ブログ

Mar 18, 2023

子供、大人、高齢者の歩行パラメータを測定するためのiPhone上のアップルヘルスアプリの有効性と信頼性

Rapporti scientifici Volume 13,

Scientific Reports volume 13、記事番号: 5350 (2023) この記事を引用

1250 アクセス

7 オルトメトリック

メトリクスの詳細

この研究では、さまざまな年齢層の歩行パラメータを測定するための iPhone 上の Apple Health アプリの同時有効性とテスト - 再テスト - 信頼性を評価しました。 iPhone を持った 27 人の子供、28 人の大人、28 人の高齢者が 6 分間の歩行テスト (6MWT) を完了しました。 歩行速度 (GS)、歩幅 (SL)、およびダブルサポート時間 (DST) は、ヘルスケア アプリの歩行記録から抽出されました。 慣性センサー システム (APDM Mobility Lab) を使用して歩行パラメーターを同時に収集し、同時の妥当性を評価しました。 テストと再テストの信頼性は、1 週間後に iPhone で計測された 2 台目の 6MWT によって評価されました。 Health App と APDM Mobility Lab の合意は、すべての年齢層の GS と成人/高齢者の SL については良好でしたが、すべての年齢層の DST と子供の SL については不良から中等度でした。 反復測定間の一貫性は、成人/高齢者ではすべての歩行パラメータで良好から優れており、GS と DST では中程度から良好でしたが、子供の SL では不良でした。 iPhone のヘルスケア アプリは、成人や高齢者の GS と SL を測定するのに信頼性が高く、有効です。 小児でヘルスケアアプリを使用する場合、および一般に DST を測定する場合は、どちらも有効性や信頼性が限られているため、慎重な解釈が必要です。

歩行は人間の最も一般的な移動形式であり、安全で効率的な歩行は生涯にわたって自立するための前提条件です。 悪い歩き方は、転倒、認知機能の低下、障害、死亡の危険因子であることが示されています1、2、3、4。 そのため、歩行は一般的な健康状態の重要な指標であると考えられており 5,6 、医療現場での定期的な歩行評価の臨床的関連性が強調されています。 個人の歩行は、歩く速度によって評価されることが最も多いです。 ただし、歩行は多次元であり、1 つのパラメータだけで特徴付けることはできません 7。 他の時空間的な歩行特性を定量化すると、特定の歩行パターンをより詳細に洞察でき、歩行障害とその根底にあるメカニズムを特定できるようになります。 さらに、例えば、歩幅や二重支持時間は、歩行速度とは無関係に、転倒、障害、死亡などの健康への悪影響を予測することが示されています8、9、10。

ビデオ モーション キャプチャ システム、フォース プラットフォーム、および計測器を備えた歩道は現在、定量的な歩行分析のゴールド スタンダードとみなされていますが、高価でリソースを大量に消費し、実験室環境での固定使用に限定されています 11,12。 より手頃な価格で使いやすく、制限の少ない歩行分析方法は、個人の体のさまざまな部分に取り付けられた慣性測定ユニット (IMU、加速度計、ジャイロスコープ、磁力計) に依存するウェアラブル センサー システムです。 これらは、実験室の固定システムに代わる有効かつ信頼性の高い代替手段であることが証明されており、実験室外での歩行分析も可能になります13、14、15、16、17、18。 しかし、これらのシステムは依然として特殊な機器（例、固定材、ホストコンピュータ、アクセスポイント）と、操作するために訓練を受けた担当者との直接の接触（例、IMUの取り付け、試験管理、データ処理）を必要とし、試験プロトコルは監視下に焦点を当てています。管理された条件であり、限られた期間のみをカバーします。 このようにして得られた歩行パラメータは、人が標準化された環境でどのように最適に歩くことができるか（「歩行能力」）19を指しますが、これは人が日常生活環境で実際にどのように歩くか（「歩行」）とは弱い関連性しかないことが示されています。パフォーマンス」）20、21、22、23。 この弱い関係は、追加の注意を必要とする外部の気を散らすものが存在しないときに被験者がより集中したり、過剰なパフォーマンスを示したり、評価されていることを認識しているときにできるだけ最善を尽くして歩こうとしたりすることに起因する可能性があります (「ホーソン効果」) 22,24。 日常生活における歩行はより複雑で、制御された条件下では存在しないさまざまな環境要因の影響を受けます。 短期間にわたる測定 (「スナップショット観察」) では、急激な変化が発生したときにそれを監視したり、急性の変化と時間の経過に伴う遅い変化を区別したりすることもできません。

最近のセンサー技術の進歩により、ウェアラブル センサーが登場し、日常生活において監視されずに自由に歩行しながら、より目立たず継続的に遠隔歩行を長期間にわたって監視できるようになりました 24,25,26。 スタンドアロン型 IMU は通常、特殊な弾性ベルトまたは粘着性スキンテープを使用して被験者の重心に近い腰部に配置され、数日間にわたって継続的に装着されます 1,20,27,28。 測定期間後、センサーは取り外され、生データはオフライン ソフトウェア ツールで処理および分析されます。 これらの IMU は日常生活の歩行モニタリングを可能にしますが、まだ簡単にアクセスできるわけではなく、専用の機器の必要性、センサーを装着する意欲と受け入れ、データ処理のための技術的知識に依存し、被験者の歩行に関する即時のフィードバックは提供されません。パフォーマンス。

スマートフォンは人間の生活にほぼ不可欠な部分となっています。 世界のスマートフォン ユーザーの数は 2022 年までに約 66 億人になると推定されており、世界人口の 80% 以上がスマートフォンを所有していることになります29。 現在、これらのユビキタスなモバイル電子デバイスには通常、目立たない継続的な日常生活の歩行モニタリングにも使用できる IMU が組み込まれています。 スマートフォンの遍在性、容易なアクセス性、高い受容性を考慮すると、これらの内蔵 IMU を使用して、使いやすいインターフェイスと組み合わせた歩行モニタリング、自動データ処理と分析、歩行パフォーマンスのリアルタイム レポートを行うアプリケーション (アプリ) が可能になる可能性があります。スタンドアロン IMU の制限を克服します。 小児および青少年30、若者および/または高齢者31、32、33、34、35、36、37、38、および以下の疾患を有する患者の時空間歩行パラメータを定量化するためのスマートフォンアプリの有効性および/または信頼性についての新たな証拠が現れている。 (神経) 筋肉の病理39,40,41,42。 いくつかの例外 (Apple Health、OneStep、Gait Analyzer など) を除いて、これらのアプリのほとんどは、自己管理テスト プロトコル用のマルチメディア指示を提供することで、依然として歩行能力の標準化された測定に焦点を当てており 34、35、36、39、40、標準化されたスマートフォンの配置（例：仙腸ベルト）35、36、39、42。

iPhone 上で無料でアクセスできる Apple Health アプリ (別名 HealthKit) は、iPhone をポケットに入れたままで、意識的に測定を開始することなく、ユーザーの日常生活の歩行パフォーマンスを測定する受動的で目立たない完全自動の方法を提供します。 時空間的な歩行パラメータは、ユーザーフレンドリーなインターフェイスでリアルタイムに提供され、インタラクティブなグラフで視覚化され、時間の経過とともに進行状況を確認できます。 歩行速度、歩幅、および二重支持時間を測定するための Health アプリの同時有効性が、最近、高齢者向けのゴールドスタンダードの計測器付き歩行システムで文書化されました 38。 これらの歩行パラメータのデバイス間信頼性に関する最小検出可能変化 (MDC) も、この年齢層で報告されています。 しかし、私たちの知る限りでは、高齢者よりも iPhone を所有する可能性が高い子供、青少年、若年または中年の成人などの若年層におけるヘルスケア アプリの心理測定特性に関する証拠はありません43。 さらに、年齢層とは関係なく、ヘルスケア アプリのテストと再テストの信頼性はまだ不明です。 ただし、Health アプリは日常生活の歩行パフォーマンスと変化を継続的に監視することを目的としているため、歩行に実際の変化が生じたかどうかを判断するには、歩行に変化がない個人の測定値の経時的な安定性に関する知識が不可欠です。

