En träningsplattform med balanserad räckvidd för att hantera balansstörningar hos äldre och neurologiskt funktionshindrade veteraner (BATP)

Översikt: Denna studie omfattar tre specifika mål (SA): SA-1) Utveckling av Balanced Reach Training Protocol (BRTP). SA-2) Bedömning av BRTP:s träningseffektivitet. SA-3) Bedömning av BRTP:s tidsförlopp för motorisk inlärning.

Metoder relaterade till specifikt mål 1: Utveckling av BRTP SA-1.1: Utveckling av BRTP:s bedömningsmodul. Utredarna kommer att utveckla en BRTP så att varje fots position och dess tillhörande vertikala markreaktionskraft (används för att detektera steg), mätt av utredarnas befintliga mätsystem, kontinuerligt strömmas till en realtidsberäkningsarbetsstation och läses av den experimentella kontrollen program, vilket gör det möjligt för den att kontinuerligt övervaka dessa kvantiteter. Utredarna kommer sedan att införliva en adaptiv trappalgoritm i det experimentella kontrollprogrammet i realtid, som kommer att fastställa målskivans position som motsvarar försökspersonens Limit of Balance (LoB), baserat på stegning. Utredarna kommer att fastställa LoB som motsvarar sju målskivors rörelseriktningar, var och en motsvarar en viss riktning av Masscentrum (CoM) Motion. Målrörelse kommer att programmeras att röra sig oförutsägbart inom ett litet cirkulärt område med centrum r och centrumlinje som sammanfaller med en av de specificerade riktningslinjerna. Försökspersonen spårar sedan målet med sitt dominerande pekfinger. Den adaptiva trappalgoritmen ökar r in-rementellt, vilket gör att målet flyttar sig bort från motivet tills motivet (som bär en sele för att skydda sig mot att falla) måste kliva för att undvika en förlust av balans, vid vilken punkt r minskas med ett visst steg och processen upprepas. Under denna uppgift kommer försökspersonen att instrueras att kliva i stället för att begränsa sina spårningsrörelser när de tror att de riskerar att falla. Graden till vilken r ökas och minskas beror på patientens tidigare stegsvar och bestäms av den adaptiva trappalgoritmen. När denna process fortsätter utvecklar algoritmen en maximal sannolikhetsuppskattning av värdet av r som anropar stegning. När denna uppskattning faller inom det önskade konfidensintervallet (här 95%) avslutas processen; och LoB beräknas från de associerade kraftplattans och kroppssegmentpositionsmätningarna. Diskförskjutning längs de sju riktningarna kommer att presenteras för försökspersonen i slumpmässig ordning.

De sju värdena på r som bestäms av den adaptiva trappalgoritmen kommer sedan att reduceras med 5 % och en ellips anpassas till dem. Skivan kommer att programmeras att röra sig oförutsägbart i 90 sekunder enligt samma summa-of-sinus-funktion som användes tidigare, inom ett band centrerat på denna ellips; och försökspersoner kommer att spåra det. Denna bana kommer att hålla försökspersonerna vid eller nära deras LoB (och vid gränserna för deras balansförmåga) under hela spårningsuppgiften. Att etablera LoB på detta sätt eliminerar subjektiviteten som är inneboende i befintliga kliniska mätningar av LoB, och tar också hänsyn till försökspersoners ovannämnda osäkerhet när det gäller att korrekt uppfatta deras balanstillstånd och gräns för balans. Utredarna tror att detta tillvägagångssätt också mer exakt simulerar de verkliga förhållanden som människor faller under, och att LoB kommer att vara ett bättre mått på individers faktiska balansförmåga. Dessutom tillhandahåller den ett antal andra psykofysiska mått och funktioner för att bättre förstå och beskriva den roll som de perceptuella och sensoriska processerna spelar för att fastställa obalanserade tillstånd.

