Blog

Mar 18, 2023

Gültigkeit und Zuverlässigkeit der Apple Health App auf dem iPhone zur Messung von Gangparametern bei Kindern, Erwachsenen und Senioren

Wissenschaftliche Berichte Band 13,

Scientific Reports Band 13, Artikelnummer: 5350 (2023) Diesen Artikel zitieren

1250 Zugriffe

7 Altmetrisch

Details zu den Metriken

In dieser Studie wurden die Gleichzeitigkeitsvalidität und die Test-Retest-Zuverlässigkeit der Apple Health-App auf dem iPhone zur Messung von Gangparametern in verschiedenen Altersgruppen bewertet. 27 Kinder, 28 Erwachsene und 28 Senioren, ausgestattet mit einem iPhone, absolvierten einen 6-Minuten-Gehtest (6MWT). Ganggeschwindigkeit (GS), Schrittlänge (SL) und doppelte Unterstützungszeit (DST) wurden aus den Gangaufzeichnungen der Health-App extrahiert. Gangparameter wurden gleichzeitig mit einem Trägheitssensorsystem (APDM Mobility Lab) erfasst, um die gleichzeitige Gültigkeit zu bewerten. Die Test-Retest-Zuverlässigkeit wurde eine Woche später mit einem zweiten iPhone-instrumentierten 6MWT bewertet. Die Übereinstimmung der Gesundheits-App mit dem APDM Mobility Lab war für GS in allen Altersgruppen und für SL bei Erwachsenen/Senioren gut, für DST in allen Altersgruppen und für SL bei Kindern jedoch schlecht bis mäßig. Die Konsistenz zwischen wiederholten Messungen war für alle Gangparameter bei Erwachsenen/Senioren gut bis ausgezeichnet und für GS und DST mäßig bis gut, für SL bei Kindern jedoch schlecht. Die Gesundheits-App auf dem iPhone ist zuverlässig und geeignet für die Messung von GS und SL bei Erwachsenen und Senioren. Bei der Verwendung der Health-App bei Kindern und bei der Messung der Sommerzeit im Allgemeinen ist eine sorgfältige Interpretation erforderlich, da beide eine begrenzte Validität und/oder Zuverlässigkeit gezeigt haben.

Gehen ist die häufigste Bewegungsform des Menschen und ein sicherer und effizienter Gang ist eine lebenslange Voraussetzung für Unabhängigkeit. Schlechter Gang hat sich als Risikofaktor für Stürze, kognitiven Verfall, Behinderung und Mortalität erwiesen1,2,3,4. Daher gilt der Gang als wichtiger Indikator für den allgemeinen Gesundheitszustand5,6, was die klinische Relevanz für regelmäßige Gangbeurteilungen im Gesundheitswesen unterstreicht. Der Gang einer Person wird am häufigsten anhand der Gehgeschwindigkeit beurteilt. Der Gang ist jedoch mehrdimensional und kann nicht allein durch einen Parameter charakterisiert werden7. Die Quantifizierung anderer räumlich-zeitlicher Gangmerkmale ermöglicht einen detaillierteren Einblick in das spezifische Gangmuster und ermöglicht die Identifizierung von Gangstörungen und zugrunde liegenden Mechanismen. Darüber hinaus hat sich beispielsweise gezeigt, dass die Schrittlänge und/oder die doppelte Stützzeit unabhängig von der Ganggeschwindigkeit gesundheitsschädliche Folgen wie Stürze, Behinderung und Mortalität vorhersagen können8,9,10.

Video-Bewegungserfassungssysteme, Kraftplattformen und instrumentierte Gehwege gelten derzeit als Goldstandards für die quantitative Ganganalyse, sind jedoch teuer, ressourcenintensiv und auf den stationären Einsatz in Laborumgebungen beschränkt11,12. Kostengünstigere, benutzerfreundlichere und weniger restriktive Ganganalysemethoden sind tragbare Sensorsysteme, die auf Trägheitsmesseinheiten (IMUs; Beschleunigungsmesser, Gyroskop und Magnetometer) basieren, die an verschiedenen Körperteilen einer Person angebracht sind12. Sie haben sich als valide und zuverlässige Alternative zu stationären Laborsystemen erwiesen und ermöglichen auch Ganganalysen außerhalb des Labors13,14,15,16,17,18. Diese Systeme erfordern jedoch immer noch spezielle Ausrüstung (z. B. Befestigungsmaterial, Host-Computer, Zugangspunkt) und persönlichen Kontakt mit geschultem Personal für den Betrieb (z. B. IMU-Anbringung, Testverwaltung, Datenverarbeitung), und die Testprotokolle konzentrieren sich auf die Überwachung und kontrollierten Bedingungen und decken nur einen begrenzten Zeitraum ab. Auf diese Weise erhaltene Gangparameter beziehen sich darauf, wie eine Person in einer standardisierten Umgebung optimal gehen kann („Gangkapazität“)19, was nachweislich nur einen schwachen Zusammenhang damit hat, wie eine Person tatsächlich in alltäglichen Umgebungen geht („Gang“) Leistung")20,21,22,23. Dieser schwache Zusammenhang kann darauf zurückgeführt werden, dass die Probanden konzentrierter sind oder überdurchschnittliche Leistungen erbringen, wenn es keine äußeren Ablenkungen gibt, die zusätzliche Aufmerksamkeit erfordern, oder dass sie versuchen, so gut sie können zu gehen, wenn sie sich der Beurteilung bewusst sind („Hawthorne-Effekt“)22,24. Das Gehen im täglichen Leben ist komplexer und wird von verschiedenen Umweltfaktoren beeinflusst, die unter kontrollierten Bedingungen nicht auftreten. Auch Messungen über einen kurzen Zeitraum („Momentaufnahmebeobachtungen“) können akute Veränderungen nicht überwachen, wenn sie auftreten, oder zwischen akuten Veränderungen und langsameren Veränderungen im Zeitverlauf unterscheiden.

