gms | German Medical Science

GMDS 2013: 58. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

01. - 05.09.2013, Lübeck

Technikgestütztes, poststationäres Langzeitmonitoring von geriatrischen Frakturpatienten in der häuslichen Umgebung - GAL-NATARS Studie

Meeting Abstract

  • Marcus Apel - Medizinische Hochschule Hannover, Hannover, DE
  • Christopher Lammel-Polchau - Medizinische Hochschule Hannover, Hannover, DE
  • Lena Dasenbrock - Klinikum Oldenburg, Oldenburg, DE
  • Petra Bente - Städtisches Klinikum Braunschweig, Braunschweig, DE
  • Katharina Elbers - St. Bonifatius Hospital Lingen, Lingen, DE
  • Enno Steen - OFFIS-Institut für Informationstechnologie, Oldenburg, DE
  • Markus Meis - HörTech gGmbH, Oldenburg, DE
  • Harald Künemund - Universität Vechta, Vechta, DE
  • Hartmut Remmers - Universität Osnabrück, Osnabrück, DE
  • Klaus-Hendrik Wolf - TU Braunschweig, Braunschweig, DE
  • Matthias Gietzelt - TU Braunschweig, Braunschweig, DE
  • Jürgen Bauer - Klinikum Oldenburg, Oldenburg, DE
  • Hubertus Meyer zu Schwabedissen - Städtisches Klinikum Braunschweig, Braunschweig, DE
  • Gerald Kolb - St. Bonifatius Hospital Lingen, Lingen, DE
  • Andreas Hein - OFFIS-Institut für Informationstechnologie, Oldenburg, DE
  • Michael Marschollek - Medizinische Hochschule Hannover, Hannover, DE
  • Reinhold Haux - TU Braunschweig, Braunschweig, DE

GMDS 2013. 58. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Lübeck, 01.-05.09.2013. Düsseldorf: German Medical Science GMS Publishing House; 2013. DocAbstr.165

doi: 10.3205/13gmds013, urn:nbn:de:0183-13gmds0136

Published: August 27, 2013

© 2013 Apel et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung: Menschen im fortgeschrittenen Lebensalter weisen ein deutlich erhöhtes Sturzrisiko auf [1]. Die resultierenden Schenkelhalsfrakturen nehmen dabei eine zentrale Rolle ein [2] und das eingetretene Ereignis hat starke klinische und soziale Folgen für die Betroffenen [3], häufig einhergehend mit dem Verlust der Selbstversorgungsfähigkeit. Vor dem Hintergrund des demographischen Wandels [4] und den somit ansteigenden Fallzahlen bei parallel gegenläufiger Entwicklung verfügbarer Pflegefachkräfte [5], führt dies zu einem Versorgungsengpass. Es gilt Potentiale im Bereich von Ambient Assisted Living (AAL) interdisziplinär zu erforschen [6], um Pflegeprozesse zu unterstützen und Kosten zu begrenzen, bei gleichzeitigem Erhalt der Selbstbestimmtheit und Lebensqualität der Patienten. Geriatrische Patienten sind oftmals nach der Entlassung aus der stationären Akut- und Rehabilitationsbehandlung noch nicht wieder in der Lage sich ausreichend eigenständig zu versorgen. Risiken für erneute Stürze und Frakturen, aber auch das Entwickeln von zusätzlichen akuten oder chronischen Erkrankungen, sowie Fehl- und Mangelernährung sind gegeben [7]. Im Rahmen der GAL-NATARS Studie werden die Möglichkeiten von Sensorik im AAL-Bereich in diesem spezifischen Kontext untersucht [8], [9].

Methode: Im stationären Bereich haben sich klinische geriatrische Assessments (GA) als geeignete medizinische Entscheidungsgrundlage für das Fachpersonal bewährt (beispielsweise Barthel Index [10], Tinetti-Test [11]) und werden daher in der einjährigen Studie erstmalig nach Entlassung der Patienten für 3 Monate wöchentlich im häuslichen Umfeld durch klinische Monitore weitergeführt. Begleitend werden die Patientenwohnungen (n = 30) mit unterschiedlichen Sensoren (n = 23) an strategisch standardisierten Stellen der Wohnungen ausgestattet.

