Advertisement

Der Nervenarzt

, Volume 90, Issue 8, pp 787–795 | Cite as

„Wearables“ in der Behandlung neurologischer Erkrankungen – wo stehen wir heute?

  • Jochen KluckenEmail author
  • Till Gladow
  • Johannes G. Hilgert
  • Marc Stamminger
  • Christian Weigand
  • Björn Eskofier
Leitthema
  • 135 Downloads

Zusammenfassung

Aus dem Fitness- und Lifestylebereich dringen die tragbaren Sensoren – die sog. „wearables“ – zunehmend in die medizinische Versorgungs- und Studienlandschaft. Unterschiedliche Funktionsstörungen im Bereich der neurologischen Erkrankungen eignen sich dabei trefflich, um mithilfe von Wearables patientenzentrierte Parameter und Informationen zu erheben, die zur Prävention, Prädiktion, Diagnostik- und Therapieunterstützung genutzt werden können. Für eine Anwendung im medizinischen Kontext sind jedoch Besonderheiten zu beachten, die in dem vorliegenden Übersichtsartikel beleuchtet werden. Für den anwendenden Arzt ist es bei Studien bzw. in der individuellen Versorgung der Patienten wichtig, die Technologie hinter den Wearables besser zu verstehen, die technischen und klinischen Validierungsanforderungen zu erkennen und die unterschiedlichen Nutzungsszenarien zu identifizieren. Nur so kann die hohe Erwartung an einen Sensor, der bessere Parameter aus dem häuslichen Alltag der Patienten erfassen kann, erfüllt werden. Anhand relevanter neurologischer Funktionsstörungen wird dieser Transfer vom Diagnostiklabor in den Versorgungsalltag der Ärzte und das echte Leben der Patienten erläutert. Während z. B. die Schlafdiagnostik bereits sehr weit entwickelt ist, da die Testumgebung – das Bett – sehr gut definiert ist, befindet sich die Wearable-basierte Diagnostik bei anderen komplexen Körperfunktionen noch in den Anfangsstadien der Forschung und Entwicklung.

Schlüsselwörter

Tragbare Sensoren Home-Monitoring Bewegungserkrankung Big Data Ganganalyse 

Wearables in the treatment of neurological diseases—where do we stand today?

Abstract

Fitness and lifestyle trackers raise the awareness for wearable sensors in medical applications for clinical trials and healthcare. Various functional impairments of patients with neurological diseases are an ideal target to generate wearable-derived and patient-centered parameters that have the potential to support prevention, prediction, diagnostic procedures and therapy monitoring during the clinical work-up; however, substantial differences between clinical grade wearables and fitness trackers have to be acknowledged. For the application in clinical trials or individualized patient care distinct technical and clinical validation trials have to be conducted. The different test environments under laboratory conditions during standardized tests or under unsupervised home monitoring conditions have to be included in the algorithmic processing of sensor raw data in order to enable a clinical decision support under real-life conditions. This article presents the general understanding of the technical application for the most relevant functional impairments in neurology. While wearables used for sleep assessment have already reached a high level of technological readiness due to the defined test environment (bed, sleep), other wearable applications, e.g. for gait and mobility during home monitoring require further research in order to transfer the technical capabilities into real-life patient care.

Keywords

Mobile sensors Home-monitoring Movement disorder Big Data Gait analysis 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

J. Klucken, T. Gladow, J.G. Hilgert, M. Stamminger, C. Weigand und B. Eskofier geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Literatur