Jüngste Fortschritte in der Sensortechnologie haben zu tragbaren Sensoren geführt, die nun eine unauffälligere und kontinuierlichere Fernüberwachung des Gangs über längere Zeiträume ermöglichen, während man im Alltag frei und unbeaufsichtigt geht24,25,26. Eine eigenständige IMU wird normalerweise mit einem speziellen elastischen Gürtel oder einem Hautklebeband im Lendenbereich nahe dem Schwerpunkt des Probanden platziert und über mehrere Tage kontinuierlich getragen1,20,27,28. Nach Ablauf der Messzeit wird der Sensor entfernt und die Rohdaten werden mit Offline-Softwaretools verarbeitet und analysiert. Während diese IMUs die Gangüberwachung im täglichen Leben ermöglichen, sind sie noch nicht leicht zugänglich, hängen vom Bedarf an Spezialausrüstung, der Bereitschaft und Akzeptanz, den Sensor zu tragen, sowie technischen Kenntnissen für die Datenverarbeitung ab und geben den Probanden kein unmittelbares Feedback zu ihrem Gang Leistung.

Smartphones sind zu einem fast integralen Bestandteil des menschlichen Lebens geworden. Die Zahl der weltweiten Smartphone-Nutzer wird bis 2022 auf etwa 6,6 Milliarden geschätzt, was darauf hindeutet, dass mehr als 80 % der Weltbevölkerung ein Smartphone besitzen29. Heutzutage sind diese allgegenwärtigen mobilen elektronischen Geräte normalerweise mit IMUs ausgestattet, die auch für die unauffällige und kontinuierliche Gangüberwachung im täglichen Leben verwendet werden können. Angesichts der Allgegenwärtigkeit, einfachen Zugänglichkeit und hohen Akzeptanz von Smartphones können Anwendungen (Apps), die diese integrierten IMUs zur Gangüberwachung in Kombination mit benutzerfreundlichen Schnittstellen, automatischer Datenverarbeitung und -analyse sowie Echtzeitberichten über die Gangleistung nutzen, möglicherweise verwendet werden Überwinden Sie die Einschränkungen eigenständiger IMUs. Es gibt neue Belege für die Gültigkeit und/oder Zuverlässigkeit von Smartphone-Apps zur Quantifizierung räumlich-zeitlicher Gangparameter bei Kindern und Jugendlichen30, jungen und/oder älteren Erwachsenen31,32,33,34,35,36,37,38 und Patienten mit (neuro-)muskuläre Pathologien39,40,41,42. Abgesehen von wenigen Ausnahmen (z. B. Apple Health, OneStep, Gait Analyzer) konzentrieren sich die meisten dieser Apps immer noch auf standardisierte Messungen der Gangkapazität, indem sie multimediale Anweisungen für selbst durchgeführte Testprotokolle bereitstellen34,35,36,39,40 und hängen a standardisierte Platzierung des Smartphones (z. B. Iliosakralgürtel)35,36,39,42.

Die frei zugängliche Apple Health App (auch bekannt als HealthKit) auf dem iPhone bietet eine passive, unauffällige und vollautomatische Methode zur Messung der täglichen Gangleistung des Benutzers, während er das iPhone in der Tasche trägt und ohne bewusste Messauslösung. Raum-zeitliche Gangparameter werden in Echtzeit auf einer benutzerfreundlichen Oberfläche bereitgestellt und in interaktiven Diagrammen visualisiert, um den Fortschritt im Zeitverlauf zu überprüfen. Die gleichzeitige Gültigkeit der Health-App zur Messung von Ganggeschwindigkeit, Schrittlänge und doppelter Unterstützungszeit wurde kürzlich mit einem instrumentierten Gehwegsystem nach Goldstandard bei Senioren dokumentiert38. In dieser Altersgruppe wurden auch minimal nachweisbare Änderungen (MDCs) für die geräteübergreifende Zuverlässigkeit dieser Gangparameter berichtet. Nach unserem Kenntnisstand gibt es jedoch keine Belege für die psychometrischen Eigenschaften der Gesundheits-App bei jüngeren Bevölkerungsgruppen wie Kindern, Jugendlichen und Erwachsenen im jungen oder mittleren Alter, die häufiger ein iPhone besitzen als Senioren43. Darüber hinaus ist die Test-Retest-Reliabilität der Gesundheits-App unabhängig von der Altersgruppe noch unbekannt. Da die Gesundheits-App auf die kontinuierliche Überwachung der Gangleistung und -veränderungen im täglichen Leben abzielt, ist das Wissen über die Stabilität ihrer Messwerte im Laufe der Zeit bei Personen mit unverändertem Gang jedoch von entscheidender Bedeutung, um festzustellen, ob tatsächlich eine Gangveränderung eingetreten ist.

