A haptikus jelzés hatása a hosszú távú autokorrelációkra a Parkinson-kór járásváltozékonyságában

1. HÁTTÉR A Parkinson-kór (PD) a második leggyakoribb degeneratív neurológiai betegség. A PD járászavarokat idéz elő, amelyek növelik az esések kockázatát. Ezek az esések súlyosan befolyásolják a betegek életminőségét, és jelentős egészségügyi költségekkel járnak. Sajnos a járászavarok nem reagálnak jól a gyógyszeres kezelésekre, és kezelésük elsősorban rehabilitációs kezelésen alapul. A rehabilitációs megközelítés két lépésből áll: a mozgásszervi képességek funkcionális felmérése, amelyet egy terápiás fizikai gyakorlati program elvégzése követ.

   A pulzusszámhoz hasonlóan a lépések időtartama rövid és hosszú távon az időbeli változások összetett dinamikájának megfelelően változik. Ezek a variációk hosszú távú autokorrelációt (LRA) mutatnak: a lépések időtartama nem véletlenszerűen, hanem strukturáltan változik. Az LRA vizsgálata összetett matematikai módszereken alapul, amelyek legalább 256 egymást követő járási ciklus rögzítését igénylik. Az LRA megváltozik azoknál a PD-betegeknél, akiknek a járásritmusa túlzottan véletlenszerű. Az LRA változása korrelál a neurológiai károsodásokkal (Hoehn & Yahr skála és UPDRS) és a betegek mozgásszervi stabilitásával (ABC skála és BESTest). Az LRA mérése lenne az első elérhető objektív és kvantitatív biomarker a PD-ben szenvedő betegek stabilitására és elesésének kockázatára.

   A PD betegek rehabilitációs programjaira vonatkozó irányelvek oktatáson (esések és inaktivitás megelőzése,...), fizikai gyakorlatokon, funkcionális edzéseken (kettős feladat, összetett feladatok,...), tanuláson és alkalmazkodási stratégiákon alapulnak, mint pl. ritmikus érzékszervi jelzés. Az Auditory Cueing-t (AC) évek óta használják klinikai és kutatási célokra, és ismertek a tér-időbeli járásparaméterekre és az LRA-ra gyakorolt ​​hatásai. Kevesebbet tudunk a haptikus/szomatoszenzoros jelzésről (HC). Néhány kutatást végeztek a HC hatásának tanulmányozására a PD térbeli-időbeli járásparamétereire, de legjobb tudásunk szerint egyik sem foglalkozott még az LRA-ra gyakorolt ​​hatásával. Jelen tanulmány célja a PD saptio-temporális járásparaméterek és az LRA összehasonlítása volt három feltétel mellett: séta jelzés nélkül, járás AC-vel és járás HC-vel.

2. MÓDSZEREK 2.1 Résztvevők: 10 idiopátiás Parkinson-kórban szenvedő beteget toboroztak a helyi közösségből és a Cliniques universitaires Saint-Luc (Woluwe-Saint-Lambert, Belgium) neurológiai és fizikai és rehabilitációs orvosi ambulanciájáról.

2.2 Funkcionális értékelés: A kísérletek megkezdése előtt minden résztvevő átesett egy nem káros vizsgálaton, beleértve a klinikai teszteket és a kérdőíveket.

PD betegek: életkor, magasság, testsúly, nem, leginkább érintett oldal, Mozgászavarok Társasága – Egységes Parkinson-kór értékelési skála (MDS-UPDRS), Mini Balance Evaluation Systems Test (Mini-BESTest), A tevékenységekre jellemző egyensúlybizalom egyszerűsített változata Skála (ABC-Scale), módosított Hoehn & Yahr skála, Mini Mental State Examination (MMSE).

2.3 Eljárás: Minden résztvevő véletlenszerű sorrendben három körülmény között sétált. Mindegyik állapot ±10 percig tartott, hogy 256 járásciklus legyen kötelező az LRA jelenlétének értékeléséhez a Detrended Fluctuations Analysis (DFA) egyenletesen elosztott átlagolt változatával.

Az első feltétel a kontrollállapot (CC) volt, a betegek jelzések nélkül sétáltak egy téglalap alakú pályán, amelynek lekerekített sarka 63,2 méter CUSL-ban a kényelmes járási sebességgel.

