Shared Strides: Operational feasibility of community-based biomechanics data collection in knee osteoarthritis

Deze studie toont aan dat hoogdoorvoer, gemeenschapsgebaseerde markerloze bewegingsopname operationeel haalbaar is voor het verzamelen van biomechanische gegevens over diverse dagelijkse taken bij personen met knieartrose, en zo een schaalbare oplossing biedt om de beperkingen van traditionele optische bewegingsopname wat betreft steekproefgrootte en representativiteit te overwinnen.

De kern

Stel je voor dat je probeert te begrijpen hoe een auto-motor werkt, maar je kunt hem alleen testen in één specifieke, high-tech garage met een zeer dure monteur. Je kunt de auto niet de wijk in, naar de supermarkt of het park brengen om te zien hoe hij echt omgaat met drempels, hellingen en stopborden. Dat is in wezen het probleem waar onderzoekers al jaren mee worstelen bij het bestuderen van hoe mensen met knieartrose (OA) bewegen.

Dit artikel, getiteld "Gedeelde Stappen", gaat over het testen van een nieuwe manier om dat probleem op te lossen. In plaats van de "garage" (het lab) op één plek te houden, pakten de onderzoekers hun apparatuur in, laadden ze het in een vrachtwagen en reden ze de echte wereld in om mensen te testen op de plekken waar ze wonen en samenkomen.

Hier is een uiteenzetting van wat ze deden en wat ze vonden, met gebruikmaking van eenvoudige analogieën:

Het Probleem: De "Garage" is Te Klein

Traditioneel vereist het bestuderen van hoe mensen bewegen (biomechanica) een chique lab met speciale camera's en plakkerige markers die over het hele lichaam van een persoon worden geplakt. Het is als een high-end fotostudio: het kost veel tijd om op te zetten, vereist een specialist om te bedienen, en meestal kunnen er maar een paar mensen per dag worden getest. Vanwege dit eindigen studies vaak met kleine groepen mensen die allemaal zeer op elkaar lijken.

Maar knie-OA is als een sneeuwvlok; geen enkele casus is precies hetzelfde. Om het volledig te begrijpen, moet je veel verschillende mensen testen die veel verschillende dingen doen (zoals lopen, trappen beklimmen of gaan zitten) in hun dagelijkse omgevingen. De oude "garage"-methode kon die hoeveelheid simpelweg niet aan.

De Oplossing: De "Foodtruck"-Aanpak

De onderzoekers besloten hun lab om te toveren tot een mobiele foodtruck. Ze bouwden een draagbaar systeem met speciale camera's die geen plakkerige markers nodig hebben (stel je een camera voor die je skelet kan "zien" zonder dat je een kostuum draagt).

Ze namen deze "foodtruck" gedurende 11 maanden naar vier verschillende locaties:

1. Een verzorgingstehuis (waar senioren wonen).
2. Een seniorencentrum (waar senioren overdag activiteiten doen).
3. Een fysiotherapiepraktijk.
4. Een studentenvereniging op de campus.

Ze zetten de apparatuur op, lieten mensen lopen, hurken en trappen beklimmen, en pakten het daarna weer in.

De Test: Werkt de "Foodtruck"?

De belangrijkste vraag was niet "Werken de camera's?" (dat wisten ze al). De vraag was: "Is het in de praktijk haalbaar om deze show in verschillende buurten te draaien zonder dat alles uit elkaar valt?"

Ze maten drie hoofdonderdelen:

• De Opbouwtijd: Hoe lang duurde het om de truck uit te laden, de camera's op te zetten en klaar te zijn?
• De Deelnemers Tijd: Hoe lang duurde het voor een persoon om zich aan te melden, formulieren in te vullen en hun beweging te laten opnemen?
• De Stroom: Kwamen mensen vast te zitten in een wachtrij, of hield de "keuken" gelijke tred met de "klanten"?

De Resultaten: Het Werkt Soepel

De studie testte 85 mensen op deze verschillende locaties. Dit is wat ze vonden:

• Consistentie is Cruciaal: Hoewel de locaties verschillend waren (sommige ver weg, andere direct om de hoek), was de tijd die nodig was voor opbouw en de tijd die nodig was om een persoon te testen verrassend vergelijkbaar overal. Of ze nu in een verzorgingstehuis of een universiteitsgebouw waren, de "foodtruck" draaide volgens hetzelfde schema.
• De "Wachttijd" was Laag: Soms, als je een mobiele dienst naar een menigte brengt, worden mensen saai van wachten. De onderzoekers ontdekten dat de gemiddelde persoon slechts ongeveer 7 minuten in totaal wachtte tijdens hun bezoek. Dit betekent dat het team zeer goed was in het plannen van de agenda, waardoor mensen formulieren konden invullen terwijl anderen werden getest, zodat niemand erbij stond zonder iets te doen.
• Het "Menu" was Vol: Ze vroegen mensen niet alleen om in een rechte lijn te lopen. Ze testten een heel menu aan dagelijkse activiteiten: snel lopen, langzaam lopen, op één been staan, hurken, gaan zitten en opstaan, en op en neer stappen. Ongeveer 81% van de mensen slaagde erin het hele menu te doen; de rest slaat een paar items over als ze te veel pijn hadden of zich onveilig voelden, wat precies is wat je wilt in een test in de echte wereld.