Ziel dieser Studie war es daher, die gleichzeitige Validität mit einem Multi-IMU-basierten Ganganalysesystem und die Test-Retest-Zuverlässigkeit der Health-App auf dem iPhone zur Messung von Ganggeschwindigkeit, Schrittlänge und doppelter Unterstützungszeit bei Kindern zu bewerten. Erwachsene und Senioren.

Diese Beobachtungsstudie wurde von März 2022 bis August 2022 durchgeführt. Ein Querschnittsdesign wurde verwendet, um die gleichzeitige Gültigkeit der Gesundheits-App zu bewerten. Die Test-Retest-Zuverlässigkeit wurde anhand eines prospektiven Designs mit zwei Testsitzungen im Abstand von einer Woche bewertet. Die Studie wurde gemäß den Richtlinien der Deklaration von Helsinki durchgeführt und von der Ethikkommission der Medizinischen Fakultät Heidelberg genehmigt (S-042/2022, 1. Januar 2022). Vor der Aufnahme in die Studie wurde von allen Teilnehmern (und Erziehungsberechtigten von Teilnehmern unter 18 Jahren) eine schriftliche Einverständniserklärung eingeholt. Die Studie wurde prospektiv im Deutschen Register Klinischer Studien registriert (DRKS00028074).

Es wurden drei Teilnehmergruppen rekrutiert: (1) Kinder zwischen 12 und 17 Jahren aus den Jugendmannschaften eines Profifußballvereins (TSG Hoffenheim e.V.), (2) Erwachsene zwischen 18 und 64 Jahren aus den Eltern der Kinder, den Bekannten der Forschung Team und das Personal eines deutschen geriatrischen Krankenhauses sowie (3) Senioren ≥ 65 Jahre aus gesunden Populationen früherer Studien, die im Studienzentrum durchgeführt wurden. Einschlusskriterien waren ein Alter ≥ 12 Jahre, ausreichende Deutschkenntnisse, die Fähigkeit, die körperlichen Aufgaben auszuführen und Studienanweisungen zu verstehen, sowie eine schriftliche Einverständniserklärung (der Erziehungsberechtigten). Ausschlusskriterien waren schwere Erkrankungen des Bewegungsapparates, des Herz-Kreislauf-Systems, neurologische, sensorische, kognitive oder psychiatrische Störungen sowie akute Erkrankungen oder Verletzungen.

Die Stichprobengröße wurde in jeder Altersgruppe auf n ≥ 27 geschätzt, basierend auf einer vorherigen Leistungsanalyse für die Übereinstimmung zwischen Methoden (Gesundheits-App vs. APDM Mobility Lab) und wiederholten Messungen (Test vs. Wiederholungstest), mit einem erwarteten ICC von 0,90 und ein akzeptabler ICC von 0,70 für zwei Messungen (k = 2, Health App vs. APDM Mobility Lab), eine statistische Trennschärfe (1 − β) von 0,80 und ein Signifikanzniveau (α) von 0,0544, mit einer möglichen Abbrecherquote von 15 %.

Demografische und klinische Merkmale einschließlich Alter, Geschlecht und chronischen Krankheiten (ja vs. nein) wurden durch standardisierte Interviews ermittelt. Der Gewichtsstatus wurde anhand des Body-Mass-Index (BMI) bewertet und in Untergewicht, Normalgewicht und Übergewicht eingeteilt45. Der kognitive Status wurde mit dem Short Orientation-Memory-Concentration Test46 beurteilt. Der selbstberichtete Gesundheitszustand wurde anhand des Interviewformulars des EuroQol 5-Dimensions 3-Levels-Fragebogens (EQ-5D-3L) und der visuellen Analogskala des EQ (EQ VAS)47,48 ermittelt. Die körperliche Funktion wurde mithilfe der Handgriffstärke (JAMAR® PLUS + Dynamometer, Performance Health Supply Inc., Cedarburg, WI, USA)49 gemessen, die je nach Europäer (Kinder)50 oder Deutsch (Erwachsene und Erwachsene) in niedrig, normal und hoch eingeteilt wurde Senioren)51 normative Werte. Die körperliche Aktivität (PA) wurde mithilfe des International Physical Activity Questionnaire-Short Form (IPAQ-SF)52 bewertet. Gemäß dem IPAQ-SF-Bewertungsprotokoll wurden die PA-Werte in niedrig, mittel und hoch kategorisiert53. Alle Fragebögen und Testverfahren wurden unter standardisierten Bedingungen von einem wissenschaftlichen Mitarbeiter durchgeführt, der zuvor eine umfassende Schulung in seiner Verwaltung erhalten hatte.

Gangparameter wurden über die Health-App während eines 6-minütigen Gehtests (6MWT) erfasst, den Teilnehmer mit einem iPhone (Modell: SE 64 GB, iOS-Softwareversion: 15.4) in der rechten Vordertasche ihrer Hose und dem Display absolvierten dem Teilnehmer zugewandt. Die Teilnehmer wurden angewiesen, 6 Minuten lang ununterbrochen in ihrem gewohnten, angenehmen Tempo einen flachen und geraden 20 m langen Gehweg entlang zu gehen, wobei an jedem Ende Kegel angebracht waren, um Wendepunkte anzuzeigen. Die Drehrichtung wurde standardisiert, um die Kegel gegen den Uhrzeigersinn zu umrunden. Für jeden Teilnehmer gab der Testleiter die persönlichen Daten (Geburtsdatum, Geschlecht, Größe, Gewicht) in die Health-App ein, bevor er das iPhone in die Tasche des Teilnehmers steckte, notierte sich den genauen Zeitpunkt für den Beginn des 6MWT und Die gesamte Gehstrecke wurde anhand der Rundenzahlen und eines Maßbandes gemessen. Vor dem Startsignal und nach dem Endsignal wurden die Teilnehmer gebeten, 10 Sekunden lang still zu stehen, um bei der anschließenden Datenextraktion und -verarbeitung in der Health-App die Identifizierung der Geheinheiten für ihren 6MWT zu erleichtern.

