Validation and optimisation of wearable accelerometer data pre-processing for digital measure implementation and development

Deze studie valideert en optimaliseert een modulaire pre-processing-pijplijn voor wearable accelerometers, waaronder de open-source GENEAcore-pakket, om robuuste, transparante en traceerbare digitale maatstaven te waarborgen die voldoen aan medische standaarden voor klinisch gebruik.

De kern

Titel: De "Reiniger en Sorteerder" voor je Fitnesstouw: Waarom de Basis van Gezondheidsdata Zo Belangrijk Is

Stel je voor dat je een slim horloge of armband draagt die de hele dag je bewegingen bijhoudt. Het is als een onzichtbare cameraman die 24 uur per dag filmopnames maakt van je leven. Maar deze camera maakt niet alleen "films" (data); hij maakt ook veel ruis, trillingen en soms zelfs opnames terwijl hij op de grond ligt.

Dit wetenschappelijke artikel gaat over het bouwen van een super-schone, betrouwbare keuken om die ruwe data te verwerken voordat we er iets nuttigs uit kunnen halen. De auteurs hebben een nieuwe, openbare "receptenboek" (een software-pakket genaamd GENEAcore) gemaakt om te zorgen dat de resultaten die artsen en onderzoekers zien, echt kloppen.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. De Ruwe Data: Een Vervuild Tuinpad

De sensor in je horloge verzamelt enorme hoeveelheden data. Maar net als een tuinpad na een storm, ligt er van alles op:

• Kalibratie: Soms is de sensor net een beetje scheef gezet, alsof je kompas een beetje naar het noordoosten wijst in plaats van het noorden. De software moet dit eerst "rechtzetten" zodat de metingen eerlijk zijn.
• Niet-dragen (Non-wear): Soms haal je je horloge af om te douchen of te slapen. De software moet slim genoeg zijn om te zeggen: "Ah, dit is niet beweging, dit is gewoon stilte omdat het horloge niet aan mijn arm zit." Als ze dit niet goed doen, denken ze dat je de hele dag slaapt terwijl je eigenlijk aan het douchen bent.
• Beweging: Het moet onderscheid kunnen maken tussen een snelle wandeling en het zwaaien met je hand om een taxi te roepen.

2. De Oplossing: Een Modulaire Productielijn

De auteurs hebben een proces ontworpen dat werkt als een modulaire productielijn in een fabriek.

• Stap 1: De Reiniging (Kalibratie & Niet-dragen detectie). Ze hebben gekeken hoe goed hun software kan herkennen of je het horloge draagt. Ze ontdekten dat een specifieke drempelwaarde (een soort "ruis-meter" van 13mg) al jarenlang werd gebruikt, maar ze hebben dit voor het eerst wetenschappelijk bewezen. Het werkt! Ze kunnen met 92% zekerheid zeggen of je het horloge draagt of niet.
• Stap 2: Het Snijden in Logische Stukken (Epochs vs. Events).
  • De oude manier (Epochs): Stel je voor dat je een film in stukken van precies 1 minuut knipt, ongeacht wat er gebeurt. Als je in de eerste seconde loopt en de rest van de minuut stilstaat, telt de hele minuut als "lopen". Dat is niet heel nauwkeurig.
  • De nieuwe manier (Events): De software snijdt de film nu op de momenten dat er iets verandert. Als je stopt met lopen, stopt het stukje film daar ook. Dit is als het knippen van een film op de momenten dat de acteurs de scène verlaten. Hierdoor krijg je veel nauwkeurigere stukjes: "Hij liep 45 seconden, stopte, en liep weer 20 seconden."
  • Het resultaat: Door deze slimme snijmethode te gebruiken, ontdekten ze dat mensen 31% meer actief zijn dan wanneer je de oude, stijve "1-minuut-stukjes" methode gebruikt. De oude methode "verwist" de korte, snelle bewegingen.

3. Waarom is dit zo belangrijk? (De "Recept" Metafoor)

Stel je voor dat je een chef-kok bent die een gerecht voor een ziekenhuis maakt.

• Als je de groenten (de data) niet goed wast en snijdt (pre-processing), maakt het niet uit hoe goed je recept (de analyse) is; het eten zal niet smaken of zelfs ongezond zijn.
• In de medische wereld is dit cruciaal. Als een arts op basis van deze data besluit dat een patiënt genoeg beweegt, maar de software heeft de data verkeerd verwerkt, kan dat leiden tot verkeerde medische adviezen.