したがって、この研究の目的は、マルチ IMU ベースの歩行分析システムとの併用の妥当性と、子供の歩行速度、歩幅、および二重サポート時間を測定するための iPhone のヘルスケア アプリのテストと再テストの信頼性を評価することでした。大人も、シニアも。

この観察研究は、2022 年 3 月から 2022 年 8 月まで実施されました。ヘルス アプリの同時有効性を評価するために、横断的なデザインが使用されました。 テストと再テストの信頼性は、1 週間の間隔で 2 回のテスト セッションを行う前向きデザインを使用して評価されました。 この研究はヘルシンキ宣言のガイドラインに従って実施され、ハイデルベルク医学部の倫理委員会によって承認された（S-042/2022、2022年1月1日）。 研究に含める前に、すべての参加者（および18歳未満の参加者の法的保護者）から書面によるインフォームドコンセントを得た。 この研究は、ドイツ臨床試験登録簿 (DRKS00028074) に前向きに登録されました。

参加者は 3 つのグループに集められました: (1) プロサッカークラブ (TSG ホッフェンハイム eV) のユースチームに所属する 12 歳から 17 歳の子供、(2) 子供の両親、研究の知人からの 18 歳から 64 歳の大人チーム、およびドイツの老人病院のスタッフ、および（3）研究センターで実施された以前の研究の健康な集団に属する65歳以上の高齢者。 参加基準は、年齢 12 歳以上、適切なドイツ語スキル、身体的課題を実行し研究指示を理解する能力、および書面によるインフォームドコンセント (法的保護者からの) でした。 除外基準は、重度の筋骨格系、心血管系、神経系、感覚系、認知系、または精神系の障害および急性疾患または傷害でした。

サンプル サイズは、方法 (ヘルス アプリと APDM モビリティ ラボ) 間の一致に関する事前の検出力分析と反復測定 (テスト vs 再テスト) に基づいて、各年齢グループで n ≥ 27 と推定され、ICC は次のように推定されました。 2 つの測定値 (k = 2、ヘルス アプリと APDM モビリティ ラボ) の許容 ICC は 0.90、許容 ICC は 0.70、統計検出力 (1 − β) は 0.80、有意水準 (α) は 0.0544、ドロップアウト率の可能性あり15％。

年齢、性別、慢性疾患（はいまたはいいえ）を含む人口統計および臨床的特徴は、標準化された面接によって得られました。 体重状態は体格指数（BMI）を使用して評価され、低体重、標準体重、過体重に分類されました45。 認知状態は、短期見当識・記憶・集中テストで評価されました46。 自己申告による健康状態は、EuroQol 5-Dimensions 3-Levels アンケート (EQ-5D-3L) のインタビューフォームと EQ Visual Analogue Scale (EQ VAS) によって決定されました47,48。 身体機能は、握力 (JAMAR® PLUS + Dynamometer、Performance Health Supply Inc.、米国ウィスコンシン州シーダーバーグ)49 を使用して測定され、ヨーロッパ (子供) 50 またはドイツ (成人および成人) に従って低、正常、高に分類されました。高齢者）51の規範値。 身体活動 (PA) は、国際身体活動質問票 (IPAQ-SF)52 を使用して評価されました。 IPAQ-SF スコアリング プロトコルに従って、PA レベルは低、中、高に分類されました53。 すべてのアンケートとテスト手順は、事前に管理に関する広範なトレーニングを受けた研究助手によって標準化された条件下で実施されました。

歩行パラメータは、6 分間の歩行テスト (6MWT) 中にヘルス アプリを介して取得されました。参加者は、ズボンの右前ポケットに iPhone (モデル: SE 64 GB、iOS ソフトウェア バージョン: 15.4) を入れ、ディスプレイを備えた状態で完了しました。参加者の方を向いて。 参加者は、折り返し点を示すために両端にコーンを設置した平坦で真っ直ぐな20メートルの歩道に沿って、いつもの快適なペースで6分間歩き続けるように指示された。 回転方向は、コーンの周りを反時計回りに歩くように標準化されました。 テスト管理者は、参加者のポケットに iPhone を入れる前に、参加者ごとに個人情報 (生年月日、性別、身長、体重) をヘルスケア アプリに入力し、6MWT の開始時刻を正確にメモしました。ラップ番号と巻尺によって合計歩行距離を測定しました。 開始合図の前と終了合図の後、参加者はその後のデータ抽出とヘルスケアアプリでの処理で 6MWT の歩行運動の特定を容易にするために 10 秒間静止するように求められました。

すべての子供たちと一部の大人参加者（子供たちの両親、研究チームの知人）は、プロサッカークラブの練習場の堅くて平らな地面で屋外で6MWTを完了しました。 病院スタッフから集められた成人と高齢者全員が、老人病院内の長くて広い廊下で屋内で 6MWT を完了しました。

IMU とモバイル オペレーティング システム iOS 14 が組み込まれた第 8 世代の iPhone 以降、Apple Inc. (米国カリフォルニア州クパチーノ) からプレインストールされたこの健康およびフィットネス アプリは、日常生活の歩行パフォーマンスを受動的かつ控えめに記録します。 iPhoneユーザーです。 iPhone を腰の高さ (ズボンのポケットなど) に装着し、ユーザーが平らな地面を一定のペースで歩くと、ヘルスケア アプリが自動的にウォーキングの練習を識別し、歩行速度 (m/s) の平均値を提供します。 、歩幅 (cm)、および歩行試合の二重支持時間 (両足が地面に着いたときの歩行周期の %)。 これらの歩行パラメータは、ユーザーの身長から推定される脚の長さに依存する歩行の生体力学的モデルから導出されます。 したがって、最も正確なパラメータ推定値を取得するには、ユーザーはヘルスケアアプリに身長を入力する必要があります38。 Health アプリは、自動分析前の手動データ処理 (回転動作の除外など) をサポートしておらず、個々の歩行サイクルへのアクセスも許可していませんが、特定された歩行運動の歩行パラメータの平均値のみを自動的に提供します。 これらの歩行パラメータの推定に使用される生体力学的モデルとアルゴリズムに関する詳細情報は、Apple Inc. によってまだ公開されていません。アプリの対象年齢は 12 歳以上です54。

参加者の 6MWT ごとに、ヘルス アプリによって自動的に推定された歩行パラメータが次のように抽出されました。データは、さらなるデータ処理のために XML 形式でローカル PC にエクスポートされました55。 次に、XML ファイルを Microsoft Excel (バージョン 16.64、Microsoft Corp、米国ワシントン州レドモンド) にインポートしました。 テスト管理者が記録した 6MWT の開始時間と、XLSX ファイルで提供された歩行記録の開始と終了のタイムスタンプに基づいて、各参加者の特定の 6MWT の歩行試合が特定され、対応する歩行速度、歩幅、歩幅、歩幅の平均値が特定されました。と 2 倍のサポート時間が抽出されました。

