 8). Probanden mit niedrigeren Mittelwerten der Herzfrequenz (SR = 0) hatten bei den Besuchen 1 und 2 eine niedrigere Herzfrequenz und bei Besuch 2 eine niedrigere Spitzenherzfrequenz, erlitten jedoch bei Besuch 1 mehr Pedalödeme (Pedalödem-Score) und mehr Herzklopfen (Palpitations-Score). waren bei Besuch 1 weniger in der Lage, übliche Aktivitäten auszuführen (niedrigere EQ-5D-Werte für übliche Aktivitäten) und hatten bei Besuch 1 mehr Schmerzen/Beschwerden (geringere EQ-5D-Schmerz-/Beschwerdenwerte).

Zwei Probanden (PAH 1,4) hatten eine mittlere Herzfrequenz (SR = 0) > 100 BPM. Beide Probanden hatten geringe Fitnessgefälle (siehe unten), was darauf hindeutet, dass sie bei täglichen Aktivitäten keinen Zugriff auf einen breiten Herzfrequenzbereich hatten. Allerdings hatte PAH 1 die höchste durchschnittliche tägliche Schrittzahl im Datensatz. Wir stellen fest, dass 3 Probanden (PAH 4, 20, 27) das Gerät über Nacht entfernt haben (siehe unten), was möglicherweise zu höheren mittleren HR-Werten (SR = 0) geführt hat, da die Herzfrequenzwerte während des Schlafens wahrscheinlich nicht berücksichtigt wurden.

Die wahre Ruheherzfrequenz (RHR) wird normalerweise als der Wert definiert, der in Rückenlage unmittelbar nach dem Aufwachen, aber vor dem Aufstehen gemessen wird25. Um einen der wahren RHR ähnlichen Wert zu erhalten, haben wir den Durchschnitt der niedrigsten 10 Werte der HR berechnet (SR = 0); Wir gingen davon aus, dass die 10 niedrigsten während jeder Woche aufgezeichneten Werte höchstwahrscheinlich in Rückenlage und Ruhe über einen längeren Zeitraum gemessen wurden. Der Bereich der durchschnittlich niedrigsten wöchentlichen HR-Werte betrug 50,3–69,2 BPM (ergänzende Abbildung 5). Eine kürzlich durchgeführte Studie mit mehr als 90.000 Personen über einen Zeitraum von 35 Wochen ergab, dass die RHR (die als wahre RHR angenommen wird) vom Alter, dem BMI und der Schlafdauer abhängt, wobei die RHR-Tageswerte zwischen 40 und 108 Schlägen pro Minute liegen25, obwohl 95 % der Männer und Frauen hatten RHR-Werte zwischen 50 und 80 BPM, ähnlich dem hier gefundenen Bereich.

Wir haben Personen mit einer HR-Schiefe (SR = 0) <1 (11/22) mit Personen mit einer HR-Schiefe > 1 verglichen. Dies führte zu 4 statistisch signifikanten klinischen Parametern (Ergänzungstabelle 2 und Ergänzungsabbildung 9). Probanden mit niedrigeren Schiefewerten hatten bei den Besuchen 1 und 2 mit größerer Wahrscheinlichkeit eine höhere Ruheherzfrequenz, hatten bei Besuch 1 weniger Schmerzen/Beschwerden (niedrigere EQ-5D-Schmerz-/Beschwerdenwerte) und waren mit größerer Wahrscheinlichkeit in einem besseren Gesundheitszustand (höhere EQ-5D-Schmerz-/Beschwerdenwerte). -5D-Index) bei Besuch 1. Zwei Probanden hatten eine Schiefe der HR(SR = 0)-Werte > 1,9 (PAH 27, 28): Beide Probanden hatten auch relativ niedrige Ruheherzfrequenzen, längere freilebende 6MWD und höhere Steigungen im Fitnessdiagramm .

Die Herzfrequenz bei SR > 0 stellt die HF-Werte dar, während die Probanden aktiv waren. Die Mittelwerte der Herzfrequenz (SR > 0) betrugen 78,6–121,0 BPM (Mittelwert 94,4 BPM) und die Standardabweichung betrug 6,5–14,0 BPM (ergänzende Abbildung 10). Die Mittelwerte waren nur geringfügig höher als die Mittelwerte der Herzfrequenz (SR = 0), obwohl die Standardabweichungen ähnlich waren. Die mittleren Schiefewerte für HR(SR > 0) lagen zwischen −0,57 und 1,35, ähnlich dem Bereich für HR(SR = 0). Wir verglichen Personen mit Mittelwerten von HR(SR > 0) <95 BPM (12/22) mit Personen mit >95 BPM, was zu 4 statistisch signifikanten klinischen Parametern führte (Ergänzungstabelle 2 und Ergänzungsabbildung 11). Probanden mit niedrigeren mittleren HR-Werten (SR > 0) hatten bei den Besuchen 1 und 2 eine niedrigere RHR, bei Besuch 1 niedrigere Albuminwerte und bei Besuch 1 mehr Herzklopfen (niedrigerer Palpitations-Score).

Alle wöchentlichen Daten können in einem Streudiagramm dargestellt werden, das die wöchentliche Aktivität einer Person von Minute zu Minute abbildet (Abb. 1d). Diese Aktivitätskarten sind annähernd dreieckig mit einer relativ hohen Punktdichte bei niedrigen Schrittraten und einer abnehmenden Dichte, wenn die Schrittrate zunimmt. Zu den weiteren Parametern, die aus den Minutendaten abgeleitet wurden, gehörten die Beurteilung der Fitness anhand des Tests zur körperlichen Arbeitskapazität 170 (PWC 170), Messwerte im Zusammenhang mit wöchentlichem Gehen, der 6-Minuten-Gehstrecke im freien Leben (FL6MWD) und der Gerätenutzung.

Um Untergruppen innerhalb der Probandenpopulation zu identifizieren, führten wir eine Hauptkomponentenanalyse (PCA) durch. Für die Analyse wurden fünf Parameter ausgewählt: der Mittelwert und die Standardabweichung des Schrittratenhistogramms, die Standardabweichung der Herzfrequenz bei SR > 0, die mittlere Herzfrequenz bei SR = 0 und der Anteil der inaktiven Zeit (Abb. 2a). Die Datenpunkte für jede Woche waren für die meisten Probanden eng in verschiedenen Regionen gebündelt. Aus dem Belastungsdiagramm (Abb. 2b) geht hervor, dass PC1 von den Schrittratenparametern (+PC1) und dem Anteil der inaktiven Zeit (−PC1) dominiert wird. PC2 wird dominiert von der mittleren Herzfrequenz bei SR = 0 (+PC2) und der Standardabweichung der Herzfrequenz für SR > 0 (−PC2). Die Probandengruppe im vierten Quadranten (PAH 3, 9, 12, 19, 23, 27) zeichnet sich durch einen hohen Mittelwert und eine hohe Standardabweichung der Schrittfrequenz sowie einen hohen Wert der Standardabweichung der Herzfrequenz bei SR > aus 0. Dies bedeutet, dass diese Personen bei normalen Aktivitäten des täglichen Lebens eine große Bandbreite an Schrittfrequenzen und eine große Bandbreite an Herzfrequenzen aufweisen. Die Probandengruppe entlang der positiven y-Achse (PAH 1, 10, 14, 17) zeichnet sich durch eine hohe mittlere Herzfrequenz bei SR = 0 aus. Hohe Werte der Herzfrequenz (SR = 0) implizieren, dass diese Personen eine hohe Ruheherzfrequenz haben Es ist unwahrscheinlich, dass sie bei normalen Aktivitäten auf einen breiten Herzfrequenzbereich zugreifen können, selbst wenn sie über die Kapazität für mittlere oder hohe Schrittfrequenzen verfügen. Die Probandengruppe entlang der negativen x-Achse (PAH 2, 7, 11, 13, 20, 21, 30) zeichnet sich durch einen großen Anteil an inaktiver Zeit aus. Drei Themen (PAH 15, 26, 28) gruppieren sich um den Ursprung. Das PCA-Diagramm deutet auf eine Reihe von Verhaltensweisen mit unterschiedlichen Kombinationen von Messwerten im Zusammenhang mit Herzfrequenz und Schrittfrequenz hin. Um diese Beziehungen genauer zu untersuchen, haben wir mehrere abgeleitete Parameter bewertet. Es wurden unterschiedliche Probandengruppen für eine mittlere Herzfrequenz (SR = 0) > 82 BPM, eine Schiefe der Herzfrequenz (SR = 0) <1, ein Gehprodukt, P > 1000 und eine Fitnesssteigung > 0,15 gefunden (ergänzende Abbildung 12).

ein PCA-Streudiagramm der ersten beiden Hauptkomponenten. Für jedes Subjekt (N = 20) wurden 10 Wochen zufällig aus dem Datensatz ausgewählt. Die Varianz für die ersten beiden Hauptkomponenten betrug 48,6 % bzw. 30,0 %. Bei 100 unabhängigen Läufen betrug die mittlere Varianz von PC1 und PC2 77,5 ± 0,58 %. Zahlen stellen Probanden-IDs dar. Jeder Punkt repräsentiert eine Woche an Daten. b Plot wird geladen. HR(SR = 0): Mittelwert ist der Mittelwert der Herzfrequenz bei SR = 0; HR(SR > 0): SD ist die Standardabweichung der Herzfrequenz bei SR > 0; SR(SR > 0):mean ist die mittlere Schrittzahl für SR>0; SR(SR>0):SD ist die Standardabweichung der Schrittrate für SR > 0; Die aktive Zeit ist der Bruchteil der Minuten mit SR = 0.