De auteurs zeggen: "We moeten stoppen met haasten naar het eindresultaat en eerst zorgen dat de basis perfect is." Ze hebben hun software zo gebouwd dat elke stap traceerbaar is. Je kunt precies zien welke "receptstap" er is genomen, net zoals je in een goed restaurant de herkomst van elke ingrediënt kunt zien.

4. De Grote Aha-momenten

• Korte bewegingen tellen: Mensen bewegen in korte bursts. De oude methoden (die in vaste blokken werken) zien deze korte bursts vaak niet of tellen ze verkeerd. De nieuwe "event-methode" vangt deze korte, intense momenten perfect op.
• Betrouwbaarheid: Ze hebben bewezen dat hun software werkt voor kinderen, volwassenen, mannen en vrouwen, en dat het resultaat hetzelfde blijft, ongeacht wie het horloge draagt.
• Transparantie: Alles is openbaar gemaakt. Geen "zwarte doos" waar niemand weet wat erin gebeurt. Dit is essentieel voor goedkeuring door toezichthouders (zoals de medicijnautoriteiten).

Conclusie

Dit artikel is geen nieuws over een nieuw horloge, maar over de onzichtbare reinigingsmachine die ervoor zorgt dat de data uit die horloges betrouwbaar is. Het is als het bouwen van een stevige fundering voor een huis. Als je de fundering (de data-verwerking) niet goed doet, kan het hele huis (de medische conclusies) instorten.

De boodschap is simpel: Kwaliteit begint bij de basis. Door de ruwe data met zorg te verwerken, kunnen we in de toekomst betere, veiligere en eerlijkere inzichten krijgen in hoe we bewegen en hoe dat onze gezondheid beïnvloedt.

Technische samenvatting

Probleemstelling

Het gebruik van draagbare versnellingsmeters (accelerometers) als digitale gezondheidsinstrumenten in klinische trials en zorg neemt toe. Hoewel deze apparaten rijke, hoog-resolutie data genereren, ontbreekt er vaak een gestandaardiseerde, transparante en traceerbare aanpak voor de pre-processing van deze ruwe sensor-data.

• Uitdagingen: Bestaande verwerkingspijplijnen zijn vaak "end-to-end" pakketten die complexe maatstaven berekenen, maar de onderliggende aannames en tussenstappen (zoals kalibratie, detectie van niet-drag-tijd en segmentatie) zijn vaak ondoorzichtig ("black box").
• Gevolg: Dit maakt het moeilijk om digitale maatstaven te vergelijken, te reproduceren of te valideren volgens strenge medische en regelgevende standaarden (zoals vereist door toezichthouders). Kleine wijzigingen in algoritmen kunnen leiden tot klinisch betekenisvolle verschillen in resultaten.
• Specifieke knelpunten: De keuze van de tijdsduur van "epochs" (vaste tijdsintervallen) is arbitrair en kan leiden tot onnauwkeurigheden bij het detecteren van gedragsovergangen. Daarnaast is er behoefte aan validatie van veelgebruikte drempelwaarden (zoals de 13mg standaardafwijking voor niet-beweging).

Methodologie

De auteurs hebben een open-source, modulaire pijplijn ontwikkeld genaamd GENEAcore (in R) om ruwe versnellingsmetersdata voor te verwerken. De studie omvatte zowel technische verificatie als analytische validatie.

1. Ontwikkeling en Verificatie:

   • De software werd ontwikkeld volgens ISO 62304-standaarden voor medische software, met unit- en integratietests, code-inspecties en continue integratie.
   • De pijplijn werd getest op Windows, macOS en Linux en vergeleken met bestaande pakketten (GGIR, GENEAread).

2. Datasets:

   • Verificatie: 100 bestanden van 68 deelnemers (uit de HeLP en SafeHeart studies) met variërende leeftijden en draagduur.
   • Analytische Validatie: 65 bestanden van 36 deelnemers, inclusief laboratoriumdata (multi-oriëntatie), slaapdata (met polysomnografie/PSG) en gecontroleerde "niet-drag" scenario's in een kantooromgeving.