Health アプリの同時有効性を評価するために、参照標準として APDM Mobility Lab (APDM Inc.、オレゴン州ポートランド、米国) を使用して 6MWT 中に歩行パラメータを追加測定しました。この測定は、子供、成人、および成人で正常に検証されています。シニア13、14、15。 パンツのポケットに装着した iPhone と同時に、3 つの同期 Opal IMU (サイズ = 55 × 40.2 × 12.5 mm、重量 < 25 g) をストラップで両足と第 5 腰椎の両側に取り付けました。 Opal IMU には、2 つの 3 軸加速度計 (範囲: ± 16 g および ± 200 g、分解能: 14 および 17.5 ビット)、ジャイロスコープ (範囲: ± 2000°/s、分解能: 12 ビット)、および磁力計 (範囲: ± 8) が含まれています。ガウス、分解能 12 ビット）、128 Hz のサンプリング周波数で記録します。 APDM Mobility Lab は、ホスト コンピュータに接続されたアクセス ポイントを介した無線データ送信と複数の Opal IMU の同期に無線周波数通信を使用します。 6MWT のテスト プロトコルは、APDM Mobility Lab ソフトウェア (V2.0.0.201903301644) 内で設計されており、テスト管理者が開始を押すと、聴覚的な停止信号まで時間が自動的に経過します。 試験管理者によってスタートとストップの合図が大声で参加者に送られました。 APDM Mobility Lab ソフトウェアを使用して、記録されたデータを自動的に分析し、歩行速度 (m/s)、歩幅 (cm)、および合計両支持時間 (%) の平均値を抽出しました。 ソフトウェアによる歩行パラメータ抽出には旋回歩数は含まれず、直進歩行のみが含まれます。

Health アプリのテストと再テストの信頼性を評価するために、最初のテスト セッションから 1 週間 (6.9 ± 0.5 日) 後に iPhone を使用して 6MWT を繰り返しました。 この再テストは、最初のテストと同じ条件 (つまり、同じテスト環境、テスト管理者、および iPhone の配置) で実行されました。

記述データは、頻度とパーセンテージ、中央値と四分位範囲 (IQR)、または平均と標準偏差 (SD) として表示されました。 歩行速度、ステップ時間、およびダブルサポート時間を捕捉するための方法（ヘルスアプリ対APDMモビリティラボ）と反復測定（テスト対再テスト）の間の一致レベルは、95%信頼区間で体系的な差異（バイアス）を計算することによって評価されました。 (CI)、95% の一致限界 (LOA = 平均バイアス ± 1.96 × SD バイアス)、および 95% CI のクラス内相関係数 (ICC2,1、絶対一致)。 ICC は、不良 (< 0.50)、中程度 (0.50 < 0.75)、良好 (0.75 < 0.90)、または優れた (≧ 0.90) として解釈されました56。 一致のレベルを視覚化するために、ブランド-アルトマン プロットも構築されました57。 APDM Mobility Lab と比較した Health アプリの誤差パーセンテージ (PE) は、1.96 × SDbias を両方の方法の平均で割ることによって計算され、<30% であれば臨床的に許容できるとみなされました58。 測定の標準誤差（SEM）は、試験と再試験の測定値間の分散の反復測定分析からの平均二乗誤差項の平方根によって計算されました59。 95% CI での MDC は、SEM × 1.96 × √2 として計算されました。 SEM% および MDC95% も、テストと再テストの測定値の平均のパーセンテージとして計算されました。 SEM% は低 (≤ 10%) または高 (> 10%) とみなされ、MDC% は < 30% の場合許容可能とみなされます60,61。 統計分析は、IBM SPSS Statistics バージョン 27.0 (IBM Corp.、米国ニューヨーク州アーモンク) を使用して実行されました。

サンプルには合計 83 名の参加者が含まれていました。内訳は子供 27 名 (14.0 ± 1.5 歳)、成人 28 名 (31.3 ± 11.3 歳)、および高齢者 28 名 (75.6 ± 5.7 歳) でした。 慢性疾患があると報告した高齢者は2人だけだった。 各年齢グループの 3 分の 2 以上 (68 ～ 85%) が正常体重に分類される可能性があります。 自己申告による健康状態は良好から良好で、3 つの年齢グループすべてで平均 EQ-5D-5L 指数が 0.93 ポイント以上、平均 EQ-VAS スコアが 72.1 ポイント以上でした。 参加者の90％以上（83人中75人）は、正常から高い握力を示しました。 PA レベルは、サンプル全体が物理的に活動していることを示します。 参加者のさらなる特徴を表 1 に示します。

ヘルスケアアプリは、4 人の参加者 (4.8%、子供: n = 3、大人: n = 1) の歩行データを提供せず、他の 13 人の参加者 (15.7%、子供: n = 6、大人: n) の二重サポート時間に関するデータを提供しませんでした。 = 3、シニア: n = 4)。 APDM Mobility Lab で収集された歩行データには欠落データは観察されませんでした。

Health アプリと APDM Mobility Lab の間の絶対一致レベルは、歩行速度に関して最も高く、3 つの年齢グループすべてで臨床的に許容される PE (11.6 ～ 14.1%) および良好な ICC が 0.85 ～ 0.86 の範囲でした (表 2)。 歩幅については一致度が低く、3 つの年齢グループすべてで臨床的に許容可能な PE (9.8 ～ 14.8%)、成人 (0.78) と高齢者 (0.76) では良好な ICC でしたが、小児では中等度の ICC (0.53) にすぎませんでした。 一致度が最も低かったのは二重支持時間であった。PE は小児 (27.7%) と成人 (18.4%) では臨床的に許容されたが、高齢者 (31.6%) では許容されなかった。 ICC は、高齢者の貧困 (0.42) から子供 (0.54) および成人 (0.58) の中等度までの範囲でした。 Health アプリと APDM Mobility Lab の間の一致を示す Bland-Altman プロットでは、値の増加または減少に伴う系統的なバイアス パターンは示されていません (図 1a ～ i)。

Bland-Altman プロットは、子供、成人、高齢者を対象に、Health アプリと APDM Mobility Lab で測定された歩行速度 (a ～ c​​)、歩幅 (d ～ f)、および二重支持時間 (g ～ i) をプロットします。 実線は方法間の平均差（バイアス）を示し、破線は一致の 95% の上限と下限を示します。

7人の参加者（8.4％、子供：n = 6、高齢者：n = 1）は、新型コロナウイルス感染症（COVID-19）、その他の急性疾患、または怪我のため、最初のテストから1週間後に繰り返される6MWTに参加できませんでした。 実施された76回の再テスト測定のうち、ヘルスアプリは16人の参加者(21.1%、子供: n = 6、大人: n = 7、高齢者: n = 3)の歩行データを提供せず、残りの18人の参加者にはダブルサポート時間のデータが提供されませんでした。参加者 (44.7%; 子供: n = 5、大人: n = 8、高齢者: n = 3)。 最初のテストでの 4 人の参加者の欠落データを考慮して、56 人の参加者 (67.5%、子供: n = 12、成人: n = 20、高齢者: n = 24) の歩行速度と歩幅についてテストと再テストの信頼性が分析されました。 38 人の参加者 (45.8%、子供: n = 7、大人: n = 10、高齢者: n = 21) の二重サポート時間。

成人 (0.75 ～ 0.80) と高齢者 (0.88 ～ 0.93) の歩行速度、歩幅、および二重支持時間について、繰り返しの測定間で一貫して良好から良好な ICC が得られました (表 3)。 小児では、ICC は歩行速度 (0.61) と 2 倍支持時間 (0.79) については中程度から良好でしたが、歩幅 (0.39) についてのみ不良でした。 すべての年齢層のすべての歩行パラメータについて、低い SEM% (2.4 ～ 8.1%) および許容可能な MDC95% (6.5 ～ 22.4%) が見つかり、高齢者で最も低かった。 MDC95 の範囲は、歩行速度が 0.20 ～ 0.30 m/s、歩幅が 6.1 ～ 14.1 cm、二重支持時間が 1.8 ～ 3.4% でした。 一般に、検査と再検査の差（バイアス、95% LOA）、SEM、および MDC は、成人や高齢者よりも小児の方が大きかった。 ブランド-アルトマンプロットは、繰り返された測定間の一致に対する系統的な偏りパターンを示しませんでした（図2a-i）。