Alle Kinder und einige der erwachsenen Teilnehmer (Eltern der Kinder, Bekannte des Forschungsteams) absolvierten den 6MWT im Freien auf einem festen und ebenen Untergrund auf dem Trainingsgelände des Profifußballvereins. Aus dem Krankenhauspersonal rekrutierte Erwachsene und alle Senioren absolvierten den 6MWT drinnen auf einem langen und breiten Flur im Geriatriekrankenhaus.

Ab der 8. Generation des iPhones mit seinen integrierten IMUs und dem mobilen Betriebssystem iOS 14 zeichnet diese vorinstallierte Gesundheits- und Fitness-App von Apple Inc. (Cupertino, CA, USA) passiv und unauffällig die alltägliche Gangleistung auf der iPhone-Benutzer. Wenn das iPhone auf Hüfthöhe getragen wird (z. B. in der Hosentasche) und der Benutzer in gleichmäßigem Tempo auf ebenem Untergrund geht, erkennt die Health-App automatisch einen Gehvorgang und liefert Mittelwerte für die Ganggeschwindigkeit (m/s). , Schrittlänge (cm) und doppelte Stützzeit (% des Gangzyklus mit zwei Füßen auf dem Boden) des Gehvorgangs. Diese Gangparameter werden aus einem biomechanischen Gehmodell abgeleitet, das von der anhand der Körpergröße des Benutzers geschätzten Beinlänge abhängt. Um die genauesten Parameterschätzungen zu erhalten, muss der Benutzer daher die Körpergröße in die Health-App eingeben38. Die Health-App unterstützt keine manuelle Datenverarbeitung vor der automatischen Analyse (z. B. zum Ausschluss von Drehbewegungen) und ermöglicht auch keinen Zugriff auf einzelne Gangzyklen, sondern liefert automatisch nur die Mittelwerte der Gangparameter für die identifizierten Geheinheiten. Detaillierte Informationen über das biomechanische Modell und die Algorithmen, die zur Schätzung dieser Gangparameter verwendet werden, wurden von Apple Inc. noch nicht veröffentlicht. Die App hat eine Altersfreigabe von ≥ 12 Jahren54.

Für jede 6MWT eines Teilnehmers wurden die von der Health-App automatisch geschätzten Gangparameter wie folgt extrahiert: Die Daten wurden im XML-Format zur weiteren Datenverarbeitung auf einen lokalen PC exportiert55. Die XML-Datei wurde dann in Microsoft Excel (Version 16.64; Microsoft Corp, Redmond, WA, USA) importiert. Basierend auf der vom Testadministrator notierten 6MWT-Startzeit und den in der XLSX-Datei bereitgestellten Zeitstempeln für Beginn und Ende der Gangaufzeichnungen wurden Geheinheiten für die spezifischen 6MWT jedes Teilnehmers identifiziert und die entsprechenden Mittelwerte für Ganggeschwindigkeit, Schrittlänge, und doppelte Stützzeit wurden extrahiert.

Um die gleichzeitige Gültigkeit der Health-App zu beurteilen, wurden während des 6MWT zusätzlich Gangparameter gemessen, wobei das APDM Mobility Lab (APDM Inc., Portland, OR, USA) als Referenzstandard verwendet wurde, der bei Kindern, Erwachsenen und anderen erfolgreich validiert wurde Senioren13,14,15. Gleichzeitig mit dem in der Hosentasche getragenen iPhone wurden drei synchronisierte Opal-IMUs (Größe = 55 × 40,2 × 12,5 mm, Gewicht < 25 g) mit Riemen beidseitig an beiden Füßen und dem fünften Lendenwirbel befestigt. Die Opal-IMUs umfassen zwei 3-Achsen-Beschleunigungsmesser (Bereich: ± 16 g und ± 200 g, Auflösung: 14 und 17,5 Bit), ein Gyroskop (Bereich: ± 2000°/s, Auflösung: 12 Bit) und ein Magnetometer (Bereich: ± 8). Gauss, Auflösung 12 Bit) und zeichnen mit einer Abtastfrequenz von 128 Hz auf. Das APDM Mobility Lab nutzt Hochfrequenzkommunikation zur drahtlosen Datenübertragung und Synchronisierung der mehreren Opal-IMUs über einen Zugangspunkt, der mit einem Host-Computer verbunden ist. Innerhalb der APDM Mobility Lab-Software (V2.0.0.201903301644) wurde ein Testprotokoll für den 6MWT entwickelt, bei dem nach Drücken von Start durch den Testadministrator die Zeit automatisch bis zu einem akustischen Stoppsignal abläuft. Start- und Stoppsignale wurden vom Testleiter lautstark an die Teilnehmer weitergeleitet. Die APDM Mobility Lab-Software wurde verwendet, um die aufgezeichneten Daten automatisch zu analysieren und Mittelwerte der Ganggeschwindigkeit (m/s), der Schrittlänge (cm) und der Gesamtzeit der doppelten Unterstützung (%) zu extrahieren. Drehschritte werden von der Software nicht in die Gangparameterextraktion einbezogen, sondern nur das Geradeausgehen.