  1. 1.
    Beauchet O, Allali G, Sekhon H et al (2017) Guidelines for assessment of gait and reference values for Spatiotemporal gait parameters in older adults: the biomathics and Canadian gait consortiums initiative. Front Hum Neurosci 11:353CrossRefGoogle Scholar
  2. 2.
    Dunn J, Runge R, Snyder M (2018) Wearables and the medical revolution. Per Med 15:429–448CrossRefGoogle Scholar
  3. 3.
    Eskofier BM, Lee SI, Daneault JF et al (2016) Recent machine learning advancements in sensor-based mobility analysis: Deep learning for Parkinson’s disease assessment. Conf Proc IEEE Eng Med Biol Soc 2016:655–658Google Scholar
  4. 4.
    Espay AJ, Bonato P, Nahab FB et al (2016) Technology in Parkinson’s disease: challenges and opportunities. Mov Disord 31:1272–1282CrossRefGoogle Scholar
  5. 5.
    Espay AJ, Hausdorff JM, Sanchez-Ferro A et al (2019) A roadmap for implementation of patient-centered digital outcome measures in Parkinson’s disease obtained using mobile health technologies. Mov Disord.  https://doi.org/10.1002/mds.27671 Google Scholar
  6. 6.
    Halcox JPJ, Wareham K, Cardew A et al (2017) Assessment of remote heart rhythm sampling using the aliveCor heart monitor to screen for atrial fibrillation: the REHEARSE-AF study. Circulation 136:1784–1794CrossRefGoogle Scholar
  7. 7.
    Ito E, Inoue Y (2015) The international classification of sleep disorders, third edition. American Academy of Sleep Medicine. Includes bibliographies and index. Nippon Rinsho 73:916–923Google Scholar
  8. 8.
    Klucken J, Friedl K, Eskofier B et al (2015) Enabling technologies for parkinson’s disease management. IEEE J Biomed Health Inform 19:1775–1776CrossRefGoogle Scholar
  9. 9.
    Klucken J, Barth J, Kugler P et al (2013) Unbiased and mobile gait analysis detects motor impairment in parkinson’s disease. PLoS ONE.  https://doi.org/10.1371/journal.pone.0056956 Google Scholar
  10. 10.
    Klucken J, Kruger R, Schmidt P et al (2018) Management of parkinson’s disease 20 years from now: towards digital health pathways. J Parkinsons Dis 8:S85–S94CrossRefGoogle Scholar
  11. 11.
    Knitzka J, Vossen D, Geffken I et al (2018) Nutzung von Medizin-Apps und Online-Plattformen unter deutschen Rheumatologen. Z Rheumatol.  https://doi.org/10.1007/s00393-018-0578-3 Google Scholar
  12. 12.
    Li S, Chiu C (2018) A smart pillow for health sensing system based on temperature and humidity sensors. Sensors.  https://doi.org/10.3390/s18113664 Google Scholar
  13. 13.
    Maetzler W, Klucken J, Horne M (2016) A clinical view on the development of technology-based tools in managing Parkinson’s disease. Mov Disord 31:1263–1271CrossRefGoogle Scholar
  14. 14.
    Maetzler W, Kruger R, Muller T et al (2016) Wearable technique for the assessment of parkinson symptoms: what’s the future? Fortschr Neurol Psychiatr 84(Suppl 1):S48–S51Google Scholar
  15. 15.
    Marino M, Li Y, Rueschman MN et al (2013) Measuring sleep: accuracy, sensitivity, and specificity of wrist actigraphy compared to polysomnography. Sleep 36:1747–1755CrossRefGoogle Scholar
  16. 16.
    Marxreiter F, Gassner H, Borozdina O et al (2018) Sensor-based gait analysis of individualized improvement during apomorphine titration in Parkinson’s disease. J Neurol.  https://doi.org/10.1007/s00415-018-9012-7 Google Scholar
  17. 17.
    Moon Y, Mcginnis RS, Seagers K et al (2017) Monitoring gait in multiple sclerosis with novel wearable motion sensors. PLoS ONE 12:e171346CrossRefGoogle Scholar
  18. 18.
    Odin P, Chaudhuri KR, Volkmann J et al (2018) Viewpoint and practical recommendations from a movement disorder specialist panel on objective measurement in the clinical management of Parkinson’s disease. Parkinsons Dis 4:14CrossRefGoogle Scholar
  19. 19.
    Park KS, Choi SH (2019) Smart technologies toward sleep monitoring at home. Biomed Eng Lett 9:73–85CrossRefGoogle Scholar
  20. 20.
    Penzel T, Schobel C, Fietze I (2018) New technology to assess sleep apnea: wearables, smartphones, and accessories. F1000Res 7:413CrossRefGoogle Scholar
  21. 21.
    Popovic D, Khoo M, Westbrook P (2014) Automatic scoring of sleep stages and cortical arousals using two electrodes on the forehead: validation in healthy adults. J Sleep Res 23:211–221CrossRefGoogle Scholar
  22. 22.
    Rampp A, Barth J, Schulein S et al (2015) Inertial sensor-based stride parameter calculation from gait sequences in geriatric patients. IEEE Trans Biomed Eng 62:1089–1097CrossRefGoogle Scholar
  23. 23.
    Sadeh A (2011) The role and validity of actigraphy in sleep medicine: an update. Sleep Med Rev 15:259–267CrossRefGoogle Scholar
  24. 24.
    Salarian A, Horak FB, Zampieri C et al (2010) iTUG, a sensitive and reliable measure of mobility. IEEE Trans Neural Syst Rehabil Eng 18:303–310CrossRefGoogle Scholar
  25. 25.
    Schlachetzki JCM, Barth J, Marxreiter F et al (2017) Wearable sensors objectively measure gait parameters in Parkinson’s disease. PLoS ONE 12:e183989CrossRefGoogle Scholar
  26. 26.
    Schlack R, Hapke U, Maske U et al (2013) Häufigkeit und Verteilung von Schlafproblemen und Insomnie in der deutschen Erwachsenenbevölkerung – Ergebnisse der Studie zur Gesundheit Erwachsener in Deutschland (DEGS1). Bundesgesundheitsblatt 56:740–748CrossRefGoogle Scholar
  27. 27.
    Tantinger D, Feilner S, Schmitz D et al (2012) Evaluation of QRS detection algorithm implemented for mobile applications based on ECG data acquired from sensorized garments. Biomed Tech Eng 57:635–638Google Scholar
  28. 28.
    Tuominen J, Peltola K, Saaresranta T et al (2019) Sleep parameter assessment accuracy of a consumer home sleep monitoring ballistocardiograph beddit sleep tracker: a validation study. J Clin Sleep Med 15:483–487CrossRefGoogle Scholar
  29. 29.
    Witchel HJ, Oberndorfer C, Needham R et al (2018) Thigh-derived inertial sensor metrics to assess the sit-to-stand and stand-to-sit transitions in the timed up and go (TUG) task for quantifying mobility impairment in multiple sclerosis. Front Neurol 9:684CrossRefGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  • Jochen Klucken
    • 1
    • 2
    • 3
    Email author
  • Till Gladow
    • 2
  • Johannes G. Hilgert
    • 2
  • Marc Stamminger
    • 4
  • Christian Weigand
    • 2
    • 4
  • Björn Eskofier
    • 5
    • 6
  1. 1.Molekulare NeurologieUniversitätsklinikum ErlangenErlangenDeutschland
  2. 2.Medical Valley Digital Health Application CenterBambergDeutschland
  3. 3.AG Digital Health PathwaysFraunhofer IISErlangen-TennenloheDeutschland
  4. 4.Graphische DatenverarbeitungFriedrich-Alexander-Universität Erlangen-NürnbergErlangenDeutschland
  5. 5.AG Mobile Health LabFraunhofer IISBambergDeutschland
  6. 6.MaD LabFriedrich-Alexander-Universität Erlangen-NürnbergErlangenDeutschland

Personalised recommendations