Studiendesign: Die GAL-NATARS Studie ist eine prolektive, multizentrische Beobachtungsstudie, die auf allein lebende Patienten (> 70 Jahre) ausgerichtet ist. Deren kognitive Einstufung durch den Minimental Statement Status Test [12] muss mind. 20 von 30 Punkten ergeben. In den Wohnungen werden Bewegungsmelder, Türkontakte, Erschütterungs- und Stromsensoren installiert. Zusätzlich tragen die Probanden tagsüber eigenverantwortlich einen Beschleunigungssensor an einem Gürtel. Mithilfe dieser Sensoren werden körperliche Aktivität, das Ernährungsverhalten sowie Maßnahmen der persönlichen Hygiene aufgezeichnet und mittels Funkübertragung auf einen Rechner vor Ort übertragen und gespeichert [13]. Durch die wöchentlichen Monitorvisiten wird der individuelle Genesungsverlaufdokumentiert. Zusätzlich werden die verschlüsselten Daten ausgelesen und zum Studienzentrum verschickt. Ziel der laufenden Studie ist es zu untersuchen, ob die verwendete Technik im häuslichen Umfeld unauffällig eingesetzt werden kann und in welchem Umfang diese von den Probanden akzeptiert wird [14].

Ergebnisse und Diskussion: Die unter Praxisbedingungen gewonnen Daten könnten es ermöglichen eine Verschlechterung der Funktionalität und Selbstversorgung des Patienten zu erkennen, um daraufhin durch spezifische Maßnahmen entgegen zu wirken. Ein sicheres und eigenständiges Leben würde so weiterhin möglich sein. Mögliche Muster der Sensordaten werden mit den Ergebnissen der GAs in Verbindung gebracht und so hinsichtlich ihrer klinischen Aussagekraft überprüft [15], [16]. Damit würden sich zum einen bestehende Informationslücken der Frakturnachsorge verringern, zum anderen könnte es gelingen, neu auftretende Risikokonstellationen aufzudecken. Derzeitige Ergebnisse deuten an, dass die erhobenen Sensordaten Rückschlüsse auf den Heilungsverlaufzulassen und somit klinisch nutzbar sind. Vor dem Hintergrund, dass bisher keine vergleichbare klinische Studie in diesem Kontext durchgeführt wurde, wird neben der Vorstellung der Ergebnisse auch auf das Studien-Design und die Erfahrungen der interdisziplinären Zusammenarbeit eingegangen.


Literatur

1.
Nevitt MC, Cummings SR, Hudes ES. Risk factors for injurious falls: a prospective study. Journal of Gerontology. 1991; 46:M164–M170.
2.
Hausdorff JM, Rios DA, Edelberg HK. Gait variability and fall risk in community-living older adults: a 1-year prospective study. Archives of Physical and Medical Rehabilitation. 2001; 82:1050–1056.
3.
Stevens JA, Mack KA, Paulozzi LJ, Ballesteros MF. Self-reported falls and fall-related injuries among persons aged >or=6 years--United States, 2006. Journal of Safety Research. 2008; 39:345–349.
4.
Winkels RS. Demografischer Wandel: [Challenges and opportunities for staff development and vocational training]. LIT Münster; 2007.
5.
Statistisches Bundesamt. Pflegestatistik - Pflege im Rahmen der Pflegeversicherung - Deutschlandergebnisse 2011. [accessed 7th April 2013]. Available from: https://www.destatis.de/DE/Publikationen/Thematisch/Gesundheit/Pflege/PflegeDeutschlandergebnisse.html External link
6.
Koch S. Healthy ageing supported by technology – a cross-disciplinary research challenge. Informatics for Health & Social Care. 2010 September–December; 35(3–4): 81–91
7.
Nourhashémi F, Rolland Y, Vellas B. [Prevention of falls and their consequences]. Presse Med. 2000 Jun 24; 29(22):1249-54.
8.
Haux R et al. The Lower Saxony research network design of environments for ageing: towards interdisciplinary research on information and communication technologies in ageing societies. Informatics for Health & Social Care. 2010 September–December; 35(3–4): 92–103
9.
Hein A, et al. Monitoring systems for the support of home care. Informatics for Health & Social Care. 2010 September–December; 35(3–4): 157–176.
10.
Mahoney FI, Barthel DW. Functional evaluation: the Barthel index. State Med Journal. 1965; 14:61–65.
11.
Tinetti ME. Performance-oriented assessment of mobility problems in elderly patients. J Am Geriatr Soc. 1986 Feb; 34(2):119-26.
12.
Folstein MF, Folstein SE, McHugh PR. "Mini-mental state". A practical method for grading the cognitive state of patients for the clinician. Journal of Psychiatric Research. 12 (3): 189–98.
13.
Büsching F, Bottazzi M and Wolf L. The GAL Monitoring Concept for Distributed AAL Platforms. healthcom2012.
14.
Mann WC, Marchant T, Tomita M, Fraas L, Stanton K. Elder acceptance of health monitoring devices in the home. Care Management Journal. 2001; 3:91–98.
15.
Marschollek M et al. Sensor-based Fall Risk Assessment –an Expert ‘to go’. Methods Inf Med. 2011;5:420-426.
16.
Marschollek M et al. Mining geriatric assessment data for in-patient fall prediction models and high-risk subgroups. BMC Med Inform Decis Mak. 2012 Mar 14;12:19. DOI: 10.1186/1472-6947-12-19. External link