Um aus den Fitbit-Daten eine Kennzahl zur körperlichen Fitness abzuleiten, haben wir die mittlere Schrittfrequenz in 20 SPM-Bins und die mittlere Herzfrequenz in diesem Bin bestimmt. Unter der Annahme, dass die Schrittfrequenz mit der Leistungsabgabe zusammenhängt, ähnelt dieser Ansatz dem PWC170-Protokoll zur körperlichen Arbeitskapazität, bei dem die Steigung einer Leistungs-Herzfrequenz-Kurve verwendet wird, um die Leistungsabgabe bei 170 Schlägen pro Minute als Maß für die Fitness vorherzusagen. Ein Beispiel aus einem wöchentlichen Datensatz zeigt, dass die mittlere Herzfrequenz generell mit zunehmender Schrittfrequenz ansteigt (Abb. 3a). Es ist auch offensichtlich, dass die extrapolierte Herzfrequenz bei SR = 0 relativ hoch ist, etwa 103 BPM. Das über alle Datenwochen gemittelte Fitnessdiagramm war nahezu identisch mit der Beispielwoche (Abb. 3b), was zeigt, dass es nur geringe wöchentliche Schwankungen gab. Die Fitnessdiagramme für alle Probanden (Abb. 3b) umfassten einen weiten Bereich mit Abschnitten von 73–120 BPM (Abb. 3c) und Steigungen von 0,02–0,31 BPM/SPM (Durchschnitt = 0,15 BPM/SPM) (Abb. 3d). . Im Allgemeinen erreichten Personen mit einer niedrigen Herzfrequenz bei SR = 0 mit zunehmendem Aktivitätsniveau (Schrittfrequenz) einen breiteren Herzfrequenzbereich und hatten daher höhere Steigungen.

a Die durchschnittliche Schrittfrequenz und die entsprechende durchschnittliche Herzfrequenz in 20 SPM-Bins für PAH 14 in Woche 11. Balken stellen den Mittelwert ± SD dar. b Diagramme der mittleren Schrittfrequenz im Vergleich zur mittleren Herzfrequenz, gemittelt über alle Wochen für jede Person. c Fitness-Achsenabschnitt (BPM) und d Fitness-Steigung (BPM/SPM), erhalten aus einer linearen Anpassung der kleinsten Quadrate an die HR-SR-Diagramme für jede Person. Blauer Balken – Mittelwert; Grüne Balken – oberes und unteres Quartil.

Der Vergleich von Probanden mit einem Fitnessgefälle > 0,15 (11/22) mit Probanden mit einem Gefälle < 0,15 ergab drei statistisch signifikante klinische Parameter (Ergänzungstabelle 2 und ergänzende Abbildung 13). Bemerkenswert ist, dass Probanden mit Steigungen > 0,15 bei den Besuchen 1 und 2 niedrigere NT-proBNP-Spiegel aufwiesen. B-Typ-Natriuretisches Peptid (BNP) und N-terminales Pro-B-Typ-Natriuretisches Peptid (NT-proBNP) sind Biomarker für Herzstress und PAH Patienten mit NT-proBNP-Werten unter etwa 300 pg L−1 gelten als geringes Risiko für Herzinsuffizienz26. Die mittleren Werte für Probanden mit einer Steigung > 0,15 betrugen bei den Besuchen 1 und 2 188 ± 180 bzw. 145 ± 165 pg ml−1. Diese Ergebnisse legen nahe, dass die Fitnesssteigung ein nützlicher Indikator für NT-proBNP-Spiegel und das Risiko einer Herzinsuffizienz sein könnte. Der Vergleich von Probanden mit Fitnessabschnitten über (10/22) und unter (12/22) dem Mittelwert (91 BPM) ähnelte den Ergebnissen für Untergruppen mit einer Herzfrequenz (SR = 0) über und unter 95 BPM.

Wir haben ein Gehen als einen Zeitraum von mindestens 2 Minuten mit SR ≥ 60 SPM definiert, was langsamem oder schnellerem Gehen entspricht23. Es wurde eine Dauer von 2 Minuten gewählt, da der 2-Minuten-Gehtest (2MWT) häufig zur Beurteilung der Funktionsfähigkeit eingesetzt wird27,28. Aus der Anzahl der wöchentlichen Gehbewegungen erhielten wir Messwerte für Häufigkeit, Ausdauer und Intensität. Die durchschnittliche Gehhäufigkeit aller Probanden lag im Bereich von 1,6–96 Gehhäufigkeiten pro Woche. Ein Maß für die Ausdauer eines Probanden wurde aus dem 1/e-Wert einer exponentiellen Anpassung an das Histogramm der wöchentlichen Gehdauer erhalten (Abb. 4a). Daher wird davon ausgegangen, dass Personen mit einer längeren Gehdauer eine größere Ausdauer haben. Die Ausdauerwerte (1/e) lagen zwischen 2,2 und 7,0 Minuten. Die längste individuelle Gehdauer betrug 70 Minuten (PAH 9). Ein Maß für die Gehintensität wurde aus der Standardabweichung des wöchentlichen Schrittfrequenzhistogramms (Abb. 4b) erhalten, dh wie weit über dem Mittelwert: Die Werte lagen zwischen 10 und 30 SPM. Im Allgemeinen war die Gehfrequenz bei kürzerer Dauer und Zwischenwerten der Schrittfrequenz höher (Abb. 4c).

Repräsentative Gehwerte für PAH 14 in Woche 11. a Häufigkeit wöchentlicher Gehvorgänge von ≥ 2 Minuten mit anhaltender SR ≥ 60 SPM. Die Ausdauer wurde durch den 1/e-Wert einer exponentiellen Anpassung an das Histogramm definiert. b Die Gehintensität wurde durch die Standardabweichung der Schrittfrequenzverteilung definiert. c Wärmekarte, die die Gehhäufigkeit in einem Diagramm der Schrittfrequenz im Vergleich zur Gehdauer zeigt. d Violindiagramm mit Durchschnittswerten des Gehprodukts P (=Frequenz × Ausdauer × Intensität) für alle Probanden. Blauer Balken – Mittelwert; Grüne Balken – oberes und unteres Quartil.

Um Einzelpersonen zu vergleichen, haben wir das Gehprodukt P als Frequenz × Ausdauer × Intensität definiert. Die Durchschnittswerte für alle Probanden variierten zwischen 42,8 und 10.845,3 (Pmean = 1910) (Abb. 4d). Der Vergleich von Probanden mit P > 1000 (12/22) mit Probanden mit P < 1000 ergab 7 statistisch signifikante klinische Parameter (Ergänzungstabelle 2 und Ergänzungsabbildung 14). Ein Gehproduktwert von 1000 wurde gewählt, da er nahe am Medianwert (1079) lag und eine klar definierte Trennung zwischen den beiden Gruppen darstellte (Abb. 4d). Probanden mit P < 1000 hatten bei den Besuchen 1 und 2 eine niedrigere 6MWD und hatten bei Besuch 1 mehr Pedalödeme (Pedalödem-Score). Zwei Probanden hatten Gehproduktwerte > 5000 (PAH 9, 19). Beide Probanden hatten eine hohe Gehfrequenz und gingen durchschnittlich mehr als 5000 Schritte pro Tag. Beide Probanden hatten auch relativ niedrigere Ruheherzfrequenzen, längere freilebende 6MWD (siehe unten) und höhere Steigungen im Fitnessdiagramm. Obwohl PAH 1 die höchste Schrittzahl aufwies, belegte es beim Gehproduktwert den vierten Platz, da es vergleichsweise niedrigere Ausdauer- und Intensitätswerte aufwies.

Benutzerfreundlichkeit und Einhaltung der Nutzungsbestimmungen sind bei der Bereitstellung von Geräten in frei lebenden Umgebungen von entscheidender Bedeutung. Da eine gemessene Herzfrequenz (d. h. 20 ≤ Herzfrequenz ≤ vom Alter vorhergesagte maximale Herzfrequenz) bedeutet, dass das Gerät getragen wird, haben wir die Nutzung als den Bruchteil der Minuten während einer Woche mit einem physiologischen Herzfrequenzwert (d. h. getragene Minuten/10.080) definiert. Der Anteil der Minuten außerhalb dieses Bereichs war sehr gering (4,2 × 10–7 %), und daher kann es in den meisten Fällen sinnvoll sein, alle aufgezeichneten Datenpunkte (dh HR > 0) für die Analyse zu verwenden. In dieser Studie betrug der durchschnittliche wöchentliche Verbrauch 0,44–0,97. Beachten Sie, dass das Laden des Geräts über Nacht (z. B. 8 Stunden) einmal pro Woche zu einer wöchentlichen Nutzung von 0,95 führt. Wir definierten die maximale Ausschaltzeit auch als die längste ununterbrochene Zeit während der Woche, in der das Gerät nicht getragen wurde, die zwischen weniger als 1 Stunde und mehr als 12 Stunden schwankte. Aus Heatmaps der Nutzung und den maximalen Ausschaltzeiten für alle Probanden (Ergänzende Abbildungen 15 und 16) können wir weiter auf die Nutzung des Geräts schließen.

Als Beispiel zeigt die Nutzungs-Heatmap für PAH27 (durchschnittliche Nutzung = 0,49) (Abb. 5a), dass das Gerät durchgehend nicht über Nacht, sondern routinemäßig tagsüber getragen wurde, was zu einer maximalen Ruhezeit von etwa 12 Stunden führte jede Woche (Abb. 5b). Die Wärmekarte für PAH30 (durchschnittliche Nutzung = 0,90) (Abb. 5c) zeigt, dass das Gerät nicht etwa alle 7 Tage über Nacht getragen wurde, wahrscheinlich zum Aufladen über Nacht. Die maximale Ausschaltzeit (Abb. 5d) variierte zwischen 2 und 20 Stunden, betrug jedoch in den meisten Wochen 7 bis 12 Stunden, was mit einer Aufladung über Nacht übereinstimmt. Für PAH10 (durchschnittliche Nutzung = 0,97) zeigt die Wärmekarte (Abb. 5e), dass das Gerät fast ununterbrochen getragen wurde, mit Ausnahme von 2 Stunden in Woche 10 und 24 Stunden in Woche 13 (Abb. 5f). Die häufigen Teilnutzungsstunden von 06:00 bis 07:00 Uhr deuten darauf hin, dass das Gerät morgens weniger als eine Stunde zum Laden abgenommen wurde. Viele Probanden nahmen das Gerät etwa alle 7 bis 10 Tage über Nacht ab, vermutlich zum Aufladen. Drei Probanden (PAH 14, 20, 27) entfernten das Gerät regelmäßig über Nacht. Drei Probanden (PAH 10, 19, 26) zeigten eine regelmäßige teilweise Nutzung für etwa eine Stunde, entweder morgens oder abends, wahrscheinlich zum Aufladen.

