Simple Science

Hochmoderne Wissenschaft einfach erklärt

# Gesundheitswissenschaften# Öffentliche und globale Gesundheit

Neue Methode verbessert die Genauigkeit beim Schrittzählen

Eine Studie entwickelt eine bessere Methode, um Schritte zu zählen, die mit Gesundheitsresultaten verbunden sind.

― 6 min Lesedauer


Schrittzähl-RevolutionSchrittzähl-RevolutionSchrittzahlen das Sterberisiko senken.Neues Modell zeigt, dass höhere
Inhaltsverzeichnis

Körperliche Aktivität ist wichtig für gute Gesundheit. Sie hilft, das Risiko vieler Krankheiten zu senken, besonders von denen, die nicht von Mensch zu Mensch übertragen werden, wie Herzkrankheiten. Gesundheitsrichtlinien empfehlen regelmässige Bewegung, um ein gesundes Herz zu erhalten.

Momentan messen Fitness-Tracker oft die körperliche Aktivität in Bezug auf die gesamte Bewegung oder die Zeit, die wir mit aktiven Dingen verbringen. Schritte zu zählen ist jedoch eine einfache und klare Möglichkeit, zu sehen, wie viel wir uns bewegen. Es hängt direkt damit zusammen, wie wir laufen. Leider zählen Geräte an unserem Handgelenk nicht immer genau, wie viele Schritte wir im Alltag machen.

Probleme mit den aktuellen Schrittzählmethoden

Viele Fitness-Tracker verwenden spezielle Methoden, um Schritte zu zählen, aber diese Methoden werden nicht immer gründlich getestet. Einige Open-Source Schrittzählmethoden wurden nicht mit sorgfältigen Überprüfungen an realen Daten entworfen. Die Standards sagen, dass kommerzielle Geräte Schritte mit weniger als 10% Fehler in kontrollierten Tests schätzen sollten. Wenn wir uns jedoch anschauen, wie diese Geräte in der realen Welt abschneiden, können die Fehler viel grösser sein, oft über 20%. Das macht es schwer sicherzustellen, wie die Schrittzahlen mit der allgemeinen Gesundheit und dem Tod aus allen Ursachen oder Herzproblemen zusammenhängen.

Entwicklung einer neuen Schrittzählmethode

Um dieses Problem anzugehen, wollten die Forscher eine bessere Möglichkeit schaffen, Schritte zu messen, während die Leute ihren Alltag bestreiten. Die Studie hatte drei Ziele:

  1. Eine neue Schritt-erkennungsmethode mithilfe von Daten aus dem realen Leben entwickeln.
  2. Diese Methode mit anderen Schrittzählalgorithmen testen.
  3. Überprüfen, wie gut diese Schrittzählmethode mit ernsten gesundheitlichen Ergebnissen wie dem Tod durch Herzkrankheiten oder andere Ursachen zusammenhängt.

Erstellung des OxWalk-Datensatzes

Um den neuen Datensatz namens OxWalk zu erstellen, trugen die Teilnehmer Beschleunigungsmesser, während sie ihre täglichen Aktivitäten durchführten. Sie trugen Geräte am Handgelenk und an der Hüfte, um ihre Bewegungen zu verfolgen. Die Forscher drehten auch Videos von den Füssen der Teilnehmer, während sie gingen. Durch die Nutzung sowohl der Beschleunigungsmesserdaten als auch der Videos konnten sie genau nachvollziehen, wann eine Person einen Schritt machte.

Schritte wurden auf spezifische Weise definiert: Ein Schritt passiert, wenn ein Fuss angehoben und an einem neuen Ort abgesetzt wird. Bewegungen wie das Verlagern des Gewichts oder das Anpassen der Fussposition zählen nicht als Schritte. Die Teilnehmer wurden sorgfältig ausgewählt, um sicherzustellen, dass sie ohne Hilfe gehen konnten und keine kürzlichen Fussverletzungen hatten.

So funktioniert das neue Modell

Das neue Schrittzählmodell kombiniert Machine Learning und Spitzen-Erkennungstechniken. Zuerst erkennt das Modell, wann die Teilnehmer gehen versus wann sie es nicht tun. Es verwendet ein spezielles Lernmodell, das mit Daten aus dem realen Leben trainiert wurde. Dieses Modell wurde mit vielen Proben optimiert, um seine Fähigkeit zu verbessern, verschiedene Geh-Muster zu erkennen.