De Conclusie

Het artikel concludeert dat deze "mobiele foodtruck"-aanpak haalbaar is. Het bewijst dat je high-tech bewegingsanalyse uit het chique lab kunt halen en de gemeenschap in kunt brengen zonder efficiëntie te verliezen.

Ze ontdekten dat het opzetten van de apparatuur ongeveer 30 minuten duurt (zoals het opzetten van een tent), maar zodra het staat, kunnen ze in één dag veel mensen testen. Dit opent de deur naar het bestuderen van veel grotere groepen mensen met knie-OA in hun eigen buurten, in plaats van slechts een kleine groep in een universiteitslab.

Kortom: Ze hebben succesvol bewezen dat je een high-tech lab kunt inpakken, naar een seniorencentrum kunt rijden en een soepele, efficiënte operatie kunt runnen die vastlegt hoe echte mensen zich in de echte wereld bewegen.

Technische samenvatting

Hier volgt een gedetailleerde technische samenvatting van het artikel "Shared Strides: Operational feasibility of community-based biomechanics data collection in knee osteoarthritis."

1. Probleemstelling

Traditioneel biomechanisch onderzoek is sterk afhankelijk van optische bewegingsopnamesystemen op basis van markers. Hoewel deze systemen nauwkeurig zijn, lijden ze onder aanzienlijke beperkingen:

• Logistieke beperkingen: Ze zijn doorgaans beperkt tot laboratoriumomgevingen, vereisen hoog opgeleid personeel en behelzen tijdsintensieve opzet- en dataverzamelingsprocessen.
• Beperkingen in steekproefgrootte: Deze beperkingen resulteren in kleine, homogene steekproeven, die ontoereikend zijn voor het bestuderen van heterogene aandoeningen zoals knieartrose (OA).
• Beperkingen in taken: Onderzoek richt zich vaak op geïsoleerde bewegingen (bijvoorbeeld vlakke wandeling) in plaats van een uitgebreid scala aan Activiteiten van het Dagelijks Leven (ADL's), wat de mogelijkheid beperkt om patiëntspecifieke interventiedoelen te identificeren in diverse functionele contexten.

De auteurs stellen dat markerloze bewegingsopname (met behulp van op deep learning gebaseerde pose-schatting) een oplossing biedt door hoogdoorvoer, draagbare dataverzameling mogelijk te maken. De operationele haalbaarheid van het inzetten van deze technologie in gemeenschapsgebonden omgevingen met klinische populaties die meerdere ADL's uitvoeren, blijft echter onbewezen.

2. Methodologie

De studie, getiteld "Shared Strides", is ontworpen om de operationele haalbaarheid van een hoogdoorvoer, gemeenschapsgebonden dataverzamelingsworkflow te evalueren.

• Studieontwerp en locaties:

  • Deelnemers: 85 volwassenen (leeftijd ≥40) met zelfgerapporteerde knie- OA of die voldeden aan de ACR-klinische criteria.
  • Locaties: Dataverzameling vond plaats op vier verschillende locaties gedurende 11 maanden (12 evenementen):
    1. Pensioenwoning (Afgesloten seniorenwoning).
    2. Seniorencentrum (Publiek recreatiecentrum).
    3. Klinisch Laboratorium (Medisch centrum voor quaternaire zorg).
    4. Studentenvereniging (Universiteitscampus).
  • Werving: Inclusief zowel vooraf geplande afspraken als "walk-in" deelnemers.

• Apparatuur en opstelling:

  • Systeem: Een draagbaar markerloos bewegingsopnamesysteem bestaande uit 8 FLIR Blackfly S-camera's en 2 Vicon Vero-camera's (100 Hz), gerangschikt in een ovaal patroon.
  • Kinetic: Een 3,6 m lange Accugait-loopbaan met ingebouwde AMTI krachtplateaus (1000 Hz).
  • Transport: Apparatuur werd vervoerd via een universiteitsvrachtwagen met een laadklep naar locaties buiten de campus; de locatie bij de Studentenvereniging lag naast het laboratorium.
  • Software: Data opgenomen via Vicon Nexus en verwerkt met Theia3D-software.

• Protocol:

  • Workflow: Deelnemers voltooiden geïnformeerde toestemming, elektronische vragenlijsten (REDCap) en antropometrische metingen, gevolgd door bewegingsopname.
  • Taken: Een uitgebreide set ADL's, waaronder zelfgekozen en snelle wandeling, balans op twee/één been, hurken, zitten-naar-staan en op-af stappen.
  • Doel: Minstens drie succesvolle proeven per activiteit verzamelen (behalve de enkele 10-seconden balansproef).