Heatmaps zeigen die Nutzung für jede Stunde eines jeden Tages während des Tests an. Die Legende gibt den Bruchteil einer Stunde an, in dem das Gerät mit einer Herzfrequenz > 0 getragen wurde. Gelbe Zellen zeigen an, dass das Gerät die ganze Stunde lang ununterbrochen getragen wurde. Weiße Zellen zeigen an, dass das Gerät die ganze Stunde lang nicht getragen wurde (keine Herzfrequenz aufgezeichnet wurde). eine Heatmap für PAH27 (Daten aus 13 Wochen), die eine geringe Nutzung (Durchschnitt = 0,49) zeigt, wenn das Gerät nicht über Nacht getragen wird. b Die maximale Ruhezeit pro Woche für PAH27 beträgt durchgehend etwa 12 Stunden über Nacht. Jeder Punkt stellt die maximale Freizeit für jede Woche im Test dar. c Heatmap für PAH30 (Daten aus 22 Wochen), die eine relativ hohe Nutzung (0,90) zeigt, wobei das Gerät alle paar Tage für mehrere Stunden entfernt wurde. d Die maximale Ausschaltzeit für PAH30 beträgt typischerweise 8–20 Stunden und schließt die Nachtstunden ein. e Heatmap für PAH10 (Daten aus 13 Wochen), die eine hohe Nutzung (0,97) zeigt. In den ersten 10 Wochen beträgt die maximale Ruhezeit weniger als 1 Stunde. f Die maximale Ausschaltzeit für PAH10 beträgt normalerweise weniger als 1 Stunde.

Aus der Verteilung der durchschnittlichen Nutzung (ergänzende Abbildung 17) ergab sich bei 7 von 22 Probanden eine Nutzung >0,94, was etwa dem 75. Perzentil entspricht. Der Vergleich der Nutzung ergab 4 statistisch signifikante klinische Parameter (Ergänzungstabelle 2 und Ergänzungsabbildung 18). Bei Probanden mit einem durchschnittlichen wöchentlichen Verbrauch von < 0,94 (15/22) war die Wahrscheinlichkeit höher, dass sie bei Besuch 1 eine schwerere PAH (höherer EQ-VAS-Score), bei Besuch 1 eine schlechtere Lungengesundheit (höherer vom Arzt beurteilter WHO-FC-Score) hatten und mehr Atembeschwerden hatten (modifizierter Borg-Dyspnoe-Score) bei Besuch 2. Zwei Probanden hatten eine durchschnittliche Nutzung von < 0,5 (PAH 4, 27), beide Probanden entfernten das Gerät jedoch über Nacht. Der dritte Proband, der das Gerät über Nacht entfernte (PAH 20), hatte ebenfalls eine niedrige durchschnittliche Nutzung (0,60). (Änderungen in der Gerätenutzung im Laufe der Zeit sind in den ergänzenden Abbildungen 19 und 20 zusammengefasst).

Der 6MWT ist ein submaximaler Belastungstest zur Beurteilung der aeroben Kapazität und Ausdauer und wurde 2002 von der American Thoracic Society29 eingeführt. Der 6MWT wird häufig bei verschiedenen Patientenpopulationen eingesetzt30,31,32, wobei die Schwellenwerte für die Vorhersage des Überlebens typischerweise bei liegen Die Reichweite beträgt 300–350 m für Personen mit chronischen Atemwegserkrankungen, einschließlich Personen mit PAH33. Zeitgesteuerte Gehtests liefern Informationen zu Distanz und Geschwindigkeit10,11, sind jedoch arbeitsintensiv und daher nicht in hoher Häufigkeit während des Krankenhausaufenthalts oder außerhalb der Klinik durchzuführen. Auf Forschungsebene wurden Apps für selbst verabreichte 6MWTs mit tragbaren Beschleunigungsmessern getestet34. Wir haben einen neuartigen Ansatz zur Beurteilung eines frei lebenden 6MWD (FL6MWD) entwickelt, indem wir die wöchentlichen Daten nach dem kontinuierlichen 6-Minuten-Zeitblock mit der höchsten kumulativen Schrittzahl durchsuchen. Die Schrittzahl wurde basierend auf dem Geschlecht und der Größe eines Probanden in Distanz umgerechnet (Ergänzende Abbildungen 21 und 22).

Die Durchschnittswerte von FL6MWD lagen zwischen 164 m (PAH30) und 478 m (PAH23) (Abb. 6a). Der niedrigste wöchentliche FL6MWD betrug 85,7 m (PAH30, Woche 23) und der höchste wöchentliche Wert lag bei 683,1 m (PAH23, Woche 11). 14/22 Probanden hatten Durchschnittswerte >320 m (PAH1, 3, 9, 10, 11, 12, 14, 17, 19, 22, 23, 26, 27, 28). Der Vergleich von FL6MWD ergab 6 statistisch signifikante klinische Parameter (Ergänzungstabelle 2 und Ergänzungsabbildung 23). Bemerkenswert ist, dass Probanden mit einer durchschnittlichen FL6MWD < 320 m bei Besuch 1 und 2 eine niedrigere 6MWD aufwiesen, bei Besuch 2 mehr Pedalödeme (Pedal-Ödem-Score) hatten, bei Besuch 1 eine schlechtere Lungengesundheit (höherer vom Arzt beurteilter WHO-FC) aufwiesen und dies auch der Fall war niedrigeres Hämoglobin bei Besuch 2.

ein Violindiagramm, das die Verteilung der Durchschnittswerte von FL6MWD für alle Probanden zeigt. Mittelwert = 344 m. Blauer Balken – Mittelwert; Grüne Balken – oberes und unteres Quartil. b Beispiel eines Probanden mit guter Übereinstimmung zwischen FL6MWD und interpolierten Klinikwerten (Gruppe 1, „Performer“). (Dreiecke) Klinikwerte, (Kreise) FL6MWD. Die graue Linie zeigt die lineare Interpolation der Klinikwerte. c Beispiel eines Probanden, bei dem der FL6MWD niedriger war als die interpolierten Klinikwerte (Gruppe 2, „Underperformer“). (Dreiecke) Klinikwerte, (Kreise) FL6MWD. Die graue Linie zeigt die lineare Interpolation der Klinikwerte. d Violindiagramm der Steigung des FL6MWD (m/Woche) über die Zeit für alle Probanden. Blauer Balken – Mittelwert; Grüne Balken – oberes und unteres Quartil.

Der niedrigste durchschnittliche FL6MWD betrug 164 m (PAH30). Dieser Proband war der zweitschwerste (108,7 kg) und hatte einen Geh-P-Wert < 1000. Zwei Probanden hatten durchschnittliche FL6MWD-Werte > 480 m (PAH3, 23). Diese Probanden befanden sich im vierten Quadranten des PCA-Diagramms, was darauf hindeutet, dass sie während normaler wöchentlicher Aktivität eine große Bandbreite an Schrittfrequenzen und Herzfrequenzen aufwiesen und P-Werte des Gehprodukts > 1000 aufwiesen.

Wie oben beschrieben, sind 6MWD-Schwellenwerte von etwa 320 m ein Hinweis auf ein schlechtes Überleben bei PAH-Patienten. Im Zusammenhang mit den Behandlungszielen wurde für PAH-Patienten eine 6MWD von ≥380–440 m vorgeschlagen35,36,37. Probanden mit einer durchschnittlichen FL6MWD > 400 m (12/22) hatten bei Besuch 2 eine höhere 6MWD, bei Besuch 2 einen niedrigeren NTpro-BNP, hatten bei Besuch 1 weniger Brustschmerzen (Angina-Score) und hatten eine bessere Lungengesundheit (niedrigerer ärztlich beurteilter WHO-Wert). FC) bei Besuch 2 (Ergänzungstabelle 2 und ergänzende Abb. 24).

Durch den Vergleich von FL6MWD mit den bei den beiden Klinikbesuchen gemessenen Werten (Einzelheiten siehe Methoden und ergänzende Abbildung 25) identifizierten wir zwei unterschiedliche Gruppen von Personen. In einer Gruppe (Gruppe 1: „Performer“) fanden wir eine hervorragende Übereinstimmung zwischen dem FL6MWD und dem interpolierten Wert des klinischen 6MWD (Abb. 6b), während in der zweiten Gruppe (Gruppe 2: „Underperformer“) der FL6MWD zutraf niedriger als die klinischen Werte (Abb. 6c). Die Probanden in Gruppe 1 waren älter und kleiner, hatten bei den Besuchen 1 und 2 eine niedrigere 6MWD und hatten bei Besuch 2 weniger Probleme beim Gehen (niedrigerer EQ-5D-Mobilitätswert) (ergänzende Abbildung 26). Diese Ergebnisse deuten darauf hin, dass die tägliche Aktivität der „Underperformer“ unterhalb ihrer körperlichen Leistungsfähigkeit lag.

Um Veränderungen im Laufe der Zeit während des Versuchs zu beurteilen, haben wir die Steigung des FL6MWD bestimmt (Einzelheiten siehe Methoden und ergänzende Abbildung 27). Die Werte reichten von –17,9 m/Woche bis +10,2 m/Woche (Mittelwert + 1,0 ± 5,4 m/Woche) (Abb. 6d). Die Person mit der stärksten negativen Steigung (PAH23) behielt zunächst in den ersten 13 Wochen hohe FL6MWD-Werte bei, verzeichnete dann aber in den folgenden Wochen einen viel niedrigeren Wert (ergänzende Abbildung 22), was auf eine signifikante Änderung des Lebensstils oder des Gesundheitszustands schließen lässt. Drei Probanden hatten eine große positive Steigung (>4,0 m/Woche) (PAH3, 10, 20) und vier Probanden hatten eine große negative Steigung (<4,0 m/Woche) (PAH1, 13, 21, 23).