子供、成人、高齢者を対象に、ヘルスケアアプリで測定した歩行速度 (a ～ c​​)、歩幅 (d ～ f)、および二重支持時間 (g ～ i) を繰り返し測定したブランド アルトマン プロット。 実線は方法間の平均差（バイアス）を示し、破線は一致の 95% の上限と下限を示します。

この研究では、iPhone 上のヘルスケア アプリと APDM モビリティ ラボの同時有効性、および子供、成人、高齢者の時空間歩行パラメータを測定するための 1 週間にわたるテストと再テストの信頼性を評価しました。 私たちの知る限り、これは、さまざまな年齢層におけるヘルスケアアプリの歩行測定の心理測定的特性に関する証拠を提供する最初の例です。

歩行パラメータは、参加者が通常の歩行速度で完了した 6MWT 中に取得されました。 日常生活の歩行パフォーマンスを測定するための Health アプリの実際の使用例を考慮すると、他の臨床的に確立された歩行テストよりも実際の歩行行動をよりよく反映しているため 6MWT が選択され、62,63 との関連性が強いため、通常のペースが処方されました。速いペースよりも日常生活の歩行64。 さらに、6MWT は、高齢者におけるヘルスケアアプリの同時有効性をテストするために Apple Inc.38 による以前の研究でも使用されました。

テストと再テストのセッション全体で実行された合計 159 件の測定のうち、ヘルス アプリでは 20 人の参加者 (12.6%) については歩行データが提供されず、51 人の参加者 (32.1%) については二重サポート時間に関するデータが提供されませんでした。欠落データのほとんどは子供で観察されました。 これらの発見の潜在的な説明は、6MWT 中の参加者のパンツの非標準化である可能性があります。 ポケットが大きい緩いズボンは、より人工的なスマートフォンの動きを引き起こしたり、参加者の重心からのずれが大きくなったり、歩行イベントやデータ処理を検出するための信号が低下したりした可能性があります。 実際、このような iPhone の疎結合は子供たちの間でより頻繁に見られます。 2 倍のサポート時間のデータが欠落していることも、iPhone を装着するためのこの手順に関連している可能性があります。 他の歩行パラメータの測定はかかと接地の検出のみに基づいていますが、二重支持時間の測定はかかと接地とつま先離陸の両方の検出に基づいています。 これらのイベントのいずれかの検出に問題があると、2 倍のサポート時間が検出されず、計算されない可能性があります。 つま先を離すイベントは足の動きが滑らかになっているときにも発生し、IMU は通常このイベントの検出で大きなエラーを示す65、66、67 ことを考慮すると、iPhone を装着している場合、2 倍のサポート時間は他のパラメータよりも検出されない傾向が高くなる可能性があります。最適ではない条件下で。 全体として、これらの調査結果は、iPhone をユーザーの重心に緊密に結合することにより、ヘルスケア App からの歩行測定値を利用するには良好な信号が必要であるという Apple Inc.38 の推奨事項を裏付けています。

Health アプリの同時有効性は、確立されたマルチ IMU ベースの歩行分析システム (APDM Mobility Lab) と比較して評価されました 13、14、15。 2 つの方法間の一致レベルは、すべての年齢層の歩行速度において良好でした (ICC ≥ 0.85)。 歩幅に関してはより低い一致が観察され、成人および高齢者では依然として良好であったが（ICC > 0.76）、子供では中程度であった（ICC = 0.53）。 ダブルサポート時間では、一致度は最も低く、劣悪から中程度に過ぎませんでした (ICC = 0.42 ～ 0.58)。 これらの調査結果は、Apple Inc.38 が高齢者の器具付き歩道に対する Health アプリの有効性について得た調査結果と一致しており、歩行速度 (ICC = 0.92) と歩幅 (ICC = 0.84) について良好から優れた一致レベルが得られました。ただし、サポート時間が 2 倍の場合は中程度です (ICC = 0.53)。

目立たない日常生活の歩行モニタリングを可能にする別のスマートフォン アプリ (OneStep) の有効性に関する以前の研究でも、健康な成人 32 と筋骨格系の病状を持つ患者 41 で同様の結果が明らかになりました。 OneStep アプリとさまざまな参照標準 (APDM Mobility Lab、Zeno 歩道) の一致度は、歩行速度 (ICC = 0.94、ピアソン相関係数 [r] = 0.89 ～ 0.91) と歩幅 (ICC = 0.80、r = 0.65 ～) でより高かった。 0.84)、ダブルリムサポート (ICC = 0.52、r = 0.61–0.62) よりも優れています。 正常 68 および病的歩行 69,70 におけるスタンドアロン IMU では、二重支持時間を測定するための妥当性が低いことも報告されています。 前述したように、この歩行パラメータを推定するためにかかとの接地とつま先の離陸の両方を正確に検出することの難しさは、この歩行パラメータの測定誤差が大きくなる潜在的な理由としてよく言及されてきました65、66、67。ヘルスケアアプリの場合。 さらに、APDM モビリティも 2 倍のサポート時間の測定に対する有効性が限定的であることが実証されているため、この発見が Health アプリの制限であるのか、それとも参照標準の制限であるのかは完全には明らかではありません 15。 ただし、この歩行パラメータについては、Health アプリ (ICC = 0.53) と計測された歩道の間で同様の一致レベルが報告されているため 38、この結果が APDM Mobility Lab の制限に関連しているとは想定していません。

Apple Inc.38 は、ヘルス アプリと参照標準 (ICC = 0.53 ～ 0.92) の一致レベルが、本研究 (ICC = 0.42 ～ 0.86) と比較してわずかに高いと報告しました。 これは、ヘルスケアアプリで個々の歩行サイクルにアクセスできないため、Apple Inc38 が行ったように、データ分析前にそれらを参照標準と正確に時間調整することができなかったという事実に関連している可能性があります。 したがって、ヘルス アプリと APDM モビリティ ラボの自動分析によって提供される歩行パラメータの平均値は、6MWT 内のまったく同じ歩行サイクルに基づいていない可能性があり、これが 2 つのシステム間の一致レベルに影響を与えた可能性があります。

歩行速度および/または歩幅の測定に関する有効性統計は、高齢者のヘルスケアアプリ (ICC = 0.84 ～ 0.92)38 およびワンステップ (ICC = 0.80 ～ 0.96)32,33 で以前に観察されたものと非常に似ているか、わずかに低いだけでした。成人の歩行分析アプリ（平均バイアス：歩行速度 = − 0.09 ～ 0.05 m/s、歩幅 = − 4.0 ～ 2.3 cm）37。 妥当性が低いのは、これらの研究がスマートフォンの位置決めに固定素材 (ポケット保持、ウエストバッグ、ヒップクリップ) を使用したためであると考えられます 32,33,37,38。これにより、スマートフォンベースの歩行分析ではより高い妥当性が得られることが示されています。現在の研究で行われたように、パンツのポケットに入れて着用する場合よりも71。

スタンドアロン IMU について報告された同時有効性と比較して、ヘルス アプリは成人の歩行速度と歩幅を測定するための参照標準と同様のレベルの一致を示しました (ICC = 0.83 ～ 0.92、PE = 12.3 ～ 15.1%)68,72。 。 高齢者でも同様 (ICC = 0.79 ～ 0.95、PE = 12.5 ～ 14.7%)72,73 ですが、場合によってはかなり高い一致レベル (ICC = 0.99、PE = 2.1 ～ 2.3%74、平均バイアス: 歩行速度 = 0.02)このような IMU による歩行測定では、± 0.02 m/s、歩幅 = –0.59 ± 0.87 cm75) が報告されています。