Bedömningsmodulen kommer att registrera följande data för att karakterisera prestanda i spårningsuppgiften

1. Värdena på r, och LoB som motsvarar var och en (fig. 7A och 1);
2. Rörelsen (position kontra tid) för målskivan;
3. Rörelsen för vart och ett av 15 kroppssegment (tabell 1) och spetsen på spårfingret (mätt av utredarnas Vicon Motion Capture System);
4. Markreaktionskrafter, moment och CoP för varje fot och för båda fötterna kombinerat (dubbla Bertec-kraftplattor); Objekt 1 samlas in under den adaptiva trappan. Föremålen 2, 3 och 4 samlas in under både den adaptiva trappuppgången och den efterföljande spårningsuppgiften (liksom träningsmatcherna, se SA-2.1). All data kommer att sparas för offline bearbetning och analyser efter testet.

SA-1.2: Utveckla BRTP:s utbildningsmodul. Ett enda träningspass börjar med att administrera utvärderingsmodulen för att fastställa ämnets LoB och motsvarande övergripande målexkursionsamplitud, och beräkna den oförutsägbara målskivans bana baserat på den. Träningsmodulen presenterar sedan ett operatörsspecificerat antal träningspass; varav en enda består av att presentera banan för försökspersonen att spåra i fyra minuter utan att trampa, följt av en tre minuters sittvila. Prestandadata registreras under hela spårningsperioden. Träningspasset och viloperiodens längd kan varieras (med målet att ett träningspass ger 60 minuters faktisk träning) för att optimera träningseffektiviteten och tillgodose individuella ämnesbehov och förmågor. Ämnen kommer att utnyttjas när de utför spårningsuppgiften för att skydda sig mot att falla. Allt eftersom träningen fortskrider och försökspersonens prestanda förbättras, kommer BRTP att presentera allt svårare målbanor baserat på de ökade LoBs och motsvarande övergripande målexkursionsamplituder som mäts av Assessment Module i början av varje träningspass.

Metoder relaterade till specifikt mål 2: Bedömning av BRTP:s träningseffektivitet SA-2.1: Genomför BRTP- och MCET-utbildningsprotokollen. Alla ämnestestning utförs i detta specifika syfte. Utredarna kommer att undersöka 90 äldre män och kvinnor med hög fallrisk, registrera 80 av dessa och slutföra utbildning för 68, med antagande om en total avgångsgrad på 25 %.

Ämnen kommer att slumpmässigt tilldelas antingen BRTP- eller MCET-utbildningsgruppen. Varje grupp kommer att få 60 minuters träning tre gånger i veckan under sex veckor. BRTP-träning är som beskrivits tidigare (se SA-1.2). VA Maryland-teamet utvecklade ett MCET-protokoll för äldre personer med balans- och rörelsehinder. Programmet är individuellt anpassat efter varje deltagares kapacitet utifrån deras balansprofil och uthållighetsnivå. Under de sex veckorna avancerar träningen från fem "grundläggande" övningar som är nödvändiga för instrumentella aktiviteter i det dagliga livet till 13 övningar, eftersom deltagarna möter mätvärden för träningssäkerhet och rörelsekvalitet. Standardiserade progressioner för varje övning avancerar enligt nivån på handkontaktstöd som krävs, dos (varaktighet, set och repetitioner), intensitet (rörelseamplitud och kadens) och multi-segmentell motorisk utmaning eller komplexitet. Träningskadensen justeras upp för att ge en större utmaning för aerob kondition och justeras ned för att underlätta större resistiv träningsfördel (dvs. hålla en knäböj längre) eller för att tillgodose deltagarens trötthetsnivå. MCET-träning kommer att utföras i grupp.

Alla ämnen kommer att bedömas med de kliniska balansmåtten (se nedan) och BRTP Assessment Module vid samma tidpunkter före, under och efter träning (se SA-2.2).

Resultatmått: Följande "kliniska mått" för balans, räckvidd och fallrisk kommer att användas för att bedöma träningseffekter som induceras av BRTP och MCET.

1. Multi-Directional Reach Test
2. Falls Efficacy Scale, som bedömer FoF
3. Fysiologisk profilbedömning (PPA)
4. Tinetti Balanstest (Balansektion)
5. Mini Balance Evaluation Systems Test (Mini-BESTest)
6. DASH-test (handikapp i arm, axel och huvud).

7. Fall som varje ämne upplevt, samt de förhållanden under vilka de fallit, under och under det första året efter utbildningen.