Um den körperlichen Gesundheitszustand (PHS) eines Probanden abzuschätzen, haben wir die vorhergesagte 6MWD für eine gleichwertige gesunde Person (H6MWD) mit dem gleichen Alter, Geschlecht und BMI wie der Proband berechnet (Einzelheiten siehe Methoden). Wir haben den körperlichen Gesundheitszustand eines Probanden als das Verhältnis von FL6MWD/H6MWD definiert. Eine Darstellung der FL6MWD in Woche 1 im Vergleich zur vorhergesagten H6MWD zeigt einen breiten Bereich von PHS-Werten von etwa 0,25 bis über 1 (Abb. 7a). 13/22 Probanden hatten PHS-Werte von etwa 0,7–0,8 (dh FL6MWD-Werte im Bereich von 70–80 % des entsprechenden gesunden Individuums), 3 Probanden hatten Werte um 0,6 und 5 Probanden hatten Werte unter 0,5. Proband 23 hatte ein Verhältnis > 1, aber wie zuvor beschrieben verzeichnete dieser Proband in den ersten 13 Wochen hohe FL6MWD-Werte, behielt dann aber in den folgenden Wochen einen viel niedrigeren Wert bei. Es ist offensichtlich, dass es keine Korrelation zwischen der FL6MWD in Woche 1 und der vorhergesagten 6MWD (H6MWD) für eine gleichwertige gesunde Person gibt (Abb. 7a).

a Daten für alle Probanden in Woche 1. Jeder Punkt stellt den Wert von FLWD in Woche 1 dar. Die gepunkteten Linien stellen konstante Werte des körperlichen Gesundheitszustands dar (PHS = FL6MWD/H6MWD). Zahlen stellen Probanden-IDs dar. b PHS in der ersten und letzten Woche. Die Werte von FL6MWD in der letzten Woche wurden aus dem Wert in Woche 1 und der Steigung einer linearen Anpassung an den wöchentlichen FL6MWD nach der Glättung ermittelt. Zahlen stellen Probanden-IDs dar. Die Pfeile stellen die Veränderung während des Versuchs dar. Rote Pfeile stehen für einen Rückgang des PHS, grüne Pfeile für einen Anstieg des PHS. c Violinplot, der die Veränderung des PHS während des Versuchs zeigt. d Normalisierte Änderung des PHS. Blauer Balken – Mittelwert; Grüne Balken – oberes und unteres Quartil.

Als nächstes bewerteten wir die Veränderung des PHS für jeden Probanden anhand der FL6MWD-Werte in Woche 1 und in der letzten Woche vor dem zweiten Klinikbesuch (Abb. 7b). 11/22 Probanden zeigten eine Verbesserung des Gesundheitszustands und 11/22 Probanden zeigten eine Verschlechterung (Abb. 7c). Die PHS-Änderung betrug bei 15/22 Probanden weniger als 10 %, und die normalisierte PHS-Änderung betrug bei 18/22 Probanden weniger als 1 %/Woche (Abb. 7d).

Zwei Probanden zeigten einen Anstieg des PHS um mehr als 1 %/Woche (PAH 3, 20) und zwei Probanden zeigten einen Rückgang um mehr als 1 %/Woche (PAH 21, 23). Fünf Probanden (PAH 3, 9, 19, 12, 27) behielten in der ersten und letzten Woche Gesundheitswerte von mehr als 0,72 bei. Diese Probanden befanden sich im vierten Quadranten des PCA-Diagramms mit einem hohen Mittelwert und einer hohen Standardabweichung der Schrittfrequenz sowie einem hohen Wert der Standardabweichung der Herzfrequenz bei SR > 0. Drei Probanden (PAH 30, 2, 20, 11 ) hatten in der ersten und letzten Woche Gesundheitszustandswerte unter 0,52. Diese Probanden befanden sich entlang der negativen x-Achse des PCA-Diagramms und waren durch einen großen Anteil an inaktiver Zeit gekennzeichnet.

Der Vergleich von 23 von Fitbit abgeleiteten Messwerten (Abb. 8a) ergab, dass relativ wenige der Herzfrequenzparameter stark mit anderen Parametern korrelierten, was darauf hindeutet, dass sie verschiedene Aspekte des Gesundheitszustands messen. Obwohl mehrere der aus der Schrittfrequenz abgeleiteten Metriken stark miteinander korrelierten, gab es auch signifikante Unterschiede. Beispielsweise korrelierte die mittlere wöchentliche Schrittfrequenz stark mit drei der gehbezogenen Metriken, jedoch weniger gut mit der FL6MWD-Metrik. Darüber hinaus korrelierten Metriken wie die Fitnesssteigung nur schwach mit anderen Metriken. Die Schiefe der Schrittfrequenz korrelierte stark mit dem Mittelwert und der Standardabweichung der Schrittfrequenz, der Gehintensität und der Gehfrequenz. Dies deutet darauf hin, dass eine Erhöhung der mittleren wöchentlichen Schrittfrequenz zu einer Asymmetrie in der Verteilung führt. Diese reichhaltige und vielfältige Landschaft legt nahe, dass die Fitbit-Metriken viele verschiedene Facetten des Gesundheitszustands erfassen.

eine Korrelationsmatrix (Pearson-r-Wert) aller von Fitbit abgeleiteten Parameter und demografischen Variablen (Alter, Größe und BMI). b Korrelationsmatrix (Pearson-r-Wert) für statistisch signifikante kontinuierliche klinische Parameter (y-Achse) für Untergruppen, die aus Fitbit-Parametern identifiziert wurden (x-Achse).

Um festzustellen, ob wir anhand der Fitbit-Metriken Untergruppen unter den Patienten identifizieren konnten, führten wir eine Latent-Profile-Analyse durch. Als Eingabe wurden 8 Fitbit-Metriken verwendet: tägliche Schrittzahl, HR(SR = 0), HR(SR = 0)sk, HR(SR > 0), Geh-P-Wert, Fitnesssteigung. Basierend auf dem maximalen Bayes'schen Informationskriterium (BIC) (Ergänzungstabelle 3) wurden die Probanden in drei Gruppen eingeteilt (Ergänzungsabbildung 28). Gruppe 1 hatte hohe Gehwerte (Schritte/Tag, Gehprodukt P und FL6MWD), eine hohe Herzfrequenz (SR > 0) und eine hohe Fitnesssteigung (Ergänzungstabelle 4). Gruppe 2 zeichnete sich durch die niedrigsten Gehwerte (Schritte/Tag, Gehprodukt P, FL6MWD), die niedrigsten HR(SR = 0) und HR(SR > 0) und die höchsten HR(SR = 0)sk aus. Gruppe 3 hatte die höchste HR(SR = 0) und HR(SR > 0), die niedrigste HR(SR = 0)sk und Fitnesssteigung. Die drei aus der LPA-Analyse identifizierten Gruppen besetzten unterschiedliche Regionen des PCA-Diagramms, mit Ausnahme von PAH 10, das sich in Gruppe 2 befand (ergänzende Abbildung 29).

Um die Beziehung zwischen Fitbit-Metriken und klinischen Parametern weiter zu untersuchen, haben wir bei den beiden Klinikbesuchen die Korrelation zwischen acht Fitbit-Metriken und den sieben kontinuierlichen klinischen Variablen ermittelt (siehe Abb. 8b). Fünf Fitbit-Metriken wiesen starke Korrelationen auf (Pearson-r-Werte > ±0,5). Albumin korrelierte mit HR(SR = 0) und HR(SR > 0) bei Besuch 1 (r = 0,565 bzw. 0,627). NT-proBNP korrelierte auch mit HR (SR = 0) bei Besuch 1 (r = 0,585) und korrelierte umgekehrt mit der Fitnesssteigung bei Besuch 1 (r = –0,585). Die RHR bei den Besuchen 1 und 2 korrelierte mit HR(SR = 0), HR(SR = 0)sk und HR(SR > 0). Die 6MWD bei den Besuchen 1 und 2 korrelierten mit der FL6MWD. RVSP bei Besuch 1 korrelierte umgekehrt mit der Fitnesssteigung. Bemerkenswert ist, dass Schritte/Tag und Gehfähigkeit P keine starke Korrelation mit den kontinuierlichen klinischen Parametern aufwiesen.

Die tägliche Schrittzahl ist eine allgegenwärtige Messgröße im Zusammenhang mit tragbaren Aktivitätsmonitoren. Die zugrunde liegenden Herzfrequenz- und Schrittfrequenzmessungen von Minute zu Minute enthalten jedoch eine Fülle von Daten im Zusammenhang mit der körperlichen und kardiovaskulären Funktion und haben das Potenzial, viel detailliertere Einblicke in den Gesundheitszustand einer Person basierend auf Aktivitäten des täglichen Lebens zu liefern. Zusätzlich zu den Metriken, die aus der wöchentlichen Verteilung der Herzfrequenz- und Schrittfrequenzdaten von Minute zu Minute abgeleitet wurden, haben wir mehrere andere abgeleitet, darunter: (1) ein Analogon der weit verbreiteten 6MWD, die wir als frei lebende 6-Minuten-Messung bezeichneten Gehentfernung (FL6MWD), (2) ein Analogon des Tests zur körperlichen Arbeitsfähigkeit, der zur Beurteilung der körperlichen Fitness verwendet wird, (3) Metriken im Zusammenhang mit der Häufigkeit, Intensität und Dauer wöchentlicher Spaziergänge, (4) Metriken, die Nutzungsmuster beschreiben, und ( 5) Metriken im Zusammenhang mit dem körperlichen Gesundheitszustand basierend auf dem FL6MWD und dem vorhergesagten 6MWD für eine gesunde Person mit dem gleichen Geschlecht, Alter und BMI. Diese Messwerte werden von einem einzigen tragbaren Aktivitätsmonitor während des normalen Alltagslebens abgeleitet und erfordern keine vorgeschriebenen Aktivitäten oder externe Überwachung. Zusammen liefern diese Parameter eine wöchentliche Signatur des Status einer Person, die zur Identifizierung von Untergruppen innerhalb von Patientenpopulationen oder zur Beurteilung von Veränderungen im Zeitverlauf verwendet werden könnte.