Sobald die Gehphasen identifiziert sind, zählt das Modell die Schritte aus diesen Segmenten. Um die Genauigkeit zu gewährleisten, passten die Forscher die Parameter im Modell an, bis sie die besten Einstellungen für das Zählen von Schritten fanden.

Testen des neuen Schrittzählmodells

Nach der Entwicklung des neuen Modells wurde dessen Leistung an Daten aus einem externen Datensatz getestet, der verschiedene Geh-Szenarien beinhaltete. Die Teilnehmer wurden gefilmt, während sie unter verschiedenen Bedingungen gingen, was einen gründlichen Vergleich ermöglichte. Sie bewerteten, wie genau die neue Methode Schritte im Vergleich zu bestehenden Algorithmen zählte.

Implementierung des Modells in der UK Biobank

Die UK Biobank ist eine grosse Studie, die eine riesige Anzahl von Teilnehmern umfasst. Die Forscher nutzen Daten von über 100.000 Teilnehmern, die Beschleunigungsmesser trugen, um ihre Bewegungen zu verfolgen. Sie verwendeten das neue Schrittzählmodell, um zu sehen, wie viele Schritte die Teilnehmer über eine Woche gemacht hatten. Fehlende Daten aufgrund des Nicht-Tragens des Geräts wurden durch das Durchschnitts-Daten aus anderen ähnlichen Zeiten ersetzt.

Datenanalyse

Die Studie betrachtete Teilnehmer, die keine schweren gesundheitlichen Probleme wie Herzkrankheiten oder Krebs hatten. Die Forscher untersuchten, wie Schrittzahlen mit Faktoren wie Alter und allgemeiner Gesundheit zusammenhingen. Sie führten statistische Tests durch, um die Beziehung zwischen Schrittzahlen und gesundheitlichen Ergebnissen wie dem Tod durch Herzprobleme oder aus anderen Ursachen zu erkunden.

Ergebnisse zu Schrittzahlen und Sterblichkeit

Die Forscher fanden eine starke Verbindung zwischen der Anzahl der täglich gemachten Schritte und dem Risiko, an Herzkrankheiten und anderen Ursachen zu sterben. Zum Beispiel hatten Teilnehmer, die täglich etwa 8.500 bis 10.300 Schritte machten, ein signifikant geringeres Risiko, an Herzproblemen zu sterben. Höhere tägliche Schrittzahlen zeigten einen ähnlichen Trend hinsichtlich des allgemeinen Sterblichkeitsrisikos.

Bedeutung einer genauen Schrittzählung

Eine genaue Schrittzählung ist entscheidend. Sie kann helfen, bessere Gesundheitsratschläge zu geben und realistische Aktivitätsziele für die Leute zu schaffen. Wenn das Zählen von Schritten nicht genau ist, könnte das zu irreführenden Botschaften über Gesundheit und Aktivitätsniveaus führen. Das könnte die Leute davon abhalten, aktiv zu sein, wenn sie das Gefühl haben, diese Ziele nicht erreichen zu können.

Stärken der Studie

Die Stärke dieser Studie liegt in ihrem umfassenden Ansatz zur Messung von Schritten. Die Nutzung eines grossen Datensatzes, der aus realen Aktivitäten erstellt wurde, führte zu einem hohen Genauigkeitsgrad. Obwohl die Trainingsdaten über kurze Zeiträume gesammelt wurden, waren sie dennoch ausreichend, um eine zuverlässige Methode zu erstellen.

Die Forscher erkennen an, dass trotz möglicher Überzählung über mehrere Tage, sie Schritte unternommen haben, um dieses Problem während des Modelltrainings zu minimieren. Zukünftige Auswertungen werden wichtig sein, um die Wirksamkeit der Methode in verschiedenen Personengruppen zu bestätigen.

Fazit

Die Forscher haben eine neue, offene Methode zur Schrittzählung eingeführt, die die Messung von körperlicher Aktivität mit tragbaren Geräten erheblich verbessert. Diese Methode zeigte, dass höhere Schrittzahlen mit einem geringeren Risiko, an Herzkrankheiten und anderen Ursachen zu sterben, verbunden sind. Diese Informationen unterstützen öffentliche Gesundheitsbotschaften, die die Leute ermutigen, aktiver zu sein. Die Idee ist, dass jede Bewegungserhöhung vorteilhaft ist, besonders für diejenigen, die es schwer haben könnten, ein bestimmtes tägliches Schrittziel zu erreichen.

