Gebruik van nieuwe hulpmiddelen om de intensiteit van aangepaste lichaamsbewegingssessies te schatten (UNITS-APA)

Lichamelijke activiteit wordt al vele jaren aanbevolen door verschillende gezondheidsautoriteiten. Talrijke studies hebben inderdaad de effecten aangetoond van fysieke activiteit op de kwaliteit van leven, het verkrijgen van autonomie en het verminderen van functionele beperkingen bij ouderen. Dit probleem wordt meer en meer aanwezig met de toename van de levensverwachting, waardoor de prevalentie toeneemt van individuen die de status van bejaarde bereiken. Deze prognoses suggereren dat steeds meer mensen zullen moeten leven met de gevolgen van ouderdom. Vanuit dit oogpunt is het beheer van deze mensen door middel van aangepaste lichaamsbeweging noodzakelijk om het gezondheidssysteem te ontlasten door de risico's op kwetsbaarheid en dus ziekenhuisopname bij ouderen te beperken. Om aangepaste fysieke activiteit te bevorderen, is het de taak van specialisten op dit gebied om fysieke activiteitssessies op te zetten die de neurocognitieve, neuromusculaire en cardiorespiratoire aspecten stimuleren door middel van balans, spierversterking en aerobe oefeningen. Deze sessies zullen worden gedefinieerd op basis van verschillende criteria, zoals pathologie, prestatieniveau van de oefeningen en de waargenomen moeilijkheidsgraad van de sessie. Voor deelnemers is de meest gebruikelijke kwantificeringsmethode de Borg Rating of Perceived Exertion (RPE)-schaal. Deze maatstaf bestaat uit het meten van de perceptie van inspanning op een schaal van 6 voor "geen waargenomen inspanning" tot 20 voor "maximale inspanning". Het gebruik van deze tool heeft het voordeel dat het een sterke correlatie heeft met de hartslag bij matige intensiteiten. Deze verschillende parameters stellen de aangepaste fysieke activiteitsingenieur in staat om een ​​trainingsbelasting te bepalen op basis van deze verschillende parameters. Deze trainingsbelasting maakt het vervolgens mogelijk om de volgende sessie(s) zo goed mogelijk aan te passen aan de functionele capaciteiten van de deelnemers en zo de behandeling van deze mensen te individualiseren. Deze trainingsbelasting is echter subjectief. Voor professionals in aangepaste fysieke activiteit is de kwantificering van de trainingsbelasting van de verschillende sessies gebaseerd op persoonlijke ervaring. Deze methode is moeilijk te kwantificeren en te generaliseren naar andere professionals. Evenzo is het gevoel van de moeilijkheid van de sessie specifiek voor elke deelnemer. De kwantificering van de RPE wordt sterk beïnvloed door de laatste oefeningen van de sessie en het groepseffect. Om deze beperking aan te pakken, zijn verschillende tools ontwikkeld. Een van de meest voorkomende oplossingen is het gebruik van een hartslagmeter. Het voordeel van deze sensor is de kwantificering van de hartslag tijdens de sessie zonder de subjectieve interindividuele vooringenomenheid. Deze methode van kwantificeren heeft echter een slechte correlatie met de trainingsbelasting van spierversterking. Deze beperking heeft een sterke impact op de schatting van aangepaste activiteitssessies vanwege het grote aandeel oefeningen gericht op het neuromusculaire aspect. Om dit probleem aan te pakken, zou de analyse van menselijke bewegingen een aanvullend hulpmiddel zijn om het energieverbruik te schatten op basis van de verschillende soorten oefeningen die tijdens de sessies worden voorgesteld. Deze analyse is enorm vergemakkelijkt met de komst van deep learning voor de classificatie van verschillende bewegingen volgens de kinematica van de beweging of actimetrie. Hierbij springen twee meetsystemen in het oog. Enerzijds is de Actigraph een van de meest gebruikte tools op dit gebied om de trainingsbelasting te kwantificeren volgens de door de accelerometer berekende magnitudevector. Deze trainingsbelasting wordt geïdentificeerd als laag, matig of hoog, afhankelijk van de activiteiten die door de sensor worden geregistreerd. Aan de andere kant is het gebruik van dieptecamera's om het menselijk lichaam te segmenteren een snel evoluerend gebied. De gegevens die met dit meetsysteem worden verzameld in combinatie met deep learning, kunnen een breed scala aan bewegingen van meerdere personen tegelijk classificeren. Het gebruik van deze meetsystemen zou een beter inzicht kunnen geven in de inschatting van de werkdruk. Inderdaad, de associatie van de classificatie van oefeningen met het tijdstip van uitvoering en het aantal herhalingen in combinatie met de hartslag zou het mogelijk maken om een ​​nauwkeurig energieverbruik te hebben in ecologische omstandigheden. Deze gegevens zouden een meer precieze individualisering mogelijk maken van het beheer van ouderen voor aangepaste lichaamsbewegingssessies. Dit soort gepersonaliseerde zorg voor kwetsbaarheid zou deel uitmaken van de toekomstige uitdagingen van gezond ouder worden.