Die Analyse der Hauptkomponenten zeigte, dass die Probanden nach Parametern gruppiert werden konnten, die im Großen und Ganzen mit körperlicher Aktivität und Herz-Kreislauf-Funktion verbunden sind. Der physische Status wurde durch Schrittratenparameter (+x-Achse) oder den Bruchteil der inaktiven Zeit (−x-Achse) definiert. Der kardiovaskuläre Status wurde durch die Ruheherzfrequenz bei Inaktivität (+y-Achse) und den Bereich der Herzfrequenzen, die während normaler täglicher Aktivitäten erreicht wurden (−y-Achse), definiert. Die Probanden wurden in verschiedenen Regionen des PCA-Diagramms sowohl entlang der Achsen gruppiert, was darauf hinweist, dass ihr Status entweder von physischen oder kardiovaskulären Faktoren dominiert wurde, als auch innerhalb eines Quadranten, was auf einen Einfluss einer Kombination von physischen oder kardiovaskulären Faktoren hinweist. Die latente Profilanalyse identifizierte drei Gruppen, die sich in unterschiedlichen Regionen im PCA-Diagramm befanden und deren Merkmale mit der oben beschriebenen Interpretation übereinstimmten. Beispielsweise befanden sich die LPA-Gruppe 2 im dritten Quadranten des PCA-Diagramms und zeichneten sich durch die niedrigsten Gehwerte und niedrigen Herzfrequenzwerte aus.

Die Gerätenutzung ist ein wichtiger Faktor bei der Analyse von Daten von tragbaren Geräten. Die Verwendung physiologischer Werte der Herzfrequenz als Stellvertreter dafür, dass ein Gerät jede Minute einer Woche getragen wird, ermöglichte eine detaillierte Analyse der Nutzungsmuster. Heatmaps zeigten eine Reihe unterschiedlicher Nutzungsmuster, wie z. B. das Entfernen des Geräts über Nacht oder das fast ununterbrochene Tragen des Geräts. Nutzungsmuster sind auch bei der Analyse aktivitätsbezogener Kennzahlen wichtig. Beispielsweise wird die tägliche Schrittzahl möglicherweise nicht wesentlich beeinflusst, wenn das Gerät über Nacht entfernt wird, während abgeleitete Messwerte wie der Anteil der inaktiven Zeit möglicherweise Fehlern unterliegen. Es gibt drei Schlüsselfaktoren, die zu der relativ hohen Nutzung in dieser Studie beitragen: (1) das Gerät wird am Handgelenk getragen und hat einen kleinen Formfaktor, (2) die Akkulaufzeit beträgt bis zu 7–10 Tage, (3) viele Modelle sind wasserdicht und müssen daher zwischen den Ladevorgängen nicht abgenommen werden. Nutzungsmuster und Änderungen im Nutzungsverhalten können zusätzliche Informationen über den Gesundheitszustand einer Person enthalten.

Um das Potenzial für klinische Relevanz zu ermitteln, verwendeten wir einen Schwellenwertansatz, um statistisch signifikante Unterschiede zwischen Untergruppen zu identifizieren. Selbst innerhalb dieser relativ kleinen Population fanden wir statistisch signifikante Unterschiede bei 18 Parametern, die bei den ersten oder letzten Klinikbesuchen aufgezeichnet wurden und auf 8 der von Fitbit abgeleiteten Messwerte basierten. Zu den klinischen Parametern gehörten solche im Zusammenhang mit dem körperlichen Zustand, der Herz-Kreislauf-Funktion, der Lungenfunktion sowie Biomarker aus Blutuntersuchungen. Die Identifizierung statistisch signifikanter Unterschiede in einem breiten Spektrum klinischer Parameter legt nahe, dass es möglich sein könnte, Ersatzmarker für die Schwere der Erkrankung bei PAH zu identifizieren. Beispielsweise korrelierten ein Gehprodukt P < 1.000 und ein FL6MWD < 320 m mit einem niedrigeren, in der Klinik gemessenen 6MWD bei den Besuchen 1 und 2. Probanden mit einem Fitnessgefälle > 0,15 hatten bei Besuchen 1 niedrigere NT-proBNP-Werte, einen wichtigen Biomarker für Herzstress und 2. Darüber hinaus kann dieser Ansatz zur Identifizierung von Personen beitragen, die von häufigeren Klinikbesuchen oder bestimmten Medikamenten profitieren würden.

Aktivitätsmonitore können Einblick in die körperliche Leistungsfähigkeit einer Person im Hinblick auf Aktivitäten des täglichen Lebens geben. Viele dieser Geräte sind relativ kostengünstig und erfordern nach der Bereitstellung nur einen geringen Wartungsaufwand. Eine lange Akkulaufzeit und ein geringer Formfaktor scheinen wichtig zu sein, um ein hohes Maß an Compliance zu erreichen. Aus den Rohdaten abgeleitete Metriken können einfach in einem Dashboard angezeigt werden und stellen ein zusätzliches Werkzeug für die Telemedizin dar.

Zusammenfassend haben wir die minutengenauen Schrittfrequenz- und Herzfrequenzdaten eines Fitbit-Geräts verwendet, um eine breite Palette von Messwerten im Zusammenhang mit körperlicher Aktivität und Herz-Kreislauf-Funktion abzuleiten. Diese Metriken wurden verwendet, um Cluster von Probanden mit gemeinsamen Merkmalen zu identifizieren. Darüber hinaus korrelierten mehrere Fitbit-Metriken stark mit kontinuierlichen klinischen Parametern. Mithilfe eines Schwellenwertansatzes haben wir gezeigt, dass viele Fitbit-Metriken zu statistisch signifikanten Unterschieden in den klinischen Parametern zwischen Untergruppen führten, einschließlich solcher, die mit dem körperlichen Zustand, der Herz-Kreislauf-Funktion, der Lungenfunktion sowie Biomarkern aus Bluttests verbunden sind. Diese Ergebnisse unterstreichen die Tatsache, dass die tägliche Schrittzahl nur eine von vielen Metriken ist, die von Aktivitätsmonitoren abgeleitet werden können. Wichtig ist, dass dieser Ansatz allgemein auf die Fernüberwachung vieler Patientenpopulationen anwendbar ist.

In dieser Studie gibt es mehrere Einschränkungen. (1) Obwohl die Herzfrequenz verwendet werden kann, um zu überprüfen, ob ein Gerät getragen wird, muss noch eine unabhängige Validierung spezifischer Aktivitäten des täglichen Lebens etabliert werden. Letztendlich könnte KI verwendet werden, um die Wahrscheinlichkeit bestimmter Arten von Aktivitäten anzuzeigen. (2) Weder Herzfrequenz- noch Schrittfrequenzmessungen wurden unabhängig validiert. Ein Ansatz zur Lösung dieses Problems wäre die Durchführung unabhängiger Messungen der Ruheherzfrequenz beim Gehen mit fester Ganggeschwindigkeit zu Beginn eines Versuchs. Unabhängige Laborstudien zu Herzfrequenz- und Schrittfrequenzsignaturen als Reaktion auf bestimmte Arten von Aktivitäten des täglichen Lebens werden ebenfalls wichtig für die Verfeinerung der Datenanalyse sein. Wir stellen jedoch fest, dass der Vergleich der Fitbit-Daten mit Parametern aus den beiden Klinikbesuchen (z. B. Ruheherzfrequenz und 6MWD) die Gültigkeit der Messungen stützt. (3) Beim Vergleich der Fitbit-Parameter mit klinischen Parametern haben wir weder Faktoren wie die Medikation eines Patienten berücksichtigt noch andere Kovariaten angepasst. Die Einbeziehung von Faktoren wie Medikamenten würde wahrscheinlich die Korrelationen zu klinischen Parametern verbessern und Aufschluss über die Rolle dieser Faktoren bei Aktivitäten des täglichen Lebens geben, allerdings war die Stichprobengröße zu klein. Die zum Vergleich klinischer Parameter verwendeten Schwellenwerte orientierten sich entweder an früheren Studien oder wurden willkürlich ausgewählt. Studien an größeren Kohorten und an anderen Patientenpopulationen werden von entscheidender Bedeutung sein, um die klinische Relevanz dieses Ansatzes festzustellen. (4) Es handelt sich um eine kleine, einzentrische Studie und die Ergebnisse müssen noch bei anderen Patientenpopulationen reproduziert werden. Dennoch zeigen diese Ergebnisse das Potenzial für die Definition von Metriken, die über die tägliche Schrittzahl hinausgehen und zur Beurteilung des Gesundheitszustands einer Person beitragen können.

Die Daten stammen aus einer prospektiven Beobachtungsstudie, bei der PAH-Patienten zwischen zwei ambulanten Besuchen einen am Handgelenk getragenen Aktivitätsmonitor (Fitbit Charge HR®) trugen. Die Studie wurde vom IRB der Cleveland Clinic genehmigt (IRB-Nummer 15–1392). Die Teilnehmer gaben eine schriftliche Einverständniserklärung ab. An der Studie nahmen 30 Probanden teil; Zwei Patienten zogen ihre Einwilligung nach der Aufnahme zurück. Studiendetails wurden an anderer Stelle veröffentlicht17. Ambulante Besuche fanden im Rahmen von zwei aufeinanderfolgenden Routineterminen statt, bei denen die Patienten verschiedene Tests erhielten. Insgesamt umfassten die klinischen Daten 19 kategoriale und 7 kontinuierliche Variablen. Zu den kategorialen Variablen gehörten acht Scores aus Fragebögen im Zusammenhang mit der gesundheitsbezogenen Lebensqualität (HRQOL), der modifizierte Borg-Dsypnoe-Score und RV-Funktions-Scores, die von Ärzten und Patienten bewertete WHO-Funktionsklasse sowie sieben binäre Scores im Zusammenhang mit dem Vorhandensein oder Nichtvorhandensein eines Symptoms sechs Beurteilungen der Organfunktion. Zu den kontinuierlichen Messungen gehörten die Herzfrequenzmessung, die Sechs-Minuten-Gehstrecke (6MWD), der rechtsventrikuläre systolische Druck (RVSP) und drei Biomarker aus Blutuntersuchungen. Eine vollständige Liste der klinischen Parameter finden Sie in der Ergänzungstabelle 1.