Originalquelle

Titel: Development and Validation of a Machine Learning Wrist-worn Step Detection Algorithm with Deployment in the UK Biobank

Zusammenfassung: BackgroundStep count is an intuitive measure of physical activity frequently quantified in a range of health-related studies; however, accurate quantification of step count can be difficult in the free-living environment, with step counting error routinely above 20% in both consumer and research-grade wrist-worn devices. This study aims to describe the development and validation of step count derived from a wrist-worn accelerometer and to assess its association with cardiovascular and all-cause mortality in a large prospective cohort study. MethodsWe developed and externally validated a hybrid step detection model that involves self-supervised machine learning, trained on a new ground truth annotated, free-living step count dataset (OxWalk, n=39, aged 19-81) and tested against other open-source step counting algorithms. This model was applied to ascertain daily step counts from raw wrist-worn accelerometer data of 75,493 UK Biobank participants without a prior history of cardiovascular disease (CVD) or cancer. Cox regression was used to obtain hazard ratios and 95% confidence intervals for the association of daily step count with fatal CVD and all-cause mortality after adjustment for potential confounders. FindingsThe novel step algorithm demonstrated a mean absolute percent error of 12.5% in free-living validation, detecting 98.7% of true steps and substantially outperforming other recent wrist-worn, open-source algorithms. Our data are indicative of an inverse dose-response association, where, for example, taking 6,596 to 8,474 steps per day was associated with a 39% [24-52%] and 27% [16-36%] lower risk of fatal CVD and all-cause mortality, respectively, compared to those taking fewer steps each day. InterpretationAn accurate measure of step count was ascertained using a machine learning pipeline that demonstrates state-of-the-art accuracy in internal and external validation. The expected associations with CVD and all-cause mortality indicate excellent face validity. This algorithm can be used widely for other studies that have utilised wrist-worn accelerometers and an open-source pipeline is provided to facilitate implementation. Funding AcknowledgementsThis research has been conducted using the UK Biobank Resource under Application Number 59070. This research was funded in whole or in part by the Wellcome Trust [223100/Z/21/Z]. For the purpose of open access, the author has applied a CC-BY public copyright licence to any author accepted manuscript version arising from this submission. AD and SS are supported by the Wellcome Trust. AD and DM are supported by Swiss Re, while AS is an employee of Swiss Re. AD, SC, RW, SS, and SK are supported by HDR UK, an initiative funded by UK Research and Innovation, Department of Health and Social Care (England) and the devolved administrations. AD, DB, GM, and SC are supported by NovoNordisk. AD is supported by the BHF Centre of Research Excellence (grant number RE/18/3/34214). SS is supported by the University of Oxford Clarendon Fund. DB is further supported by the Medical Research Council (MRC) Population Health Research Unit. DC holds a personal academic fellowship from EPSRC. AA, AC and DC are supported by GlaxoSmithKline. SK is supported by Amgen and UCB BioPharma outside of the scope of this work. Computational aspects of this research were funded from the National Institute for Health Research (NIHR) Oxford Biomedical Research Centre (BRC) with additional support from Health Data Research (HDR) UK and the Wellcome Trust Core Award [grant number 203141/Z/16/Z]. The views expressed are those of the author(s) and not necessarily those of the NHS, the NIHR or the Department of Health.

Autoren: Aiden Doherty, S. R. Small, S. Chan, R. Walmsley, L. von Fritsch, A. Acquah, G. Mertes, B. G. Feakins, A. Creagh, A. Strange, C. E. Matthews, D. A. Clifton, A. J. Price, S. Khalid, D. Bennett

Letzte Aktualisierung: 2023-02-22 00:00:00

Sprache: English

Quell-URL: https://www.medrxiv.org/content/10.1101/2023.02.20.23285750

Quell-PDF: https://www.medrxiv.org/content/10.1101/2023.02.20.23285750.full.pdf

Lizenz: https://creativecommons.org/licenses/by/4.0/

Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.

Vielen Dank an medrxiv für die Nutzung seiner Open-Access-Interoperabilität.

Mehr von den Autoren

Ähnliche Artikel