Um die Test-Retest-Zuverlässigkeit der Health-App zu beurteilen, wurde der mit dem iPhone instrumentierte 6MWT eine Woche (6,9 ± 0,5 Tage) nach der ersten Testsitzung wiederholt. Dieser erneute Test wurde unter den gleichen Bedingungen wie der erste durchgeführt (dh gleiche Testumgebung, gleicher Testadministrator und gleiche iPhone-Platzierung).

Beschreibende Daten wurden als Häufigkeit und Prozentsatz, Median und Interquartilbereich (IQR) oder Mittelwert und Standardabweichung (SD) dargestellt. Der Grad der Übereinstimmung zwischen Methoden (Health App vs. APDM Mobility Lab) und wiederholten Messungen (Test vs. Retest) zur Erfassung von Ganggeschwindigkeit, Schrittzeit und Doppelunterstützungszeit wurde durch Berechnung systematischer Unterschiede (Bias) mit 95 %-Konfidenzintervallen bewertet (KI), 95 %-Übereinstimmungsgrenzen (LOA = Mittelwert ± 1,96 × SDbias) und klasseninterne Korrelationskoeffizienten (ICC2,1, absolute Übereinstimmung) mit 95 %-KI. ICCs wurden als schlecht (< 0,50), mäßig (0,50 < 0,75), gut (0,75 < 0,90) oder ausgezeichnet (≥ 0,90) interpretiert56. Es wurden auch Bland-Altman-Diagramme erstellt, um den Grad der Übereinstimmung zu veranschaulichen57. Prozentuale Fehler (PE) der Health-App im Vergleich zum APDM Mobility Lab wurden berechnet, indem der 1,96 × SDbias durch den Mittelwert für beide Methoden dividiert wurde, und wurden als klinisch akzeptabel angesehen, wenn < 30 %58. Standardmessfehler (SEM) wurden anhand der Quadratwurzel der mittleren quadratischen Fehlerterme aus Varianzanalysen mit wiederholten Messungen zwischen den Test-Retest-Messungen berechnet59. MDCs beim 95 %-KI wurden als SEM × 1,96 × √2 berechnet. SEM% und MDC95% wurden auch als Prozentsatz des Mittelwerts der Test-Retest-Messungen berechnet. SEM % wurden als niedrig (≤ 10 %) oder hoch (> 10 %) und MDC % als akzeptabel angesehen, wenn < 30 %60,61. Statistische Analysen wurden mit IBM SPSS Statistics, Version 27.0 (IBM Corp., Armonk, NY, USA) durchgeführt.

Die Gesamtstichprobe umfasste 83 Teilnehmer: 27 Kinder (14,0 ± 1,5 Jahre), 28 Erwachsene (31,3 ± 11,3 Jahre) und 28 Senioren (75,6 ± 5,7 Jahre). Nur zwei Senioren gaben an, an chronischen Krankheiten zu leiden. Mehr als zwei Drittel jeder Altersgruppe (68–85 %) konnten als normalgewichtig eingestuft werden. Der selbstberichtete Gesundheitszustand war gut bis ausgezeichnet, mit mittleren EQ-5D-5L-Indizes von ≥ 0,93 Punkten und mittleren EQ-VAS-Werten von ≥ 72,1 Punkten in allen drei Altersgruppen. Mehr als 90 % der Teilnehmer (75 von 83) zeigten eine normale bis hohe Handgriffkraft. Die PA-Werte weisen auf eine insgesamt körperlich aktive Stichprobe hin. Weitere Teilnehmermerkmale sind in Tabelle 1 dargestellt.

Die Gesundheits-App lieferte keine Gangdaten für vier Teilnehmer (4,8 %, Kinder: n = 3, Erwachsene: n = 1) und keine Daten zur doppelten Unterstützungszeit für weitere 13 Teilnehmer (15,7 %, Kinder: n = 6, Erwachsene: n). = 3, Senioren: n = 4). Für die mit dem APDM Mobility Lab erfassten Gangdaten wurden keine fehlenden Daten festgestellt.

Der Grad der absoluten Übereinstimmung zwischen der Health-App und dem APDM Mobility Lab war bei der Ganggeschwindigkeit am höchsten, mit klinisch akzeptablen PEs (11,6–14,1 %) und guten ICCs im Bereich von 0,85 bis 0,86 in allen drei Altersgruppen (Tabelle 2). Die Übereinstimmung war bei der Schrittlänge geringer, mit klinisch akzeptablen PEs (9,8–14,8 %) in allen drei Altersgruppen und guten ICCs bei Erwachsenen (0,78) und Senioren (0,76), aber nur einem moderaten ICC (0,53) bei Kindern. Die niedrigste Übereinstimmung wurde bei der doppelten Unterstützungszeit beobachtet: PEs waren bei Kindern (27,7 %) und Erwachsenen (18,4 %) klinisch akzeptabel, jedoch nicht bei Senioren (31,6 %); Die ICCs reichten von schlecht bei Senioren (0,42) bis mäßig bei Kindern (0,54) und Erwachsenen (0,58). Bland-Altman-Diagramme zur Übereinstimmung zwischen der Health-App und dem APDM Mobility Lab zeigten kein systematisches Verzerrungsmuster mit steigenden oder fallenden Werten (Abb. 1a–i).