   Dessa åtgärder kommer att erhållas på en separat dag från BRTP:s bedömnings- och utbildningsprocedurer för att inte trötta ut testpersonerna i onödan. Utredarna kommer också att använda följande BRTP-baserade mått på balans och räckvidd.

8. RMSE
9. RMSD-Primärt resultatmått
10. Genomsnittlig SoB
11. LoB RMSD kommer att vara utredarnas primära resultatmått. SA-2.2: Bedöm träningseffektiviteten av BRTP-träning i jämförelse med MCET. Före utbildningen kommer försökspersonerna att genomgå dubbla baslinjetester med 48 timmars mellanrum med de kliniska mätningarna och de BRTP-relaterade mätningarna. Denna bedömning kommer att upprepas halvvägs under träningen (tre veckor efter träningens början), omedelbart efter träningen och sex veckor efter det sista träningspasset (retention). Även om utredarna inkluderar ett antal kliniska och BRTP-relaterade prestationsmått i bedömningen av träningseffektivitet, kommer RMSD att vara utredarnas primära resultatmått. Det primära syftet med denna studie är att bedöma effektiviteten av BRTP för att förbättra balansen. Det är möjligt att även om både BRTP och MCET förbättrar balansen kan storleken på skillnaden i förbättring mellan grupper vara liten. Som en konsekvens av det relativt blygsamma antalet försökspersoner som utredarna kommer att testa (ett resultat av testets krav och de begränsade medel som finns tillgängliga för att stödja testningen) kan utredarna inte visa någon skillnad mellan grupperna. För att kunna visa att varje intervention är effektiv kommer utredarna att testa försökspersoner två gånger vid baslinjen och jämföra förändringen under denna icke-interventionsperiod separat med förändringen som orsakas av varje aktiv intervention. Utredarnas balansrelaterade kliniska mått har visat sig korrelera med fallrisk och rädsla för att falla (FoF). Kliniskt betydelsefulla förbättringar av träningsgruppens prestation baserat på de kliniska måtten kommer att indikera att BRTP förbättrar balansfunktionen och minskar fallrisken.

Utredarna kommer också att begära att försökspersonerna rapporterar eventuella fall som de råkar ut för under utbildningsperioden och under vilka förhållanden de fallit. När försökspersonerna har slutfört utbildningen kommer utredarna att kontakta dem varje månad via e-post, sociala medier eller genom att använda stämplade returadressvykort för att få höstinformation; och följ per telefon för att få reda på de förhållanden under vilka de föll.

Statistisk analys och förväntade resultat: Utredarna kommer att börja med Exploratory Data Analysis utformad för att hitta extrema värden, som kommer att kontrolleras för att säkerställa att det inte finns några transkriptionsfel. Utredarna kommer att ha data vid fem tidpunkter, baseline 1 (B1) baseline 2 (B2), mid-training (MT), post-training (PT) och retention sex veckor efter det sista träningspasset (R). Utredarna kommer att använda upprepade åtgärder ANOVA (SAS proc mixed) där den beroende variabeln kommer att vara förändringen inom person från en tidsperiod till nästa, d.v.s. B2-B1, MT-B2, PT-MT, R-PT. Modellen kommer att justeras för grupp (BRTP, MCET); tidsperiod (baslinje [B1 till B2], tidig träning [B2 till MT], sen träning [MT-PT], övergripande träning (B2-PT], retention [PT till R]) och en tidsperiod x gruppinteraktion. Om utredarna finner en signifikant period x gruppeffekt kommer utredarna att använda lämpliga post-hoc jämförelser för att bestämma de tidpunkter som visar signifikanta skillnader. Utredarna kommer att använda linjära kontraster 1) för att visa effektiviteten av BRTP och MCET genom att jämföra medelförändringen mellan båda grupperna under baslinjen med medelförändringen inom var och en av de två grupperna under träning; 2) att jämföra effektiviteten av BRTP med den för MCET genom att jämföra förändringarna inom gruppen under träning; och 3) att jämföra de två interventionernas förmåga att åstadkomma en långvarig förbättring av balansen genom att jämföra den procentuella förändringen under retention. Utredarna kommer att använda AICC, en modifiering av Akaikes informationskriterier, för att bestämma kovariansstrukturen [t.ex. ostrukturerad, sammansatt symmetri och första ordningens autoregressiv (AR(1)] som bäst svarar för den seriella autokorrelationen av upprepade observationer erhållna från samma individ.