子どもの歩幅に関して得られたヘルスケアアプリの妥当性が低いことは、子どもたちが大きめのポケットが付いたゆるいズボンを履いていることで説明できるかもしれないが、これはより人為的なスマートフォンの動きに関連しており、したがって測定バイアスが大きくなっている可能性がある。 もう 1 つの考えられる説明は、ヘルスケア アプリによって歩行パラメータが導出される歩行の生体力学的モデルが、子供や青少年ではなく成人の人体計測に基づいている可能性があるということです。

Health アプリのテストと再テストの信頼性は、成人 (ICC = 0.75 ～ 0.80) と高齢者 (ICC = 0.88 ～ 0.93) のすべての歩行パラメーターについて一貫して良好から優れていました。 これらの結果は、OneStep および Gait Analyzer アプリで報告された結果と一致しており、歩行速度 (ICC = 0.77 ～ 0.98)、歩幅 (ICC = 0.80 ～ 0.97)、および/または 2 倍の測定におけるテストと再テストの信頼性が良好から優れていることも実証されました。成人におけるサポート時間 (ICC = 0.90–0.98)31,33,37。 対照的に、子供の歩行速度と歩幅の測定に関しては、ヘルスケア アプリの信頼性は低から中程度であり (ICC = 0.39 ～ 0.61)、小児および青少年における Gait Analyzer アプリの信頼性 (ICC = 0.87 ～ 0.94) よりも低かった。 30. 今回の研究や歩行分析アプリにおける大人や高齢者と比較して、子どもの信頼性が低いことの潜在的な説明は、子どもたちが屋外で 6MWT を実施したという事実である可能性があります。 これらのテスト条件は、ほとんどの成人およびすべての高齢者に一般的であった屋内条件や、テストと再テストのテストの場合に比べて、部分的に制御できない状況および環境要因（気象条件、通り過ぎる人など）により、繰り返しの測定全体でより変動していた可能性があります。歩行分析アプリの信頼性30. ただし、一般に、小児における信頼性の結果は、サンプルサイズが小さいため、注意して解釈する必要があります。

SEM は、ランダムな測定誤差によって通常発生する被験者内変動を取得するために計算されました。 私たちの知る限り、SEM に関するそのような情報は、ヘルス アプリや日常生活の歩行モニタリングを可能にするその他のスマートフォン アプリに関してはまだ報告されていません。 標準化された歩行能力測定に焦点を当てたスマートフォンアプリでは、健康な成人（SEM%：歩行速度 = 2.0 ～ 3.8%、歩幅 = 2.5 ～ 4.0%）36,42 および神経疾患患者（SEM）でわずかに低い SEM と SEM% が報告されました。 %: 歩行速度 = 4.8%、歩幅 = 2.5%39; SEM: 歩行速度 = 0.01–0.02 m/s42)。 しかし、ヘルスケアアプリの SEM% は、すべての歩行パラメータおよびすべての年齢層で 10% 未満であり、これは少量のランダムな測定誤差であると考えられてきました 42,60,61。

SEM に基づいて、ヘルス アプリで取得した各歩行パラメータの MDC95 および MDC95% 値が計算されました。 これらの値は、測定誤差または被験者内変動を超える実際の変化が発生したかどうかを判断する機会を提供します。 したがって、時間の経過に伴う変化の検出や治療効果の評価に非常に重要です。 歩行速度、歩幅、および二重支持時間の MDC95% は、すべての年齢層 (6.5 ～ 22.4%) で許容可能でした。これは、ヘルスケア アプリがこれらの歩行パラメータの変化を検出するのに敏感である可能性があることを示唆しています。 高齢者の MDC95 は、Apple Inc38 が以前に報告したものと類似していました。 歩行速度 (0.08 ～ 0.23 m/s)、歩幅 (4 ～ 12 cm)、および 2 倍の支持時間 (2.1 ～ 4.5%)。 これらの結果を成人と子供の健康アプリにも拡張し、歩行速度 (0.22 ～ 0.30 m/s) と歩幅 (9.4 ～ 14.1 cm) の MDC95 が高齢者 (0.20 m/s、6.1 cm) よりわずかに大きいことがわかりました。 小児の歩行速度 (0.30 m/s) と歩幅 (14.1 cm) の MDC95 は、小児および青少年の Gait Analyzer アプリで報告された値 (歩行速度 = 0.14 ～ 0.15 m/s、歩幅 = 8.3 ～ 9.5 cm) より大きかった。センチ）30。 健康な成人（0.02～0.15 m/s）および神経疾患患者（0.13～0.14 m/s）の歩行速度の MDC95 が低いことも、標準化された歩行能力測定に焦点を当てたスマートフォン アプリで文書化されています 39,42。 Health アプリで測定された歩行速度の MDC95 は 0.20 ～ 0.30 m/s の範囲であり、標準化された歩行テストで 0.05 m/s と推定される通常の歩行速度の最小臨床有意差 (MCID) を上回っています 76,77。 これは、歩行速度測定の絶対誤差がこの MCID より大きく、ヘルスケア アプリを使用した歩行速度の微妙で意味のある変化の解釈可能性と臨床用途への適合性を制限していることを示唆しています。

この研究にはいくつかの制限があります。 まず、各年齢グループのサンプルサイズが小さく、特に子供の検査と再検査の信頼性の分析では、予想外の欠損データが原因でした。 第 2 に、マルチ IMU ベースの APDM Mobility Lab が外部参照標準として使用されましたが、これは歩行分析のゴールド スタンダードとはみなされていません。 ただし、ビデオ モーション キャプチャ システムおよび計装された歩道に対して良好から優れた同時有効性が実証されています 13、14、15。 第三に、6MWT 中に時空間歩行パラメータが取得されました。 将来の研究では、日常生活の歩行パフォーマンスの代表とみなされるために、より長期間の観察期間中に、より処方されていない、監視されていない状況でこれらのパラメータを測定するためのヘルスアプリの有効性と信頼性を評価する必要があります。 第 4 に、iPhone の着用位置（ズボンの右ポケット）は参加者全員で標準化されていましたが、着用するパンツは標準化されていなかったため、参加者間でのデータ処理や繰り返しの測定の信号品質が異なっていた可能性があります。 第 5 に、年齢層ごとに部分的に異なるテスト環境 (屋内と屋外) が、妥当性と信頼性の結果をグループ間で直接比較することを妨げます。 第 6 に、ヘルスケアアプリは個々の歩行サイクルへのアクセスを提供していないため、APDM Mobility Lab との比較は、個人の正確な手動時間調整を実行することができず、両方のシステムによって完全に自動的に決定された歩行パラメータの平均値に基づいていました。自動データ分析の前に、両方のシステム間の歩行サイクルを測定します。 最後に、調査結果は健康で健康で身体的に活動的な人に限定されています。 障害や歩行能力が低下している他の集団におけるヘルスケアアプリの歩行測定を検証するには、今後の研究が必要です。

結論として、iPhone の Heath アプリは、成人や高齢者の歩行速度と歩幅を測定するのに有効で信頼できることが示されています。 子供の歩行速度も有効に測定できますが、成人の年齢層よりも信頼性が低くなります。 小児における歩幅の測定については、有効性と信頼性が限られていることが文書化されています。 二重支持時間の測定値はすべての年齢層において信頼できるものでしたが、一貫して低い妥当性から中程度の妥当性しか示されていないため、慎重に検討する必要があります。 さらに、実際の変化が起こったと確信するには、ヘルスケア アプリの歩行速度測定値の比較的大きな変化が必要と思われます。 iPhone を質量中心近くで緊密に結合することで、不自然なスマートフォンの動きを減らすことは、ヘルスケア アプリから歩行パラメータの推定値を確実に受け取るために重要であると思われます。 全体として、この研究の結果は、ズボンの前ポケットに入れて持ち歩く iPhone 上で自由にアクセスでき、使いやすい Health アプリが、完全に自動化され、目立たず、継続的に日常生活の歩行をモニタリングするための有効かつ信頼性の高いツールである可能性があることを示唆しています。大人と高齢者の速度と歩幅。