Für jeden Probanden wurden die Herzfrequenz- und Schrittfrequenzdaten von Minute zu Minute vom Fitbit-Server abgerufen. 22 von 30 Datensätzen wurden zur Analyse einbezogen: Diese Datensätze enthielten klinische Daten für beide Besuche und mindestens 4 Wochen Fitbit-Daten zwischen den beiden Besuchen. Drei Probanden wurden ausgeschlossen, weil sie keine Daten auf dem Fitbit-Server hatten, drei Probanden keinen zweiten Klinikbesuch hatten und zwei Probanden nur über Fitbit-Daten aus einer Woche verfügten. Die Daten wurden in wöchentlichen Blöcken von 00:00 Uhr am Sonntag bis 23:59 Uhr am Samstag analysiert. Daher besteht je nach Wochentag der Klinikbesuche eine Lücke zwischen dem Klinikbesuch und den Fitbit-Daten der ersten und letzten Woche. Jeder Datenpunkt repräsentiert die Schrittfrequenz (SPM) und die durchschnittliche Herzfrequenz (BPM) über eine Minute. Das Gerät galt als getragen, wenn die durchschnittliche Herzfrequenz für eine Minute größer oder gleich 20 BPM und kleiner oder gleich der vom Alter vorhergesagten maximalen Herzfrequenz war (HFmax(BPM) = 208–0,7 × Alter)38. Die Anzahl der Fitbit-Datenwochen zwischen den beiden Klinikbesuchen betrug 18,4 ± 12,2 (Bereich von 7 bis 65 Wochen). Insgesamt haben wir über einen Zeitraum von 405 Wochen 3,5 × 106 Minuten Daten analysiert. Insgesamt entspricht dies 85 % der Gesamtzeit.

Basismetriken aus den einwöchigen Datenblöcken wurden aus den wöchentlichen Werten der Schrittfrequenz (SR), der Herzfrequenz bei Schrittzahl gleich Null (HR(SR = 0), d. h. keine Aktivität) und der Herzfrequenz bei größerer Schrittfrequenz abgeleitet als Null (HR(SR > 0), also aktiv). Aus den Verteilungen dieser drei Metriken haben wir den Mittelwert, die Standardabweichung und die Schiefe erhalten. Die Herzfrequenzen wurden an eine Normalverteilung angepasst und die Schrittfrequenz wurde an eine logarithmische Normalverteilung angepasst. Ein Streudiagramm der Schrittfrequenz im Vergleich zur Herzfrequenz lieferte eine wöchentliche Signatur der Herz-Kreislauf-Aktivität für jede Person. Aus einer linearen Anpassung der kleinsten Quadrate an die Daten haben wir die Steigung (Herzfrequenz pro Schrittfrequenz (BPM/SPM)) erhalten. Die effektive Fläche des Herzfrequenz-Schrittfrequenz-Diagramms (HR vs. SR) wurde bestimmt, indem zunächst die oberen (unteren) Hüllkurven berechnet wurden. Jeder Punkt im oberen und unteren Bereich stellt den Durchschnitt der maximalen (oder minimalen) HR-Werte bei jedem Wert der Schrittzahl in einer Bin-Breite von 10 SPM dar. Der Hüllkurvenpunkt liegt bei der durchschnittlichen Schrittrate für alle Werte mit HR-Werten. Schrittraten ohne HR-Werte werden bei der Berechnung nicht berücksichtigt. Abschnitte ohne HR-Werte haben keinen Hüllkurvenpunkt. Anschließend führten wir eine lineare Anpassung der kleinsten Quadrate an den Hüllkurven durch, um die Fläche des HR-SC-Diagramms zu bestimmen.

Die Schiefe der Schrittfrequenz- und Herzfrequenzverteilungen wurde ermittelt aus:

Dabei ist \(\bar x\) der Mittelwert, \(\sigma\) die Standardabweichung, N die Anzahl der Punkte und \(x_i\) der Wert. Die Schiefe kann positiv oder negativ sein. Eine positive Schiefe hat einen verlängerten Rand rechts von der Verteilung (Median und Mittelwert rechts vom wahrscheinlichsten Wert), und eine negative Schiefe hat einen verlängerten Rand links von der Verteilung (Median und Mittelwert links vom wahrscheinlichsten Wert). wahrscheinlichster Wert). \(Sk = 0\) zeigt eine perfekte Anpassung an die Verteilung an. Im Allgemeinen gilt \(|Sk| \,< \,0,5\) als klein, \(\left| {Sk} \right|\) von 0,5–1,0 gilt als moderat und \(\left| {Sk} \ rechts|\, > \,1.0\) wird als groß angesehen.

Um zu beurteilen, wie Herzfrequenz- und Schrittfrequenzmetriken auf die Probanden verteilt waren, führten wir eine Hauptkomponentenanalyse (PCA) durch. Die Analyse wurde mit der PCA-Funktion in MATLAB durchgeführt und für alle Parameter wurde der Mittelwert mit der Funktion „Normalisieren“ auf 0 und die Standardabweichung = 1 gesetzt. Patienten mit mindestens 10 Wochen Daten wurden in die Analyse einbezogen (N = 20). Zwei Probanden (PAH4 und 22) wurden ausgeschlossen, da sie über Daten von 8 bzw. 7 Wochen verfügten. Hier berichten wir über eine Analyse basierend auf 5 Metriken: HR(SR = 0):Mittelwert, HR(SR > 0):SD, SR(SR > 0):Mittelwert, SR(SR > 0):SD, inaktive Zeit (Bruchteil von Minuten mit SR = 0). Diese Parameter wurden ausgewählt, um Herzfrequenz- und Gehmetriken darzustellen und Redundanz zu vermeiden. Für jeden Parameter haben wir den durchschnittlichen Wochenwert verwendet. Die Varianz für die ersten beiden Hauptkomponenten betrug 48,6 % bzw. 30,0 %. Bei 100 unabhängigen Durchläufen, bei denen wir zufällig verschiedene Wochen ausgewählt haben, betrug die mittlere Varianz von PC1 und PC2 77,5 ± 0,58 %.

LPA wurde verwendet, um die Cluster von Personen (dh latenten Profilen) anhand von 8 Fitbit-Metriken zu identifizieren: tägliche Schrittzahl, HR(SR = 0), HR(SR = 0)sk, HR(SR > 0), Geh-P-Wert, Fitness Steigung, FL6MWD und Nutzung. LPA wurde über das Paket „mclust“ (Version 5.4.10) in R (Version 4.2.1) durchgeführt. Die optimale Anzahl an Clustern wurde anhand des maximalen Bayes'schen Informationskriteriums (BIC) durch die Funktion „mclustBIC“ ermittelt.

Aus den Basismetriken für Schrittfrequenz und Herzfrequenz haben wir die folgenden abgeleiteten Parameter erhalten.

Die Probanden wurden angewiesen, das Gerät so lange wie möglich am nicht dominanten Handgelenk zu tragen, außer wenn sie Wasser ausgesetzt waren. Das Gerät galt als eine Minute lang getragen, wenn die durchschnittliche Herzfrequenz innerhalb des definierten Bereichs von 20 bis zur altersbedingten maximalen Herzfrequenz lag. Im gesamten Datensatz (3,5 × 106 min) gab es keine Herzfrequenzwerte unter 20 und nur 148 Werte (4,2 × 10–7 %) über dem altersbedingten Herzfrequenzmaximum. Um die Nutzung jedes Einzelnen zu visualisieren, haben wir Wärmekarten erstellt, die die durchschnittliche Nutzung über jede Stunde eines jeden Tages zwischen den beiden Klinikbesuchen zeigen. Außerdem ermittelten wir die maximale Zeitspanne während der Woche, in der das Gerät nicht getragen wurde. Diese variierte zwischen weniger als einer Stunde und mehr als 12 Stunden. Die Änderung der wöchentlichen Nutzung wurde anhand einer linearen Anpassung der kleinsten Quadrate an die wöchentliche Nutzung nach Glättung mithilfe einer einfachen exponentiellen Glättung mit α = 0,3 bestimmt. Um zu beurteilen, ob eine lineare Beziehung zwischen Fitbit-Parametern besteht, haben wir die Pearson-Korrelationsmethode verwendet.

Wir ermittelten den Bruchteil der Zeit, in der eine Person jede Woche inaktiv war, anhand der Anzahl der Minuten mit SR = 0 dividiert durch die Gesamtzahl der Minuten, die das Gerät getragen wurde, basierend auf den oben beschriebenen Kriterien.

Ein Proxy für die Standard-6MWD wurde erhalten, indem das 6-Minuten-Fenster mit der maximalen kumulativen Anzahl von Schritten während einer bestimmten Woche identifiziert wurde. Die Schrittzahl wurde anhand der folgenden Beziehungen in eine Distanz umgewandelt: Schrittlänge (m) = 0,413 x Körpergröße (m) für Frauen und 0,415 x Körpergröße (m) für Männer39. Aus der Schrittlänge und der Gesamtzahl der Schritte im 6-Minuten-Fenster wurde dann die freilebende 6MWD (FL6MWD) ermittelt. Der Vergleich der Schrittlänge verschiedener Methoden ist in der ergänzenden Abbildung 19 dargestellt.

Um den FL6MWD mit dem 6MWD zu vergleichen, der bei den klinischen Besuchen ermittelt wurde, verwendeten wir den k-means-Algorithmus (Python 3.8, sklearn.cluster.KMeans). Für jede Woche i haben wir die Differenz \(\Delta y_i\) (m) zwischen dem FL6MWD und dem interpolierten Klinikwert ermittelt. Der durchschnittliche Unterschied über alle Wochen für eine Person wurde als \(\overline {\Delta y}\) definiert. Mithilfe der Silhouette-Methode (Python 3.8, sklearn.metrics-Modul) haben wir zwei Untergruppen identifiziert: Probanden mit FL6MWD nahe den interpolierten Klinikwerten (kleines \(\overline {\Delta y}\), Gruppe 1: „Leistungsträger“ ) und solche mit FL6MWD-Werten unterhalb der interpolierten Klinikwerte (großes \(\overline {\Delta y}\), Gruppe 2: „Underperformer“). Ein Beispiel finden Sie in der ergänzenden Abbildung 25. Die Änderung des wöchentlichen FL6MWD mit der Zeit zwischen den beiden Klinikbesuchen wurde anhand einer linearen Anpassung der kleinsten Quadrate an die wöchentlichen Werte nach Glättung mithilfe einer exponentiellen Glättungsfunktion mit α = 0,3 bestimmt (siehe ergänzende Abbildung). . 27 für Einzelheiten).