Bland-Altman-Diagramme für Ganggeschwindigkeit (a–c), Schrittlänge (d–f) und doppelte Unterstützungszeit (g–i), gemessen mit der Health-App und dem APDM Mobility Lab bei Kindern, Erwachsenen und Senioren. Durchgezogene Linien zeigen mittlere Unterschiede zwischen den Methoden (Bias) und gestrichelte Linien zeigen die oberen und unteren 95 %-Grenzen der Übereinstimmung an.

Sieben Teilnehmer (8,4 %, Kinder: n = 6, Senioren: n = 1) konnten eine Woche nach dem ersten Test aufgrund von COVID-19, anderen akuten Erkrankungen oder Verletzungen nicht am wiederholten 6MWT teilnehmen. Von den 76 durchgeführten Retest-Messungen lieferte die Health-App für 16 Teilnehmer (21,1 %; Kinder: n = 6, Erwachsene: n = 7, Senioren: n = 3) keine Gangdaten und für weitere 18 keine Daten zur doppelten Unterstützungszeit Teilnehmer (44,7 %; Kinder: n = 5, Erwachsene: n = 8, Senioren: n = 3). Unter Berücksichtigung der fehlenden Daten von vier Teilnehmern beim ersten Test wurde die Test-Retest-Zuverlässigkeit für Ganggeschwindigkeit und Schrittlänge bei 56 Teilnehmern (67,5 %, Kinder: n = 12, Erwachsene: n = 20, Senioren: n = 24) analysiert für doppelte Betreuungszeit bei 38 Teilnehmern (45,8 %, Kinder: n = 7, Erwachsene: n = 10, Senioren: n = 21).

Zwischen den wiederholten Messungen wurden durchweg gute bis ausgezeichnete ICCs für Ganggeschwindigkeit, Schrittlänge und doppelte Unterstützungszeit bei Erwachsenen (0,75–0,80) und Senioren (0,88–0,93) erzielt (Tabelle 3). Bei Kindern waren die ICCs für die Ganggeschwindigkeit (0,61) und die doppelte Stützzeit (0,79) mäßig bis gut, für die Schrittlänge jedoch nur schlecht (0,39). Für alle Gangparameter in allen Altersgruppen wurden niedrige SEM % (2,4–8,1 %) und akzeptable MDC95 % (6,5–22,4 %) gefunden, wobei sie bei Senioren am niedrigsten waren. MDC95 reichte von 0,20 bis 0,30 m/s für die Ganggeschwindigkeit, von 6,1 bis 14,1 cm für die Schrittlänge und von 1,8 bis 3,4 % für die doppelte Stützzeit. Im Allgemeinen waren die Test-Retest-Unterschiede (Bias, 95 % LOA), SEMs und MDCs bei Kindern größer als bei Erwachsenen und Senioren. Bland-Altman-Diagramme zeigten keine systematischen Verzerrungsmuster für die Übereinstimmung zwischen den wiederholten Messungen (Abb. 2a – i).

Bland-Altman-Diagramme für wiederholte Messungen der Ganggeschwindigkeit (a–c), der Schrittlänge (d–f) und der doppelten Unterstützungszeit (g–i), gemessen mit der Health-App bei Kindern, Erwachsenen und Senioren. Durchgezogene Linien zeigen mittlere Unterschiede zwischen den Methoden (Bias) und gestrichelte Linien zeigen die oberen und unteren 95 %-Grenzen der Übereinstimmung an.

Die Studie bewertete die gleichzeitige Gültigkeit der Health-App auf dem iPhone mit dem APDM Mobility Lab und ihre Test-Retest-Zuverlässigkeit über eine Woche zur Messung räumlich-zeitlicher Gangparameter bei Kindern, Erwachsenen und Senioren. Unseres Wissens ist dies der erste Beleg für die psychometrischen Eigenschaften der Gangmessungen der Health-App in verschiedenen Altersgruppen.

Gangparameter wurden während eines 6MWT erfasst, den die Teilnehmer mit normaler Ganggeschwindigkeit absolvierten. In Anbetracht des tatsächlichen Anwendungsfalls der Health-App zur Messung der Gangleistung im täglichen Leben wurde der 6MWT ausgewählt, da er das reale Gehverhalten besser widerspiegelt als andere klinisch etablierte Gehtests62,63, und es wurde das übliche Tempo vorgeschrieben, da es stärker damit assoziiert ist Alltagsgang als schnelles Tempo64. Darüber hinaus wurde in der vorherigen Studie von Apple Inc.38 auch ein 6MWT verwendet, um die gleichzeitige Gültigkeit der Gesundheits-App bei Senioren zu testen.