現在の研究で使用および分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

van Schooten, KS et al. 歩行時の転倒リスク評価: 日常生活の歩行の量と質によって、高齢者の転倒が予測されます。 J.ジェロントール。 ビオール。 科学。 医学。 科学。 70、608–615。

論文 PubMed Google Scholar

サヴィカ、R.ら。 認知機能低下を予測するための歩行パラメータの比較: メイヨークリニックの老化研究。 J.アルツハイマー病 55、559–567 (2017)。

論文 CAS PubMed PubMed Central Google Scholar

Studenski, S. et al. 高齢者の歩行速度と生存率。 JAMA 305、50–58 (2011)。

論文 CAS PubMed PubMed Central Google Scholar

Braun, T. et al. 地域在住の高齢者における移動能力と偶発的障害の臨床転帰評価の関連 - 体系的レビューとメタ分析。 経年劣化耐性改訂 81、101704 (2022)。

論文 ADS PubMed Google Scholar

Middleton, A.、Fritz, SL & Lusardi, M. 歩行速度: 機能的なバイタルサイン。 J. 老化の物理学。 活動。 23、314–322 (2015)。

論文 PubMed Google Scholar

ラスムッセン、LJHら。 中年の歩行速度と神経認知機能および身体機能の関連性。 自工会ネットワーク。 2、e1913123 を開きます。 https://doi.org/10.1001/jamanetworkopen.2019.13123 (2019)。

記事 PubMed PubMed Central Google Scholar

ロード、S.ら。 高齢者の歩行の独立した領域とそれに関連する運動属性および非運動属性: 因子分析アプローチの検証。 J.ジェロントール。 ビオール。 科学。 医学。 科学。 68、820–827 (2012)。

論文 PubMed Google Scholar

Verghese, J.、Holtzer, R.、Lipton, RB & Wang, C. 高齢者の定量的な歩行マーカーと転倒事故のリスク。 J.ジェロントール。 ビオール。 科学。 医学。 科学。 64、896–901 (2009)。

論文 PubMed Google Scholar

Woo, J.、Ho, SC & Yu, AL 歩行速度と歩幅から、70 歳以上の中国人の 36 か月間の依存症、死亡率、施設入所を予測します。 混雑する。 ジェリアトル。 社会 47、1257–1260 (1999)。

論文 CAS PubMed Google Scholar

土井達也ほか時空間的歩行変数は、障害の発生を予測しました。 Ｊ．Ｎｅｕｒｏｅｎｇ． リハビリ。 17、11。 https://doi.org/10.1186/s12984-020-0643-4 (2020)。

記事 PubMed PubMed Central Google Scholar

Simon, SR 人間の動きの定量化: 歩行分析 - 臨床問題への応用の利点と限界。 Ｊ．Ｂｉｏｍｅｃｈ． 37、1869–1880 (2004)。

論文 PubMed Google Scholar

Mura-de-la-Herran, A.、Garcia-Zapirain, B. & Mendez-Zorrilla, A. 歩行分析方法: ウェアラブル システムと非ウェアラブル システムの概要、臨床応用に焦点を当てています。 センサー 14、3362 ～ 3394。 https://doi.org/10.3390/s140203362 (2014)。

論文 ADS PubMed PubMed Central Google Scholar

Hou, Y.、Wang, S.、Li, J.、Komal, S. & Li, K. 健康な若者の歩行評価のためのウェアラブル慣性センサー システムの信頼性と有効性。 画像および信号処理、生物医工学および情報学に関する第 14 回国際会議 (CISP-BMEI) において。 1～6。 https://doi.org/10.1109/CISP-BMEI53629.2021.9624463 (2021)。

Lanovaz, JL、Oates, AR、Treen, TT、Unger, J. & Musselman, KE 小児の時空間歩行測定用の商用慣性センサー システムの検証。 歩行姿勢 51、14–19 (2017)。

論文 PubMed Google Scholar

モリス、R. et al. 若者、高齢者、パーキンソン病の歩行評価におけるモビリティ ラボ (バージョン 2) の有効性。 生理。 測定。 40、095003 (2019)。

記事 PubMed PubMed Central Google Scholar

コブサー、D. et al. 健康な成人の歩行におけるウェアラブル慣性センサーの有効性と信頼性:系統的レビューとメタ分析。 Ｊ．Ｎｅｕｒｏｅｎｇ． リハビリ。 17、62。https://doi.org/10.1186/s12984-020-00685-3 (2020)。

記事 PubMed PubMed Central Google Scholar

ウェルナー、C.ら。 急性老人患者の歩行器補助歩行時の歩行分析用の、身体に固定された単一センサーの同時有効性、テストと再テストの信頼性、および変化に対する感度。 センサー 20、4866。https://doi.org/10.3390/s20174866 (2020)。

論文 ADS PubMed PubMed Central Google Scholar

ピチェルノ、P. et al. 人間の動きを分析するためのウェアラブル慣性センサー: 5 年ぶりのアップデート。 専門家Rev.Med. デバイス 18、79 ～ 94 (2021)。

論文 CAS PubMed Google Scholar

世界保健機関。 国際機能分類、障害および健康分類: ICF。 http://apps.who.int/iris/bitstream/handle/10665/42407/9241545429.pdf?sequence=1 (2001)。

ヒレル、I. et al. 高齢者の毎日のウォーキングは、デュアルタスクウォーキングと通常のウォーキングのどちらに似ていますか? 研究室での歩行パフォーマンスと24時間365日のモニタリング中の歩行パフォーマンスのギャップを解明します。 ユーロ。 Rev. 老化物理学。 活動。 16、6。 https://doi.org/10.1186/s11556-019-0214-5 (2019)。

論文 ADS PubMed PubMed Central Google Scholar

Robles-García、V. et al. パーキンソン病患者および健常者における顕性および非顕在評価中の時空間歩行パターン: ホーソン効果はありますか? Ｊ．Ａｐｐｌ． バイオメック。 31、189–194 (2015)。

論文 PubMed Google Scholar

トゥーシザデ、N. 他パーキンソン病における運動能力評価: 客観的な院内測定、客観的な家庭測定、および主観的/半客観的な測定値間の関連性。 PLoS ONE 10、e0124763。 https://doi.org/10.1371/journal.pone.0124763 (2015)。

論文 CAS PubMed PubMed Central Google Scholar

カークレフ、L. et al. 脳性麻痺のある小児および青少年の歩行速度: 研究室と日常生活。 フロント。 バイオエンジ。 バイオテクノロジー。 8, 812 (2020)。

記事 PubMed PubMed Central Google Scholar

Warmerdam、E. et al. 運動障害における長期にわたる教師なしの運動性評価。 ランセットニューロール。 19、462–470 (2020)。

論文 PubMed Google Scholar

Del Din, S.、Godfrey, A.、Mazzà, C.、Lord, S. & Rochester, L. パーキンソン病の自由生活モニタリング: 現場からの教訓。 移動。 障害。 31、1293–1313 (2016)。

論文 PubMed Google Scholar

ロチェスター、L.ら。 デジタル モビリティの成果の開発、検証、承認を知らせるロードマップ: Mobilise-D アプローチ。 桁。 バイオマーク。 4、13–27 (2020)。

記事 PubMed PubMed Central Google Scholar

ムーア、SA et al. 研究室およびコミュニティにおける単一の加速度計による脳卒中歩行特性の包括的な測定: 実現可能性、妥当性、および信頼性の研究。 Ｊ．Ｎｅｕｒｏｅｎｇ． リハビリ。 14、130。https://doi.org/10.1186/12984-017-0341-z (2017)。