Parameter im Zusammenhang mit Intensität, Ausdauer und Gehhäufigkeit wurden aus der Analyse der wöchentlichen Schrittfrequenzdaten ermittelt. Ein Gehereignis wurde durch eine anhaltende Schrittfrequenz von ≥60 SPM für mindestens 2 Minuten definiert. Für einen gesunden Menschen gilt eine Schrittfrequenz von 60–79 SPM als langsames Gehen23. Die Gehintensität wurde als Standardabweichung einer logarithmischen Normalanpassung an das wöchentliche Schrittfrequenzhistogramm definiert. Wir haben Ausdauer als den 1/e-Wert einer exponentiellen Anpassung (beginnend bei 2 Minuten) an ein Histogramm der Gehdauer definiert. Die Gehhäufigkeit wurde als die Gesamtzahl der Gehvorgänge während der Woche definiert. Abschließend haben wir für jeden Probanden einen charakteristischen Gehparameter P definiert, der auf dem Produkt der Durchschnittswerte von Intensität, Ausdauer und Frequenz basiert.

Ein Indikator für die Fitness wurde mithilfe eines Ansatzes erhalten, der dem PWC170-Protokoll zur körperlichen Arbeitskapazität ähnelt40. Beim submaximalen PWC170-Test wird eine Person gebeten, auf einem stationären Fahrrad mit zwei oder mehr Leistungsabgaben zu drehen, die die Herzfrequenz innerhalb eines definierten Bereichs halten. Die Leistungsabgabe bei einer extrapolierten Herzfrequenz von 170 Schlägen pro Minute wird dann als Proxy für VO2,max betrachtet. Wir haben einen ähnlichen Ansatz verwendet, um eine Fitnessmetrik zu definieren, wobei wir die Schrittfrequenz als Indikator für den Grad der Anstrengung genommen haben und daher davon ausgegangen sind, dass eine höhere Schrittzahl einer höheren Leistungsabgabe entspricht. Der Mittelwert und die Standardabweichung der Schrittzahl pro Minute in 20 SPM-Klassen wurden im Vergleich zum Mittelwert und der Standardabweichung der Herzfrequenz in dieser Klasse für jede Woche aufgetragen. Anschließend haben wir die Steigung (HR/SPM) und den Achsenabschnitt (HR bei SR = 0) aus den wöchentlichen Diagrammen bestimmt. Um die Probanden zu vergleichen, haben wir den Mittelwert und die Standardabweichung der Schrittfrequenz und der Herzfrequenz in jedem Abschnitt für jeden Probanden im Durchschnitt über alle Wochen aufgezeichnet. Anschließend ermittelten wir den Mittelwert und die Standardabweichung für alle Probanden innerhalb jeder Klasse.

Eine Schätzung des körperlichen Gesundheitszustands jedes Einzelnen wurde anhand von FL6MWD/H6MWD ermittelt, wobei H6MWD der Wert des 6MWD ist, der für ein gleichwertiges gesundes Individuum vorhergesagt wurde. Verschiedene Studien haben gezeigt, dass die 6MWD-Werte für gesunde Personen von Alter, Geschlecht und BMI (Größe und Gewicht) abhängen33,41. H6MWD (m) wurde berechnet aus41:

Dabei ist das Alter in Jahren, das Geschlecht = 0 (weiblich) und 1 (männlich) und der BMI in der Einheit kg m−2 angegeben. Diese empirische Beziehung wurde aus Messungen von 617 Probanden (52 % weiblich) im Alter von 29–79 Jahren mit einem BMI im Bereich von 18 kg m–2–40 kg m–2 abgeleitet, die zwei 6MWTs absolvierten. Die Anpassung an die Daten erfasste 46 % der Varianz. Andere Studien mit gesunden Personen wurden ausgeschlossen, da diese eine engere Altersspanne42,43 oder einen engeren BMI44 aufwiesen.

Um klinische Parameter zu identifizieren, die zwischen Untergruppen, die aus von Fitbit abgeleiteten Metriken ermittelt wurden, statistisch signifikant waren, verwendeten wir einen Mann-Whitney-Test. Wenn ein Proband keinen Wert für einen bestimmten klinischen Parameter hatte, wurde dieser Parameter von der Analyse ausgeschlossen. Vergleiche zwischen Gruppen wurden nur durchgeführt, wenn in jeder Gruppe mindestens 5 Probanden waren. Es wurden keine weiteren Korrekturen vorgenommen.

Weitere Informationen zum Forschungsdesign finden Sie in der mit diesem Artikel verlinkten Nature Research Reporting Summary.

Die Daten, die die Ergebnisse dieser prospektiven Beobachtungsstudie stützen, sind nicht öffentlich verfügbar, können aber auf begründete Anfrage von den Autoren bezogen werden. Die hier präsentierten Daten sind im Artikel oder in ergänzenden Materialien verfügbar.

Skripte zur Datenanalyse sind unter https://github.com/peterxu1991/PAH-Fitbit-Paper verfügbar.

Lee, IM et al. Zusammenhang zwischen Schrittvolumen und -intensität und Gesamtmortalität bei älteren Frauen. JAMA-Praktikant. Med. 179, 1105–1112 (2019).

Artikel PubMed PubMed Central Google Scholar

Saint-Maurice, PF et al. Zusammenhang zwischen der täglichen Schrittzahl und Schrittintensität und der Sterblichkeit bei Erwachsenen in den USA. JAMA 323, 1151–1160 (2020).

Artikel PubMed PubMed Central Google Scholar

Paluch, AE et al. Schritte für die Gesundheit. Tägliche Schritte und Gesamtmortalität: eine Metaanalyse von 15 internationalen Kohorten. Lancet Public Health 7, e219–e228 (2022).

Artikel PubMed PubMed Central Google Scholar

Agmon, M. et al. Zusammenhang zwischen 900 Schritten pro Tag und Funktionseinbußen bei älteren Krankenhauspatienten. JAMA-Praktikant. Med. 177, 272–274 (2017).

Artikel PubMed Google Scholar

Cook, DJ, Thompson, JE, Prinsen, SK, Dearani, JA & Deschamps, C. Funktionelle Erholung bei älteren Menschen nach einer größeren Operation: Bewertung der Mobilitätswiederherstellung mithilfe drahtloser Technologie. Ann. Thorak. Surg. 96, 1057–1061 (2013).

Artikel PubMed Google Scholar

Fisher, SR, Graham, JE, Ottenbacher, KJ, Deer, R. & Ostir, GV Stationäre Gehaktivität zur Vorhersage einer Wiedereinweisung bei älteren Erwachsenen. Bogen. Physik. Med. Rehabil 97, S226–S231 (2016).

Artikel PubMed PubMed Central Google Scholar

Bohannon, RW & Williams, A. Andrews. Normale Gehgeschwindigkeit: eine deskriptive Metaanalyse. Physiotherapie 97, 182–189 (2011).

Artikel PubMed Google Scholar

Studenski, S. et al. Ganggeschwindigkeit und Überleben bei älteren Erwachsenen. Jama-J. Bin. Med. Assoc. 305, 50–58 (2011).

Artikel CAS Google Scholar

Cummings, SR, Studenski, S. & Ferrucci, L. Eine Diagnose von Behinderung – die der Mobilität klinische Sichtbarkeit verleiht: eine Empfehlung der Mobilitätsarbeitsgruppe. JAMA 311, 2061–2062 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Ostir, GV et al. Beurteilung der Ganggeschwindigkeit bei akut erkrankten älteren Patienten, die in eine Akutstation für ältere Menschen eingeliefert werden. Bogen. Praktikant. Med. 172, 353–358 (2012).

Artikel PubMed PubMed Central Google Scholar

Simonsick, EM, Montgomery, PS, Newman, AB, Bauer, DC & Harris, T. Messung der Fitness bei gesunden älteren Erwachsenen: der Health ABC Long Distance Corridor Walk. Marmelade. Geriatr. Soc. 49, 1544–1548 (2001).

Artikel CAS PubMed Google Scholar

Feehan, LM et al. Genauigkeit von Fitbit-Geräten: systematische Überprüfung und narrative Synthese quantitativer Daten. JMIR Mhealth Uhealth 6, e10527 (2018).

Artikel PubMed PubMed Central Google Scholar

Sandstrom, R., Mokler, PJ & Hoppe, KM Entlassungsziel und motorisches Funktionsergebnis bei schwerem Schlaganfall, gemessen anhand des funktionellen Unabhängigkeitsmaßes/funktionsbezogenen Gruppenklassifizierungssystems. Bogen. Physik. Med. Rehabilitation. 79, 762–765 (1998).

Artikel CAS PubMed Google Scholar

Hardcastle, SJ, Jimenez-Castuera, R., Maxwell-Smith, C., Bulsara, MK & Hince, D. Fitbit-Tragedauer und Aktivitätsmuster bei Krebsüberlebenden während einer körperlichen Aktivitätsintervention und Nachsorge: Explorative Analyse von eine randomisierte kontrollierte Studie. PLoS One 15, e0240967 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Block, VJ et al. Kontinuierliche tägliche Beurteilung der Multiple-Sklerose-Behinderung mithilfe der Fernüberwachung der Schrittzahl. J. Neurol. 264, 316–326 (2017).

Artikel CAS PubMed Google Scholar

Broers, ERDC Consortium et al. Nutzen einer Lebensstilintervention bei Patienten mit Herz-Kreislauf-Erkrankungen. Bin. J. Cardiol. 125, 370–375 (2020).

Artikel CAS PubMed Google Scholar

Sehgal, S. et al. Zählschritte: Eine neue Methode zur Überwachung von Patienten mit pulmonaler arterieller Hypertonie. Lunge 197, 501–508 (2019).

