Verwendung neuer Tools zur Schätzung der Intensität angepasster körperlicher Aktivitätssitzungen (UNITS-APA)

Körperliche Aktivität wird seit vielen Jahren von verschiedenen Gesundheitsbehörden empfohlen. In der Tat haben zahlreiche Studien die Auswirkungen körperlicher Aktivität auf die Lebensqualität, den Gewinn an Autonomie und die Verringerung funktioneller Einschränkungen bei älteren Menschen gezeigt. Dieses Problem wird mit zunehmender Lebenserwartung immer präsenter, wodurch die Prävalenz von Personen zunimmt, die den Status einer älteren Person erreichen. Diese Prognosen deuten darauf hin, dass immer mehr Menschen mit den Folgen des Alters leben müssen. Aus dieser Sicht ist das Management dieser Menschen durch angepasste körperliche Aktivität notwendig, um das Gesundheitssystem zu entlasten, indem das Risiko einer Gebrechlichkeit und damit einer Krankenhauseinweisung bei älteren Menschen begrenzt wird. Um eine angepasste körperliche Aktivität zu fördern, besteht die Rolle von Spezialisten auf diesem Gebiet darin, Sitzungen für körperliche Aktivität einzurichten, die die neurokognitiven, neuromuskulären und kardiorespiratorischen Aspekte durch Gleichgewichts-, Muskelstärkungs- und Aerobic-Übungen fördern. Diese Sitzungen werden nach verschiedenen Kriterien wie Pathologie, Grad der Durchführung der Übungen und der wahrgenommenen Schwierigkeit der Sitzung definiert. Für die Teilnehmer ist die gebräuchlichste Quantifizierungsmethode die Borg Rating of Perceived Exertion (RPE)-Skala. Dieses Maß besteht aus der Messung der wahrgenommenen Anstrengung auf einer Skala von 6 für "keine wahrgenommene Anstrengung" bis 20 für "maximale Anstrengung". Die Verwendung dieses Tools hat den Vorteil, dass es bei moderaten Intensitäten eine starke Korrelation mit der Herzfrequenz aufweist. Diese unterschiedlichen Parameter ermöglichen es dem angepassten Ingenieur für körperliche Aktivität, eine Trainingsbelastung gemäß diesen unterschiedlichen Parametern zu bestimmen. Diese Trainingsbelastung ermöglicht es dann, die nächste(n) Sitzung(en) optimal an die funktionellen Fähigkeiten der Teilnehmer anzupassen und so die Behandlung dieser Personen zu individualisieren. Diese Trainingsbelastung ist jedoch subjektiv. Für Profis in angepasster körperlicher Aktivität basiert die Quantifizierung der Trainingsbelastung der verschiedenen Sitzungen auf persönlichen Erfahrungen. Diese Methode ist schwer zu quantifizieren und auf andere Fachleute zu verallgemeinern. Ebenso ist das Gefühl der Schwierigkeit der Sitzung für jeden Teilnehmer spezifisch. Die Quantifizierung des RPE wird stark von den letzten Übungen der Session und dem Gruppeneffekt beeinflusst. Um diese Einschränkung anzugehen, wurden verschiedene Tools entwickelt. Eine der häufigsten Lösungen ist die Verwendung eines Pulsmessers. Der Vorteil dieses Sensors ist die Quantifizierung der Herzfrequenz während der Sitzung ohne die subjektive interindividuelle Verzerrung. Diese Quantifizierungsmethode hat jedoch eine schlechte Korrelation mit der Trainingsbelastung der Muskelkräftigung. Diese Einschränkung wirkt sich aufgrund des großen Anteils an Übungen, die sich auf den neuromuskulären Aspekt konzentrieren, stark auf die Einschätzung angepasster Aktivitätseinheiten aus. Um dieses Problem anzugehen, wäre die Analyse der menschlichen Bewegung ein ergänzendes Instrument zur Schätzung des Energieverbrauchs gemäß den verschiedenen Arten von Übungen, die während der Sitzungen vorgeschlagen werden. Diese Analyse wurde durch die Einführung von Deep Learning für die Klassifizierung verschiedener Bewegungen nach der Kinematik der Bewegung oder Aktimetrie erheblich erleichtert. In diesem Zusammenhang stechen zwei Messsysteme hervor. Einerseits ist der Actigraph eines der am weitesten verbreiteten Tools in diesem Bereich, um die Trainingsbelastung anhand des vom Beschleunigungsmesser berechneten Größenvektors zu quantifizieren. Diese Trainingsbelastung wird abhängig von den vom Sensor aufgezeichneten Aktivitäten als niedrig, mittel oder hoch identifiziert. Andererseits ist die Verwendung von Tiefenkameras zur Segmentierung des menschlichen Körpers ein sich schnell entwickelnder Bereich. Die mit diesem Messsystem gesammelten Daten in Verbindung mit Deep Learning können eine Vielzahl von Bewegungen an mehreren Personen gleichzeitig klassifizieren. Die Verwendung dieser Messsysteme würde ein besseres Verständnis der Schätzung der Arbeitsbelastung ermöglichen. Tatsächlich würde die Verknüpfung der Klassifikation der Übungen mit der Ausführungszeit und der Anzahl der Wiederholungen in Verbindung mit der Herzfrequenz einen genauen Energieverbrauch unter ökologischen Bedingungen ermöglichen. Diese Daten würden eine genauere Individualisierung des Managements älterer Menschen für angepasste körperliche Aktivitätssitzungen ermöglichen. Diese Art der personalisierten Betreuung von Gebrechlichkeit wäre Teil der zukünftigen Herausforderungen des gesunden Alterns.