Von den insgesamt 159 während der Test- und Wiederholungstestsitzungen durchgeführten Messungen lieferte die Health-App für 20 Teilnehmer (12,6 %) keine Gangdaten und für 51 Teilnehmer (32,1 %) keine Daten zur doppelten Unterstützungszeit, wobei die meisten fehlenden Daten bei Kindern beobachtet wurden. Eine mögliche Erklärung für diese Ergebnisse könnte die Nichtstandardisierung der Hosen der Teilnehmer während des 6MWT sein. Lockere Hosen mit größeren Taschen könnten zu mehr künstlichen Smartphone-Bewegungen und/oder größeren Abweichungen vom Schwerpunkt des Teilnehmers geführt haben, was zu einem schlechteren Signal für die Erkennung von Gangereignissen und die Datenverarbeitung führte. Tatsächlich wurde eine solche lockere Kopplung des iPhones häufiger bei Kindern beobachtet. Auch fehlende Angaben zur doppelten Stützzeit könnten mit dieser Vorgehensweise beim Tragen des iPhones zusammenhängen. Während die Messung der anderen Gangparameter ausschließlich auf der Erkennung von Fersenaufsätzen basiert, basiert die Messung der doppelten Stützzeit auf der Erkennung sowohl von Fersenaufsätzen als auch von Zehenabständen. Probleme bei der Erkennung eines dieser Ereignisse können dazu führen, dass die doppelte Supportzeit nicht erkannt und berechnet wird. Angesichts der Tatsache, dass das Zehen-Ab-Ereignis auch während einer sanfteren Fußbewegung auftritt und IMUs in der Regel größere Fehler bei der Erkennung dieses Ereignisses aufweisen65,66,67, ist die doppelte Stützzeit möglicherweise auch anfälliger für Nichterkennung als die anderen Parameter, wenn das iPhone getragen wird unter nicht optimalen Bedingungen. Insgesamt stützen diese Ergebnisse die Empfehlungen von Apple Inc.38, dass ein gutes Signal für die Verfügbarkeit von Gangmessungen aus der Health-App erforderlich ist, indem das iPhone eng an den Massenschwerpunkt des Benutzers gekoppelt wird.

Die gleichzeitige Gültigkeit der Health-App wurde anhand eines etablierten, auf mehreren IMUs basierenden Systems zur Ganganalyse (APDM Mobility Lab) bewertet13,14,15. Der Grad der Übereinstimmung zwischen den beiden Methoden war für die Ganggeschwindigkeit in allen Altersgruppen gut (ICC ≥ 0,85). Eine geringere Übereinstimmung wurde bei der Schrittlänge beobachtet, die bei Erwachsenen und Senioren immer noch gut war (ICC > 0,76), bei Kindern jedoch mäßig war (ICC = 0,53). Bei der doppelten Unterstützungszeit war die Übereinstimmung am niedrigsten und nur schlecht bis mäßig (ICC = 0,42–0,58). Diese Ergebnisse entsprechen denen von Apple Inc.38 für die Gültigkeit der Health-App im Vergleich zu einem instrumentierten Gehweg bei Senioren, mit guten bis hervorragenden Übereinstimmungswerten für Ganggeschwindigkeit (ICC = 0,92) und Schrittlänge (ICC = 0,84). aber moderat für doppelte Stützzeit (ICC = 0,53).

Frühere Studien zur Validität einer anderen Smartphone-App, die eine unauffällige Gangüberwachung im täglichen Leben ermöglicht (OneStep), zeigten ähnliche Ergebnisse auch bei gesunden Erwachsenen32 und Patienten mit Erkrankungen des Bewegungsapparates41. Die Übereinstimmung der OneStep-App mit unterschiedlichen Referenzstandards (APDM Mobility Lab, Zeno Walkway) war bei Ganggeschwindigkeit (ICC = 0,94, Pearson-Korrelationskoeffizient [r] = 0,89–0,91) und Schrittlänge (ICC = 0,80, r = 0,65–) höher. 0,84) als für die Unterstützung mit zwei Gliedmaßen (ICC = 0,52, r = 0,61–0,62). Die geringere Validität für die Messung der doppelten Stützzeit wurde auch für eigenständige IMUs bei normalem68 und pathologischem Gang69,70 berichtet. Wie bereits erwähnt, wurde in diesem Zusammenhang häufig die Schwierigkeit, sowohl den Fersenauftritt als auch das Abheben der Zehen genau zu erkennen, um diesen Gangparameter abzuschätzen, als potenzieller Grund für größere Messfehler bei diesem Gangparameter genannt65,66,67, was auch der Fall sein kann Hülle für die Health-App. Darüber hinaus ist nicht ganz klar, ob dieser Befund eine Einschränkung der Health-App oder möglicherweise des Referenzstandards darstellt, da APDM Mobility ebenfalls eine begrenzte Gültigkeit für die Messung der doppelten Unterstützungszeit gezeigt hat15. Da für diesen Gangparameter jedoch ähnliche Übereinstimmungsgrade zwischen der Health-App (ICC = 0,53) und einem instrumentierten Gehweg gemeldet wurden38, gehen wir nicht davon aus, dass dieser Befund mit der Einschränkung des APDM Mobility Lab zusammenhängt.

Apple Inc.38 berichtete über etwas höhere Übereinstimmungsgrade der Health-App mit dem Referenzstandard (ICC = 0,53–0,92) im Vergleich zur vorliegenden Studie (ICC = 0,42–0,86). Dies hängt möglicherweise mit der Tatsache zusammen, dass wir aufgrund des fehlenden Zugriffs auf die einzelnen Gangzyklen in der Health-App nicht in der Lage waren, diese vor der Datenanalyse genau zeitlich mit dem Referenzstandard abzugleichen, wie dies von Apple Inc. durchgeführt wurde38. Daher basierten die von den automatischen Analysen der Health-App und des APDM Mobility Lab bereitgestellten Mittelwerte für die Gangparameter möglicherweise nicht auf genau denselben Gangzyklen innerhalb des 6MWT, was sich auf den Übereinstimmungsgrad zwischen den beiden Systemen ausgewirkt haben könnte.