Innan utredarna accepterar resultat från analyserna kommer utredarna att försäkra sig om att data överensstämmer med analysernas antaganden (t.ex. normalfördelning av residualer), och att inget datum har överdrivet inflytande eller hävstångseffekt (t.ex. Cook's D). Utredarna kommer att använda multipel imputering för att imputera uppföljningsdata för försökspersoner som saknar värden. Varje primär hypotes kommer att testas oberoende av de andra. Utredarna kommer att anse att ett tvåsidigt test p<0,05 indikerar statistisk signifikans. Utredarna förväntar sig att BRTP är effektivare för att förbättra funktionell balans än MCET, och att denna förbättring kommer att vara sex veckor efter träning. Utredarna förväntar sig vidare att förbättringen är kliniskt signifikant.

För att jämföra fallhastigheter mellan BRTP- och MCET-utbildningsgrupperna kommer utredarna att använda Poisson-regression där utredarna kommer att använda Liangs och Zeigers allmänna skattningsekvationer för att redogöra för den seriella autokorrelationen av upprepade mätningar från samma ämne.

Metoder relaterade till specifikt mål 3: Bedömning av BRTP:s tidsförlopp för motorisk inlärning.

SA-3.1: Bedöm BRTP:s tidsförlopp för motorisk inlärning. Förutom att jämföra den övergripande träningseffektiviteten och bibehållandet av BRTP och MCET, kommer analyserna av SA-2.2 också att ge en grov profil av varje träningsprograms tidsförlopp för övergripande motorisk inlärning. Dessa analyser kommer att baseras på de tidigare specificerade kliniska mätningarna av balans och de BRTP-baserade mätningarna, erhållna vid fem tidpunkter före, under och efter träning. Mer frekventa tidpunkter kunde inte specificeras eftersom de manuella bedömningar som krävs för att erhålla de kliniska åtgärderna för så många försökspersoner är för tidskrävande för att tillåta detta.

Newell, et.al. har noterat att för ett dynamiskt system som det mänskliga balanssystemet är träningsinducerade förändringar i prestationsförmåga över tid (dvs motorisk inlärning) en aggregering av prestationsförändringarna hos de element som utgör det. Dessa elementära förändringar pågår under kortare tidsperioder än de mätintervall som specificerats ovan. En djupare undersökning av prestanda i BRTP över en finare tidsskala skulle inte bara ge en mer detaljerad motorisk inlärningsprofil, den skulle göra det möjligt för oss att kvalitativt och kvantitativt karakterisera några av de viktigare elementära prestationsförändringarna som driver den övergripande inlärningsprofilen, särskilt de förändringar förknippade med den högre nivån för prediktiva och motoriska planeringsprocesser. De kliniska måtten är inte lämpliga för denna analys, även om de skulle kunna mätas oftare, eftersom de inte direkt mäter prestanda i BRTP. De BRTP-baserade åtgärderna gör det dock och kommer att registreras med nödvändig frekvens. Data från vilka SoB, RMSE och RMSD beräknas kommer automatiskt att registreras kontinuerligt under varje träningspass.

Denna analys involverar utveckling och tolkning av input-output polynommodeller och empiriska överföringsfunktioner som beskriver spårnings- och balansprestanda. Den polynommodell som utredarna kommer att använda är en AutoRegressive, Moving Average, eXogenous input (ARMAX) modell, som har formen A(q)y(ti)=B(q)u(ti-nk)+C(q) e(ti)1 För ett givet system är tidsserien y(ti) systemets svar, registrerat vid diskreta tidpunkter ti; u(ti-nk) är indata till systemet; och e representerar residualerna som inte redovisas av de andra termerna i modellen. A, B och C är polynomfunktioner för tidsförskjutningsoperatorn q; och n är antalet diskreta tidssteg med längden k sek, representerande systemets svarsfördröjning. För spårningssystemet är y spårningsfel (skivposition-fingerposition) och u är målskivposition. För balanssystemet är y SoB och u följer fingerpositionen; eftersom SoB styrs för att stödja spårningsuppgiften. Modellerna konstrueras genom att bestämma det optimala antalet termer i var och en av A-, B- och C-polynomfunktionerna (vanligtvis 1-4), och värdena på dessa termers konstanta koefficienter som resulterar i den bästa anpassningen till data, i känslan av att minimera summan av kvadrerade avvikelser. Denna process kommer att utföras med hjälp av MatLabs System Identification Toolbox.