A második feltétel az Auditory Cueing Condition (ACC) volt, amely ugyanazon a téglalap alakú pályán való járásból állt, a Soundbrenner nevű okostelefon-alkalmazás segítségével hangjelzést használva. Ez az alkalmazás lehetővé tette a ritmikus hallási stimulációk pontos leadását fülhallgatón keresztül, 10%-kal gyorsabb ütemben, mint az egyes páciensek által a kísérlet előtt értékelt lépésfrekvencia.

Az utolsó feltétel a Haptic Cueing Condition (ACC) volt, amely ugyanazon a téglalap alakú pályán való járásból állt, a Soundbrenner Pulse nevű vibrációs eszköz segítségével, amelyet minden páciens csuklójához rögzítettek a leginkább érintett oldalon. Az okostelefonon lévő Soundbrenner alkalmazást Bluetooth-on keresztül csatlakoztatták a Soundbrenner Pulse-hoz, hogy a ritmikus vibrációs stimulációkat is 10%-kal gyorsabban ingerelje, mint az egyes páciensek által preferált lépésfrekvencia, ugyanaz a frekvencia, mint az ACC során.

2.4 Adatgyűjtés: Két inerciális mérési egységet (IMU) (IMeasureU Research, VICON, USA) ragasztottunk a betegek mindkét oldalsó malleolusára. Ez a rendszer lehetővé tette a bokagyorsulások rögzítését 500 Hz-en. Az adatokat ezután számítógépre helyeztük, és minden egyes sarokütésnek megfelelő gyorsulási csúcsot egy belső fejlesztésű szoftver észlelte, amely meghatározza az összes lépés időtartamát.

2.5 Járásértékelés: Az adatokat 256 egymást követő járásciklusból nyertük ki, amely szükséges az LRA-számításhoz.

2.5.1 Időbeli térbeli járásváltozók:

Az átlagos járási sebességet, a járási ütemet és a lépéshosszt az alábbiak szerint mértük:

Átlagos járássebesség (m.s-1) = teljes gyaloglási távolság (m)/ Felmérés időtartama (s) Járási ütem (#lépések.perc-1) = Lépések teljes száma (#)/Felvétel időtartama (perc) Lépéshossz (m) = Járási sebesség (m/s)*60/Gyakorlati ütem (lépés/perc)

2.5.2 Lépéshosszúság változékonysága: A lépés időtartamának változékonysága kétféleképpen értékelhető: nagyságrendileg vagy szervezettség szempontjából (hogyan alakul a lépés időtartama az egymást követő járásciklusok során).

2.5.2.1 A lépéshossz variabilitásának nagysága : A RAS hatásának meghatározása a lépéshossz variabilitásának nagyságára 256 járásciklus alatt, az átlag, a szórás (SD) és a variációs együttható (CV = [SD/) átlag] * 100) értékelték.

2.5.2.2 A lépéshossz változékonyságának időbeli szerveződése: A lépéshossz változékonyságának időbeli szerveződését LRA-számítással értékelték, a Detrended Fluctuation Analysis (DFA) egyenletesen elosztott átlagolt változatát használva, hogy megkapjuk az α kitevőt. Az LRA jelenléte 0,5 és 1 közötti α kitevő értékekkel mutatható ki.

Az adatokat a CVI Labwindows (C++) átlagával kezeltük.

2.6 Statisztikai elemzések: A statisztikai elemzéseket Sigmaplot 13 segítségével végeztük. Ha a normalitási teszt sikeres volt, egy egyirányú, ismételt mérési ANOVA-t alkalmaztak a különböző járási feltételek térbeli és időbeli járásparaméterekre (járási sebesség, járási ütem, lépéshossz) és a lépéshossz változékonyságának lineáris és nemlineáris mérőszámaira (CV) gyakorolt ​​hatás meghatározására. , SD, H és α kitevők). Ha az ANOVA-val szignifikáns különbséget észleltünk a csoportok között, Holm-Sidak post hoc tesztet végeztünk, hogy az egyes átlagokat összehasonlítsuk a többi átlaggal, hogy a csoportokat elkülönítsük egymástól. A feltételek közötti hatásméretet az összes paraméter tekintetében Cohen-féle d.