Artikel PubMed Google Scholar

Nelson, BW & Allen, NB Genauigkeit der tragbaren Herzfrequenzmessung des Verbrauchers während eines ökologisch gültigen 24-Stunden-Zeitraums: intraindividuelle Validierungsstudie. JMIR Mhealth Uhealth 7, e10828 (2019).

Artikel PubMed PubMed Central Google Scholar

Kroll, RR, Boyd, JG & Maslove, DM Genauigkeit eines am Handgelenk getragenen tragbaren Geräts zur Überwachung der Herzfrequenz bei stationären Krankenhauspatienten: eine prospektive Beobachtungsstudie. J. Med. Internet Res. 18, e253 (2016).

Artikel PubMed PubMed Central Google Scholar

Wallen, MP, Gomersall, SR, Keating, SE, Wisloff, U. & Coombes, JS Genauigkeit von Herzfrequenzuhren: Auswirkungen auf das Gewichtsmanagement. PLoS One 11, e0154420 (2016).

Artikel PubMed PubMed Central Google Scholar

Tudor-Locke, C. et al. Wie schnell ist schnell genug? Gehfrequenz (Schritte/Minute) als praktische Schätzung der Intensität bei Erwachsenen: eine narrative Überprüfung. Br. J. Sports Med. 52, 776 (2018).

Artikel PubMed Google Scholar

Tudor-Locke, C. & Rowe, DA Verwenden der Trittfrequenz zur Untersuchung des ambulanten Verhaltens in freiem Leben. Sportmed. 42, 381–398 (2012).

Artikel PubMed Google Scholar

Tudor-Locke, C. et al. Gehfrequenz (Schritte/Minute) und Intensität bei 21- bis 40-Jährigen: TADENZ-Erwachsene. Int J. Behav. Nutr. Physik. Akt. 16, 8 (2019).

Artikel PubMed PubMed Central Google Scholar

Hildenbrand, FF et al. Eine niedrige Ruheherzfrequenz zum Zeitpunkt der Diagnose sagt ein günstiges Langzeitergebnis bei pulmonaler arterieller und chronisch thromboembolischer pulmonaler Hypertonie voraus. Eine prospektive Beobachtungsstudie. Atmung. Res. 13, 76 (2012).

Quer, G., Gouda, P., Galarnyk, M., Topol, EJ & Steinhubl, SR Inter- und intraindividuelle Variabilität der täglichen Ruheherzfrequenz und ihre Zusammenhänge mit Alter, Geschlecht, Schlaf, BMI und Jahreszeit: Retrospektive , Längsschnitt-Kohortenstudie mit 92.457 Erwachsenen. PLoS One 15, e0227709 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Lewis, RA, Durrington, C., Condliffe, R. & Kiely, DG BNP/NT-proBNP bei pulmonaler arterieller Hypertonie: Zeit für Point-of-Care-Tests? EUR. Atmung. Rev. 29, 200009 (2020).

Artikel PubMed Google Scholar

Bohannon, RW, Wang, YC & Gershon, RC Zwei-Minuten-Gehtestleistung bei Erwachsenen im Alter von 18 bis 85 Jahren: normative Werte, Zuverlässigkeit und Reaktionsfähigkeit. Bogen. Physik. Med. Rehabilitation. 96, 472–477 (2015).

Artikel PubMed Google Scholar

Bohannon, RW Normative Referenzwerte für den Zwei-Minuten-Gehtest, abgeleitet durch Metaanalyse. J. Phys. Dort. Wissenschaft. 29, 2224–2227 (2017).

Artikel PubMed PubMed Central Google Scholar

Crapo, RO et al. ATS-Erklärung: Richtlinien für den Sechs-Minuten-Gehtest. Bin. J. Respira. Krit. Pflege Med. 166, 111–117 (2002).

Artikel Google Scholar

Rabadi, MH & Blau, A. Die Gehgeschwindigkeit bei Aufnahme sagt die Aufenthaltsdauer und die Entlassungsbereitschaft nach einem Schlaganfall in einem Akutrehabilitationskrankenhaus voraus. Neurorehabilit. Neural Repair 19, 20–26 (2005).

Artikel Google Scholar

Hoyer, EH et al. Förderung der Mobilität und Verkürzung der Verweildauer bei hospitalisierten Allgemeinmedizinpatienten: Ein Projekt zur Qualitätsverbesserung. J. Hosp. Med. 11, 341–347 (2016).

Artikel PubMed Google Scholar

Giannitsi, S. et al. 6-Minuten-Gehtest: ein nützliches Hilfsmittel bei der Behandlung von Patienten mit Herzinsuffizienz. Dort. Adv. Herz-Kreislauf. Dis. 13, 1753944719870084 (2019).

Artikel PubMed PubMed Central Google Scholar

Singh, SJ et al. Eine offizielle systematische Übersicht der European Respiratory Society/American Thoracic Society: Messeigenschaften von Feldgehtests bei chronischen Atemwegserkrankungen. EUR. Atmung. J. 44, 1447–1478 (2014).

Artikel PubMed Google Scholar

Brooks, GC et al. Genauigkeit und Benutzerfreundlichkeit einer selbst durchgeführten 6-Minuten-Gehtest-Smartphone-Anwendung. Circ.-Herzinsuffizienz. 8, 905–913 (2015).

Artikel PubMed PubMed Central Google Scholar

Benza, RL et al. Vorhersage des Überlebens bei pulmonaler arterieller Hypertonie: Erkenntnisse aus dem Registry to Evaluate Early and Long-Term Pulmonary Arterial Hypertension Disease Management (REVEAL). Auflage 122, 164–172 (2010).

Artikel PubMed Google Scholar

McLaughlin, VV et al. Behandlungsziele der pulmonalen Hypertonie. Marmelade. Slg. Cardiol. 62, D73–D81 (2013).

Artikel PubMed Google Scholar

Sitbon, O. et al. Langfristige intravenöse Epoprostenol-Infusion bei primärer pulmonaler Hypertonie: Prognosefaktoren und Überleben. Marmelade. Slg. Cardiol. 40, 780–788 (2002).

Artikel CAS PubMed Google Scholar

Tanaka, H., Monahan, KD & Seals, DR Altersvorhergesagte maximale Herzfrequenz erneut untersucht. Marmelade. Slg. Cardiol. 37, 153–156 (2001).

Artikel CAS PubMed Google Scholar

Guest, R., Miguel-Hurtado, O., Stevenage, S. & Black, S. Erforschung der Beziehung zwischen Schrittlänge, Statur und Handgröße für die forensische Beurteilung. J. Forensisches Bein. Med. 52, 46–55 (2017).

Artikel PubMed Google Scholar

Rowland, TW, Rambusch, JM, Staab, JS, Unnithan, VB & Siconolfi, SF Genauigkeit der körperlichen Arbeitsfähigkeit (PWC170) bei der Schätzung der aeroben Fitness bei Kindern. J. Sports Med Phys. Fit. 33, 184–188 (1993).

CAS Google Scholar

Britto, RR et al. Referenzgleichungen für die sechsminütige Gehstrecke basierend auf einer brasilianischen multizentrischen Studie. Braz. J. Phys. Dort. 17, 556–563 (2013).

Artikel PubMed PubMed Central Google Scholar

Ben Saad, H. et al. 6-Minuten-Gehstrecke bei gesunden Nordafrikanern über 40 Jahren: Einfluss der Parität. Atmung. Med 103, 74–84 (2009).

Artikel PubMed Google Scholar

Camarri, B., Eastwood, PR, Cecins, NM, Thompson, PJ & Jenkins, S. Sechs-Minuten-Gehstrecke bei gesunden Probanden im Alter von 55–75 Jahren. Atmung. Med 100, 658–665 (2006).

Artikel PubMed Google Scholar

Zou, H. et al. Referenzgleichungen für die sechsminütige Gehstrecke der gesunden chinesischen Bevölkerung im Alter von 18–59 Jahren. PLoS One 12, e0184669 (2017).

Artikel PubMed PubMed Central Google Scholar

Referenzen herunterladen

Die Autoren danken Johns Hopkins inHealth für die Unterstützung.

Measurement Corps, In Health, Johns Hopkins University School of Medicine, Baltimore, MA, USA

Zheng Xu, Nicole Zahradka, Seyvonne Ip, Amir Koneshloo und Peter C. Searson

Institut für Nanobiotechnologie, Johns Hopkins University, Baltimore, MA, USA

Zheng Xu, Nicole Zahradka, Seyvonne Ip, Amir Koneshloo und Peter C. Searson

Zentrum für Bewegungsstudien, Kennedy Krieger Institute, Baltimore, MA, USA

Ryan T. Roemmich und Peter C. Searson

Abteilung für physikalische Medizin und Rehabilitation, Johns Hopkins University School of Medicine, Baltimore, MA, USA

Ryan T. Roemmich

Respiratory Institute, Cleveland Clinic, Cleveland, OH, USA

Sameep Sehgal & Kristin B. Highland

Abteilung für Biomedizintechnik, Johns Hopkins University, Baltimore, MA, USA

Peter C. Searson

Abteilung für Materialwissenschaft und Werkstofftechnik, Johns Hopkins University, Baltimore, MA, USA

Peter C. Searson

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

ZX, NZ, SI, AK, RTR und PCS haben den Ansatz konzipiert. SS und KBH stellten den Datensatz zur Verfügung. ZX, NZ, SI und AK analysierten die Daten. Alle Autoren diskutierten die Ergebnisse. PCS hat das Manuskript geschrieben. Alle Autoren haben das endgültige Manuskript bearbeitet.

Korrespondenz mit Peter C. Searson.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Xu, Z., Zahradka, N., Ip, S. et al. Bewertung des körperlichen Gesundheitszustands über die tägliche Schrittzahl hinaus mithilfe eines tragbaren Aktivitätssensors. npj Ziffer. Med. 5, 164 (2022). https://doi.org/10.1038/s41746-022-00696-5

Zitat herunterladen

Eingegangen: 29. Dezember 2021

Angenommen: 29. September 2022

Veröffentlicht: 09. November 2022

DOI: https://doi.org/10.1038/s41746-022-00696-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

npj Digitale Medizin (2023)