• Maten voor haalbaarheid:

  • Onderzoekswerking: Transittijd, opsteltijd, kalibratietijd, uitvaltijd en aantal personeelsleden.
  • Deelnemersworkflow: Duur van toestemming, vragenlijsten, bewegingsopname en totale bezoektijd (inclusief inactieve/wachttijd).
  • Statistische analyse: Welch's eenweg-ANOVA werd gebruikt om timing-maten tussen locaties te vergelijken (significantie $\alpha = 0,05$).

3. Belangrijkste bijdragen

• Validatie van gemeenschapsinvoering: De studie heeft succesvol aangetoond dat een complex biomechanisch systeem (camera's + krachtplateaus) getransporteerd, opgezet en bediend kan worden in diverse gemeenschapsomgevingen (seniorenwoning, publieke centra) met operationele consistentie die vergelijkbaar is met campusbibliotheken.
• Hoogdoorvoerworkflow: De studie vestigde een schaalbare workflow die in staat is om tot 18 deelnemers op één dag te beoordelen, wat de doorvoer van traditionele lab-gebaseerde studies aanzienlijk overtreft.
• Uitgebreide ADL-beoordeling: In tegenstelling tot eerdere haalbaarheidsstudies die beperkt waren tot wandelen, registreerde dit protocol een breed spectrum aan functionele bewegingen (hurken, trappen, zitten-naar-staan) in een klinische populatie, waarmee een kritieke kloof in OA-onderzoek wordt gedicht.
• Operationele data: Het artikel biedt gedetailleerde timing-data (opzet, kalibratie, uitbouw en deelnemersstroom) die essentieel zijn voor onderzoekers die vergelijkbare meerlocatiestudies plannen.

4. Belangrijkste resultaten

• Demografie deelnemers: 85 deelnemers werden ingeschreven over de vier locaties (26 Pensioenwoning, 39 Seniorencentrum, 13 Klinisch Lab, 7 Studentenvereniging). De populatie was overwegend vrouwelijk (~70%) met een gemiddelde leeftijd van ~73 jaar.
• Operationele haalbaarheid:
  • Opzet/Kalibratie: Gemeenschapslocaties hadden iets langere gemiddelde opsteltijden (35,3 min) vergeleken met locaties op de campus (26,6 min), maar er werden geen statistisch significante verschillen gevonden in de algehele workflow-efficiëntie.
  • Variabiliteit in kalibratie: Kalibratietijden varieerden aanzienlijk (11 tot 170 minuten), voornamelijk door technische probleemoplossing en gebrek aan externe ondersteuning, en niet door de locatie.
• Tijdsbesteding deelnemers:
  • Totale bezoektijd: De gemiddelde totale bezoektijd was 66,4 minuten (SD ± 20,4) over alle locaties.
  • Statistische consistentie: Er waren geen statistisch significante verschillen in timing-maten (toestemming, vragenlijsten, bewegingsopname of totale bezoektijd) tussen de vier locaties ($p > 0,05$).
  • Inactieve tijd: De gemiddelde inactieve tijd (wachten) was laag (7,1 minuten), wat wijst op een goed gecoördineerde workflow waarbij personeel de volgorde van taken dynamisch kon aanpassen om knelpunten te voorkomen.
• Voltooiing taken: 81,2% van de deelnemers voltooide alle ADL's. Wandelproeven duurden het langst (4,2 min zelfgekozen), terwijl balans- en staptaken het vaakst werden overgeslagen vanwege voorkeur van de deelnemer of veiligheidsbezwaren.

5. Betekenis en implicaties

• Schaalbaarheid in klinisch onderzoek: De studie bewijst dat markerloze bewegingsopname de "flesnek in steekproefgrootte" in onderzoek naar het bewegingsapparaat kan overwinnen. Door dataverzameling uit het lab naar de gemeenschap te verplaatsen, kunnen onderzoekers grotere, diversere en klinisch representatievere cohorten werven.
• Patiëntgerichte zorg: Het vermogen om een breed scala aan ADL's te beoordelen in gemeenschapsomgevingen maakt het mogelijk om patiëntspecifieke biomechanische tekortkomingen te identificeren die in een gecontroleerde labomgeving niet zichtbaar hoeven te zijn, wat mogelijk leidt tot meer gepersonaliseerde interventiestrategieën.
• Operationeel blauwdruk: De gedetailleerde timing-maten en workflow-strategieën (bijvoorbeeld flexibele taaksequencing om inactieve tijd te minimaliseren) bieden een praktisch blauwdruk voor toekomstige meerlocatiestudies in biomechanica.
• Toekomstige richtingen: Hoewel de haalbaarheid is vastgesteld, merken de auteurs op dat toekomstig werk zich moet richten op validatie van datakwaliteit tussen locaties, retentiepercentages van deelnemers en optimalisatie van technische ondersteuning om variabiliteit in kalibratie te verminderen.

Concluderend valideert de "Shared Strides"-studie dat hoogdoorvoer, gemeenschapsgebonden dataverzameling in biomechanica operationeel haalbaar is, en biedt een levensvatbaar pad om de grote, heterogene datasets te genereren die nodig zijn om het begrip en de behandeling van knieartrose te verbeteren.