Polynommodeller separerar ett systems underliggande responsdynamik [given av A(q) y*(ti) = B(q)u(ti-nk)] från de oförklarade avvikelserna från detta svar [C(q)e(ti)], gör det möjligt för oss att mer exakt karakterisera systemets input-output-förhållande och arten av avvikelserna. Svarsförseningar uppskattas också. Strukturen för tracking error-modellens polynomfunktioner A(q) och B(q) (antal och storlek på deras konstanta koefficienter) ger både en kvalitativ och kvantitativ beskrivning av det sätt på vilket de högre nivåernas prediktiva och motoriska planeringsprocesser använder tracking error och diskrörelseinformation för att styra spårningsfingerprestanda och minimera fel. En enda koefficient skulle innebära att processerna på högre nivå använder en lågrepresentation av felprocessen eller skivrörelsen, som endast innehåller rumslig (positions)information. två eller flera koefficienter skulle innebära en rikare representation som också inkluderar hastighets- och accelerationsinformation. Större magnitudskoefficienter indikerar att deras respektive termer utnyttjas i högre grad för att utföra kontrolluppgiften. För SoB-modellen är tolkningen av A(q) mer utmanande eftersom denna funktion också beskriver mekaniken för kropps- och kroppssegmentrörelser. Tolkningen av B(q) fortsätter emellertid på samma sätt som för spårningsfel; även om utredarna här noterar att processerna på högre nivå har större kunskap om spårfingrets rörelse än målskivans, eftersom dessa processer styr den förra. Detta kan resultera i större eller större B(q)-koefficienter, såväl som minskade svarsfördröjningar i förhållande till fingerspårningsmodellen.

Diskreta Fourier Transforms (DFT) kommer att beräknas för diskrörelse och de resulterande svaren från spårfingret och hela kroppens CoM. Från dessa kommer empiriska överföringsfunktioner som relaterar målets rörelse till dessa svar att beräknas genom att dividera DFT för svaret med DFT för skivrörelsen, frekvens för frekvens. Magnitudeförstärkningar och fasfördröjningar som erhålls från de empiriska överföringsfunktionerna kommer att användas för att konstruera Bode-förstärknings- och fasdiagram för att bedöma frekvenssvaret och bandbredden för spårnings- och CoM-svaren. Bode-plots ger ett mått på hur väl systemet kan svara på sina input. Överlägsen prestanda indikeras av större bandbredd och förstärkning och lägre fasfördröjningar. Användningen av dessa metoder för att analysera balans beskrivs i.

Polynommodeller och överföringsfunktioner kommer att konstrueras för varje ämne som deltar i BRTP. Eftersom motorisk inlärning och resulterande förändringar i prestanda fortgår kontinuerligt under varje träningspass, kommer polynommodeller och överföringsfunktioner att beräknas för ett 30 sekunders fönster (innehållande 3 000 datapunkter) som går framåt över varje match i 15 sekunders intervall. Utredarna kommer också att beräkna RMSE, genomsnittlig SoB och RMSD för varje fönster. En fyra minuters träningsmatch kommer alltså att ge 15 "snapshots" av prestation över matchen. Fönsterstorlek och framstegsintervall justeras vid behov för att bäst fånga profilen av prestandaförändringar över tid. Dessa modeller, funktioner och prestationsmått kommer också att konstrueras för de två baslinjebedömningarna och retentionsbedömningen som utförs med BRTP Assessment Module (se Specifikt mål-1.1 i Metoder). Dessa modeller, funktioner och prestationsmått kommer att ge en detaljerad skildring av hur motorisk inlärning (förändringar i prestanda i BRTP) utvecklas under loppet av en träningspass, ett träningspass med flera matcher, hela träningen med flera sessioner kur och retentionsperioden.