記事 PubMed PubMed Central Google Scholar

Bongartz、M. et al. 高齢者患者の習慣的な環境における身体活動と歩行パフォーマンスを記録するための uSense 活動モニターの有効性、信頼性、実現可能性。 生理。 測定。 40、095005 (2019)。

論文 PubMed Google Scholar

スタティスタ研究部。 2016 年から 2021 年までの世界のスマートフォン契約数と 2022 年から 2027 年までの予測。 https://www.statista.com/statistics/330695/number-of-smartphone-users-worldwide/ (2022)。

ハウエル、DR 他。 スマートフォンベースの運動認知評価の信頼性と検出可能な最小限の変化: 脳震盪管理への影響。 Ｊ．Ａｐｐｌ． バイオメック。 37、380–387 (2021)。

記事 PubMed PubMed Central Google Scholar

ケリー、M.ら。 新しいスマートフォン アプリケーションは反復投与に対して信頼性が高く、時空間歩行に関しては Tekscan Strideway に匹敵します。 測定 (ロンドン) 192、110882 (2022)。

PubMed Google Scholar

Shahar, RT および Agmon, M. 1 台のスマートフォンからの加速度計データを使用した歩行分析: スマートフォン アプリケーションとゴールドスタンダード歩行分析システムの間の一致と一貫性。 センサー 21、7497。https://doi.org/10.3390/s21227497 (2021)。

論文 ADS PubMed PubMed Central Google Scholar

クリステンセン、JC 他健康成人の様々な歩行条件下におけるワンステップスマホアプリの有効性と信頼性を臨床現場での実現可能性とともに検証する。 J. Orthop. 外科。 解像度 17、417 (2022)。

記事 PubMed PubMed Central Google Scholar

マナー、B.ら。 通常歩行および二重課題歩行中のスマートフォンアプリベースの歩行評価: 妥当性と信頼性の実証。 JMIR Mhealth Uhealth 6、e36。 https://doi.org/10.2196/mhealth.8815 (2018)。

記事 PubMed PubMed Central Google Scholar

Tchelet, K.、Stark-Inbar, A.、Yekutieli, Z. 歩行分析用の脳スマートフォン アプリケーションのパイロット研究。 センサー 19、5179。https://doi.org/10.3390/s19235179 (2019)。

論文 ADS PubMed PubMed Central Google Scholar

ラシッド、Ｕら。 歩行とバランスを評価するスマホアプリの有効性と信頼性。 センサー 22、124。https://doi.org/10.3390/s22010124 (2021)。

論文 ADS PubMed PubMed Central Google Scholar

ハウエル、DR、ルゲイド、V.、タクシル、M.、ミーハン、WP 3位。 脳震盪管理に使用できる可能性のあるスマートフォンベースの歩行評価の有用性を判断する。 物理学。 スポーツメッド。 48、75–80 (2020)。

論文 PubMed Google Scholar

Apple Inc. iPhone のモビリティ指標を通じて歩行の質を測定。 https://www.apple.com/de/healthcare/docs/site/Measuring_Walking_Quality_Through_iPhone_Mobility_Metrics.pdf (2022)。

Clavijo-Buendía, S. et al. パーキンソン病患者の時空間歩行分析用の無料モバイル アプリケーションの妥当性とテスト再テストの信頼性を構築します。 歩行姿勢 79、86–91 (2020)。

論文 PubMed Google Scholar

スー、D.ら。 パーキンソン病における歩行特性のスマートフォンベースの簡単な評価: 検証研究。 JMIR Mhealth Uhealth 9、e25451。 https://doi.org/10.2196/25451 (2021)。

記事 PubMed PubMed Central Google Scholar

Shema-Shiratzky, S.、Beer, Y.、Mor, A. & Elbaz, A. スマートフォン ベースの慣性センサー テクノロジー - 時空間歩行メトリクスを測定する新しいアプリケーションの検証。 歩行姿勢 93、102–106 (2022)。

論文 PubMed Google Scholar

Bourke, AK、Scotland, A.、Lipsmeier, F.、Gossens, C. & Lindemann, M. 多発性硬化症患者におけるスマートフォンベースの自己実施 2 分間歩行テスト中に収集された歩行の特徴: テストと再テストの信頼性および検出可能な最小限の変化。 センサー 20、5906。https://doi.org/10.3390/s20205906 (2020)。

論文 ADS PubMed PubMed Central Google Scholar

スタティスタ研究部。 2019 年のスマートフォンの OS を年齢層別に示します。 https://www.statista.com/statistics/1133193/smartphone-os-by-age/ (2020)。

GY、Zou クラス内相関係数を正確かつ確実に推定するためのサンプル サイズ式。 統計医学。 31、3972–3981 (2012)。

論文 MathSciNet CAS PubMed Google Scholar

肥満と世界保健機関に関するWHOの協議。 肥満: 世界的な流行の予防と管理: WHO の協議の報告。 https://apps.who.int/iris/handle/10665/42330 (2000)。

カッツマン、R. et al. 認知障害の短い見当識・記憶・集中テストの検証。 午前。 J. Psychiatry 140、734–739 (1983)。

論文 CAS PubMed Google Scholar

ユーロクオールグループ。 EuroQol – 健康関連の生活の質を測定するための新しい施設。 医療政策 16、199–208 (1990)。

記事 Google Scholar

Ludwig, K.、Graf von der Schulenburg, JM & Greiner, W. EQ-5D-5L 用のドイツ語の値セット。 薬学経済学 36、663–674 (2018)。

記事 PubMed PubMed Central Google Scholar

ロバーツHCほか臨床および疫学研究における握力測定のレビュー: 標準化されたアプローチに向けて。 年齢 40 歳、423–429 (2011)。

論文 PubMed Google Scholar

オルテガ、FB 他ヨーロッパの青少年の体力レベル: HELENA 研究。 Br. J.スポーツ医学。 45、20–29 (2011)。

論文 CAS PubMed Google Scholar

Steiber, N. ハンドグリップは強いですか、それとも弱いですか? 性別、年齢、身長によって階層化された、ライフコース全体にわたるドイツ人人口の基準参照値。 PLoS ONE 11、e0163917。 https://doi.org/10.1371/journal.pone.0163917 (2016)。

論文 CAS PubMed PubMed Central Google Scholar

クレイグ、CLら。 国際身体活動アンケート: 12 か国の信頼性と妥当性。 医学。 科学。 スポーツ運動。 35、1381–1395 (2003)。

論文 PubMed Google Scholar

IPAQグループ。 国際身体活動アンケートのデータ処理と分析に関するガイドライン。 https://sites.google.com/site/theipaq/scoring-protocol (2005)。

Apple Inc.、Apple Health。 https://apps.apple.com/app/health/id1242545199 (2022)。

Apple Inc. iPhone のヘルスケアでデータを共有します。 https://support.apple.com/guide/iphone/share-your-health-data-iph5ede58c3d/15.0/ios/15.0 (2022)。

ポートニー L. およびワトキンス MP 臨床研究財団。 練習用アプリケーション第 3 版 (ピアソン教育、ロンドン、2009 年)。

Google スカラー

Bland, JM & Altman, DG 2 つの臨床測定方法間の一致を評価するための統計的方法。 ランセット 1、307–310 (1986)。

論文 CAS PubMed Google Scholar

ルイジアナ州クリッチリー & ジャイアント州クリッチリー 心拍出量測定技術を比較するためにバイアスと精度の統計を使用した研究のメタ分析。 Ｊ．クリン． モニト。 計算します。 15、85–91 (1999)。