3. Kerncomponenten van de Pijplijn:

   • Kalibratie: Automatische kalibratie van de sensor op basis van een rollende standaardafwijking over 120 seconden, gefit op een bolvorm om offset en schaal te corrigeren.
   • Detectie van Niet-Drag-tijd (Non-wear): Een gebeurtenisgebaseerd algoritme dat gebruikmaakt van de standaardafwijking van versnelling (rolgemiddelde van 2 minuten) en temperatuurveranderingen. Het gebruikt "boarding rules" om korte onderbrekingen te combineren.
   • Detectie van Overgangen (Transitions): Gebruik van de PELT (Pruned Exact Linear Time) changepoint-detectie om momenten van gedragsverandering te identificeren in de gemiddelde versnelling en variantie.
   • Karakterisering: Vergelijking van twee intensiteitsalgoritmen: AGSA (Absolute Gravity-Subtracted Acceleration) en ENMO (Euclidean Norm Minus One), zowel op basis van vaste 1-seconde epochs als variabele duur "events" (bouts).

Belangrijkste Bijdragen

• GENEAcore: Een open, modulaire pijplijn die de pre-processing stap scheidt van latere classificatiestappen, waardoor traceerbaarheid en transparantie voor regelgevers wordt gewaarborgd.
• Empirische Validatie van Drempelwaarden: De eerste empirische validatie van de veelgebruikte 13mg drempelwaarde voor standaardafwijking van versnelling om niet-beweging te detecteren.
• Event-gebaseerde Analyse: Een bewijs dat data-gedreven "events" (variabele duur) superieur zijn aan vaste "epochs" voor het vastleggen van gedragspatronen, omdat ze geen willekeurige tijdssegmenten opleggen.
• Vergelijking Algoritmen: Een gedetailleerde vergelijking van AGSA en ENMO, inclusief de omrekening van drempelwaarden tussen beide methoden.

Resultaten

• Kalibratie: De automatische kalibratie leverde een gemiddelde residuele fout van 6,7 mg op, wat dicht bij het ruisniveau van de sensor ligt. De methode bleek stabiel en reproduceerbaar.
• Niet-drag-tijd Detectie:
  • De balansnauwkeurigheid (balanced accuracy) was 92,3%.
  • De gevoeligheid was 84,8% en de specificiteit 99,8%.
  • De 13mg-drempel werd bevestigd als robuust; een lichte verlaging naar 12mg gaf slechts een marginale verbetering (92,6%), wat suggereert dat de huidige standaard acceptabel is.
• Overgangsdetectie:
  • 99% van de overgangen werd binnen 2 seconden na het echte moment gedetecteerd.
  • De verdeling van de duur van deze events volgde een log-normale verdeling met een verwachte duur van 68,6 seconden.
• Intensiteitsmeting (AGSA vs. ENMO):
  • Bij beweging waren de resultaten >99% overeenkomstig.
  • Bij lage beweging (sedentair) gaf ENMO onnauwkeurige waarden (onder de sensorruis) door de behandeling van negatieve waarden, terwijl AGSA lineairer bleef.
  • Een sedentaire drempel van 62,5 mg voor AGSA komt overeen met 34,1 mg voor ENMO.
• Epoch vs. Event:
  • Het gebruik van variabele duur events resulteerde in 31,5% hogere geschatte dagelijkse activiteitsduur in vergelijking met 1-seconde epochs.
  • Events vermijden het "verlies" van korte, intense activiteitsperiodes dat vaak optreedt bij het middelen over vaste epochs.

Betekenis en Conclusie

De studie benadrukt dat de kwaliteit van digitale gezondheidsmaatstaven volledig afhankelijk is van de zorgvuldigheid van de pre-processing.

• Klinische Relevantie: De ontwikkelde pijplijn biedt de benodigde traceerbaarheid en transparantie om versnellingsmeter-data te gebruiken in klinische trials en voor regelgevende goedkeuring.
• Methodologische Vooruitgang: De overgang van vaste epochs naar data-gedreven events lost het probleem op van het kiezen van een geschikte epoch-lengte en levert nauwkeurigere inzichten in de structuur van dagelijks gedrag.
• Toekomst: De auteurs concluderen dat een grondige evaluatie van de "simpele" stappen (kalibratie, niet-drag detectie) essentieel is om robuuste, reproduceerbare resultaten te garanderen die klinisch betekenisvol zijn. De GENEAcore-pijplijn dient als een fundamentele bouwsteen voor toekomstig onderzoek en klinische toepassing.