Allt eftersom träningen fortskrider förväntar sig utredarna att spårningsfel (enligt polynommodellen) och RMSE minskar, och LoB (mätt i början av varje träningspass), SoB (per polynommodell), genomsnittlig SoB och RMSD att öka. Utredarna förväntar sig vidare att antalet och storleken på varje polynommodells A(q)- och B(q)-koefficienter kommer att öka. Detta indikerar att hjärnan utvecklar rikare och mer utarbetade mentala modeller för att kontrollera både spårnings- och balansprestanda i uppgiften med balanserad räckvidd. Utredarna förväntar sig att Bode-plotterna kommer att avslöja större bandbredd och förstärkning, och lägre fasfördröjningar; vilket indikerar att spårnings- och balanssystemen är bättre i stånd att både bearbeta sina input och svara på dem. I synnerhet förväntar sig utredarna förbättrad högfrekvent prestanda, som försämras med åldrandet. Dessa analyser och bedömningar kommer att utföras på individbasis, för att säkerställa att medelvärdesberäkning mellan ämnen inte skymmer de prestationsattribut som utredarna försöker identifiera. Om utredarna möter tillräckligt likartade prestationer över en grupp av försökspersoner kommer utredarna dock att konstruera gruppgenomsnittsmodeller, funktioner och prestationsmått för att beskriva det. Ett särskilt mål med dessa bedömningar är att avgöra om och när ämnen "platå" under loppet av de individuella träningspasserna, individuella träningspassen eller den övergripande träningsregimen. Denna information kommer att användas för att bestämma den optimala varaktigheten för var och en av dessa träningskomponenter (träningspassets längd, antal träningspass per träningspass, totalt antal träningspass).

SA-3.2: Bedöm korrelationer mellan accepterade kliniska mått på balans och BRTP-baserade mått. Implementering av BRTP innebär med nödvändighet användning av prestationsmått som är specifika för den balanserade räckviddsuppgiften, för att skräddarsy den till individuella ämnens förmåga (LoB) och mäta efterföljande prestation (LoB, SoB och RMSD). Målet med detta delmål är att bedöma graden av korrelation mellan förändringar i dessa BRTP-mått och förändringar i de kliniska mått som utredarna använder för att bedöma BRTP:s effekt på balansprestanda.

Statistisk analys och förväntade resultat: Möjligheten att jämföra prestanda i BRTP med den i kliniska balansmått är begränsad på grund av de olika mätskalorna på vilka data från BRTP och kliniska mätningar erhålls. BRTP-mått (RMSD, genomsnittlig SoB och LoB) erhålls på en kvotskala. Vissa kliniska mått erhålls också på en kvotskala, men andra erhålls på en ordinalskala. Utredarna kommer att använda Pearsons för att bedöma sambanden mellan BRTP-måtten och de kliniska mätningarna som erhållits på en kvotskala; och Spearman's för att bedöma korrelationer mellan BRTP-måtten och de kliniska mätningarna som erhållits på en ordinalskala. Utredarna förväntar sig att BRTP-måtten ska korrelera med de kliniska måtten, men att de varierar på ett "jämnare" och mer kontinuerligt sätt och uppvisar större räckvidd och känslighet. Utredarna förväntar sig att dessa korrelationer är statistiskt signifikanta, vilket ger bevis för att de BRTP-baserade balansmåtten har klinisk validitet. Eftersom Multifunctional Reach-testet, Physiological Profile Assessment, Tinetti Balance-testerna och Falls Efficacy Scale också har visat sig korrelera med fallrisk, kommer statistiskt signifikanta korrelationer av BRTP-mått med dessa att ge bevis för att de är indikativa för fallrisk. Slutligen kommer en statistiskt signifikant korrelation av LoB med Falls Efficacy Scale att ge bevis för att LoB kan fungera som ett kvantitativt mått på FoF.