論文 CAS PubMed Google Scholar

Atkinson, G. & Nevill, AM スポーツ医学に関連する変数の測定誤差 (信頼性) を評価するための統計的手法。 スポーツ医学。 26、217–238 (1998)。

論文 CAS PubMed Google Scholar

Soulard, J.、Vaillant, J.、Balaguier, R. & Vuillerme, N. 足に装着する慣性センサーから得られる時空間歩行パラメータは、シングルタスクおよびデュアルタスク条件の健康な成人において信頼性があります。 科学。 議員 11、10229。https://doi.org/10.1038/s41598-021-88794-4 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

黄、SLら。 パーキンソン病患者の時間制限された「アップ＆ゴー」テストと動的歩行指数の検出可能な最小限の変化。 物理学。 それで。 91、114–121 (2011)。

論文 PubMed Google Scholar

Solway, S.、Brooks, D.、Lacasse, Y. & Thomas, S. 心肺機能領域で使用される機能的歩行テストの測定特性の定性的系統的概要。 チェスト 119、256–270 (2001)。

論文 CAS PubMed Google Scholar

ミュラー、A. et al. 虚弱高齢患者の歩行速度の継続的デジタルモニタリング：非介入的検証研究と縦断的臨床試験。 JMIR Mhealth Uhealth 7、e15191。 https://doi.org/10.2196/15191 (2019)。

記事 PubMed PubMed Central Google Scholar

ロジャー、AGM 他。 高機能の 61 ～ 70 歳の成人を対象に、1 年間にわたる研究室内および日常生活の歩行速度の堅牢性を測定します。 老年学 67、650–659 (2021)。

論文 PubMed Google Scholar

Storm、FA、Buckley、CJ & Mazzà、C. 研究室および実生活環境における歩行イベントの検出: 足首と腰のセンサーに基づいた方法の精度。 歩行姿勢 50、42–46 (2016)。

論文 PubMed Google Scholar

Pacini Panebianco, G.、Bisi, MC、Stagni, R. & Fantozzi, S. 体系的レビューによる 17 のアルゴリズムのパフォーマンスの分析: IMU 測定からの歩行タイミング推定におけるセンサー位置、分析された変数、および計算アプローチの影響。 歩行姿勢 66、76–82 (2018)。

論文 PubMed Google Scholar

Trojaniello, D.、Cereatti, A. & Della Croce, U. 体幹下部に取り付けられた単一の慣性センサーを使用して歩行時間パラメータを推定するための 5 つの異なる方法の精度、感度、および堅牢性。 歩行姿勢 40、487–492 (2014)。

論文 PubMed Google Scholar

デ・リッダー、R. 他歩行分析のための市販の無線トランク 3 軸加速度計システムの同時有効性。 J.スポーツリハビリテーション。 28、295–1 (2019)。

記事 Google Scholar

Bravi、M.ら。 最近全股関節置換術または全膝関節置換術を受けた患者における時空間歩行パラメータ分析のための単一慣性測定ユニットの同時妥当性と試験間信頼性。 歩行姿勢 76、175–181 (2020)。

論文 PubMed Google Scholar

ペラザ、LRら。 ウェアラブル センサー用の自動歩行分析パイプライン: パーキンソン病におけるパイロット研究。 センサー 21、8286。https://doi.org/10.3390/s21248286 (2021)。

論文 ADS PubMed PubMed Central Google Scholar

Silsupadol, P.、Teja, K. & Lugade, V. 歩行速度とスマートフォンの位置 (体、バッグ、ベルト、手、ポケット) にわたる歩行パラメーターのスマートフォン ベースの評価の信頼性と妥当性。 歩行姿勢 58、516–522 (2017)。

論文 PubMed Google Scholar

Godfrey, A.、Del Din, S.、Barry, G.、Mathers, JC & Rochester, L. 加速度計による歩行の計測: システムとアルゴリズムの検査。 医学。 工学物理学。 37、400–407 (2015)。

論文 CAS PubMed PubMed Central Google Scholar

Del Din, S.、Godfrey, A. & Rochester, L. 健康な高齢者とパーキンソン病の包括的な歩行特性を定量化するための加速度計の検証: 臨床および家庭での使用に向けて。 IEEE J. Biomed. 健康情報。 20、838–847 (2016)。

論文 PubMed Google Scholar

Hartmann, A.、Luzi, S.、Murer, K.、de Bie, RA & de Bruin, ED 高齢者の歩行分析における体幹 3 軸加速度計システムの同時有効性。 歩行姿勢 29、444–448 (2009)。

論文 PubMed Google Scholar

Byun, S.、Han, JW、Kim, TH & Kim, KW 正常な認知能力を持つ高齢者を対象とした、単一の 3 軸加速度計に基づく歩行分析の信頼性と同時妥当性のテスト再テスト。 PLoS ONE 11、e0158956。 https://doi.org/10.1371/journal.pone.0158956 (2016)。

論文 CAS PubMed PubMed Central Google Scholar

Perera, S.、Mody, SH、Woodman, RC & Studenski, SA 高齢者の一般的な身体能力測定における意味のある変化と反応性。 混雑する。 ジェリアトル。 社会 54、743–749 (2006)。

論文 PubMed Google Scholar

ペレラ、S.ら。 移動能力の有意な低下の推定値は、臨床的に重要なサブグループ間で一貫していますか? (健康ABC研究)。 J.ジェロントール。 ビオール。 科学。 医学。 科学。 69、1260–1268 (2014)。

記事 PubMed PubMed Central Google Scholar

リファレンスをダウンロードする

研究に積極的に参加してくださったボランティアの皆様に心より感謝申し上げます。 出版料金については、資金提供プログラム「Open Access Publikationskosten」内の Deutsche Forschungsgemeinschaft およびハイデルベルク大学による財政的支援に感謝します。

Projekt DEAL によって実現および組織されたオープンアクセス資金調達。

高齢者センター、アガプレシオン ベタニエン病院ハイデルベルク、ハイデルベルク大学病院、69126、ハイデルベルク、ドイツ

クリスチャン・ヴェルナー、ナタリー・ヘゼル、ユルゲン・M・バウアー

ハイデルベルク大学スポーツ・スポーツ科学研究所、69120、ハイデルベルク、ドイツ

ファビエンヌ・ドンガス

TSG ResearchLab、74939、ツゼンハウゼン、ドイツ

ヤン・シュピルマン & ヤン・メイヤー

デジタル老年医学ユニット、ハイデルベルク大学病院、69115、ハイデルベルク、ドイツ

クレメンス・ベッカー

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

概念化、CW および NH。 方法論、CW および NH。 検証、CW。 正式な分析、CW および NH。 調査、FD。 リソース、JMB。 データキュレーション、NH および CW。 執筆 - 草案の準備、CW および NH。 執筆 - レビューと編集、FD、JS、JM、CB、JMB、NH、CW。 視覚化、CW。 監修、JMB、CW。 プロジェクト管理、CW すべての著者が原稿を読み、最終版を承認しました。

クリスチャン・ヴェルナーへの通信。

著者は利益相反がないことを宣言します。 これは独立した出版物であり、Apple Inc. による承認、後援、その他の承認は受けていません。Apple、iPhone、Health、および HealthKit は Apple Inc. の商標です。IOS は米国およびその他の国における Cisco の商標または登録商標です。ライセンスに基づいて使用されています。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Werner、C.、Hezel、N.、Dongus、F. 他。 子供、大人、高齢者の歩行パラメータを測定するための iPhone 上の Apple Health アプリの有効性と信頼性。 Sci Rep 13、5350 (2023)。 https://doi.org/10.1038/s41598-023-32550-3

引用をダウンロード

受信日: 2022 年 12 月 2 日

受理日: 2023 年 3 月 29 日

公開日: 2023 年 4 月 1 日

DOI: https://doi.org/10.1038/s41598-023-32550-3

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。