Die Validitätsstatistiken zur Messung von Ganggeschwindigkeit und/oder Schrittlänge waren ziemlich ähnlich oder nur geringfügig niedriger als zuvor für die Health-App bei Senioren (ICC = 0,84–0,92)38 und für OneStep (ICC = 0,80–0,96)32,33 und Gait-Analyzer-Apps bei Erwachsenen (mittlere Abweichung: Ganggeschwindigkeit = − 0,09 bis 0,05 m/s, Schrittlänge = − 4,0 bis 2,3 cm)37. Die geringere Validität könnte auf die Tatsache zurückzuführen sein, dass in diesen Studien Befestigungsmaterial für die Smartphone-Positionierung verwendet wurde (Taschenhalterung, Hüfttasche, Hüftclip)32,33,37,38, was nachweislich eine höhere Validität für die Smartphone-basierte Ganganalyse bietet als beim Tragen in der Hosentasche71, wie es in der aktuellen Studie durchgeführt wurde.

Im Vergleich zur gleichzeitigen Gültigkeit, die für eigenständige IMUs gemeldet wurde, zeigte die Health-App ein ähnliches Maß an Übereinstimmung mit dem Referenzstandard zur Messung von Ganggeschwindigkeit und Schrittlänge bei Erwachsenen (ICC = 0,83–0,92, PE = 12,3–15,1 %).68,72 . Bei Senioren ähnliche Werte (ICC = 0,79–0,95, PE = 12,5–14,7 %)72,73, in einigen Fällen jedoch auch deutlich höhere Zustimmungswerte (ICC = 0,99, PE = 2,1–2,3 %74; mittlere Abweichung: Ganggeschwindigkeit = 0,02). Für diese Gangmessungen über solche IMUs wurden Werte von ca. ± 0,02 m/s, Schrittlänge = –0,59 ± 0,87 cm75) berichtet.

Die geringere Validität der Health-App für die Schrittlänge von Kindern könnte durch die lockereren Hosen mit größeren Taschen erklärt werden, die möglicherweise mit mehr künstlichen Smartphone-Bewegungen und damit einer größeren Messverzerrung in Verbindung gebracht wurden. Eine weitere mögliche Erklärung könnte sein, dass das biomechanische Modell des Gehens, aus dem die Gangparameter von der Health-App abgeleitet werden, möglicherweise auf der Anthropometrie von Erwachsenen und nicht von Kindern und Jugendlichen basiert.

Die Test-Retest-Zuverlässigkeit der Health-App war für alle Gangparameter bei Erwachsenen (ICC = 0,75–0,80) und Senioren (ICC = 0,88–0,93) durchweg gut bis ausgezeichnet. Diese Ergebnisse entsprechen denen der OneStep- und Gait-Analyzer-Apps, die ebenfalls eine gute bis ausgezeichnete Test-Retest-Zuverlässigkeit für die Messung der Ganggeschwindigkeit (ICC = 0,77–0,98), der Schrittlänge (ICC = 0,80–0,97) und/oder des Doppelschritts zeigten Unterstützungszeit (ICC = 0,90–0,98) bei Erwachsenen31,33,37. Im Gegensatz dazu war die Zuverlässigkeit der Health-App für die Messung von Ganggeschwindigkeit und Schrittlänge bei Kindern schlecht bis mäßig (ICC = 0,39–0,61) und damit niedriger als die der Gait Analyzer-App bei Kindern und Jugendlichen (ICC = 0,87–0,94). 30. Eine mögliche Erklärung für die geringere Zuverlässigkeit bei Kindern im Vergleich zu Erwachsenen und Senioren in der aktuellen Studie und der Gait-Analyzer-App könnte die Tatsache sein, dass unsere Kinder den 6MWT im Freien durchgeführt haben. Diese Testbedingungen waren bei den wiederholten Messungen aufgrund teilweise unkontrollierbarer Kontext- und Umweltfaktoren (z. B. Wetterbedingungen, vorbeigehende Personen) möglicherweise variabler als die Bedingungen in Innenräumen, die für die meisten Erwachsenen und alle Senioren sowie für den Test-Retest-Test vorherrschten Zuverlässigkeit der Gait-Analyzer-App30. Generell sind unsere Ergebnisse zur Zuverlässigkeit bei Kindern jedoch aufgrund der geringen Stichprobengröße auch mit Vorsicht zu interpretieren.

SEMs wurden berechnet, um die Variabilität innerhalb des Subjekts zu ermitteln, die typischerweise aufgrund zufälliger Messfehler auftritt. Nach unserem Kenntnisstand wurden solche Informationen zu SEM noch nicht für die Health App oder eine andere Smartphone-App gemeldet, die eine Gangüberwachung im täglichen Leben ermöglicht. Für Smartphone-Apps, die sich auf standardisierte Gangkapazitätsmessungen konzentrieren, wurden etwas niedrigere SEMs und SEM % bei gesunden Erwachsenen (SEM %: Ganggeschwindigkeit = 2,0–3,8 %, Schrittlänge = 2,5–4,0 %)36,42 und Patienten mit neurologischen Erkrankungen (SEM) berichtet %: Ganggeschwindigkeit = 4,8 %, Schrittlänge = 2,5 %39; SEM: Ganggeschwindigkeit = 0,01–0,02 m/s42). SEM% der Health-App lagen jedoch für alle Gangparameter und in allen Altersgruppen unter 10 %, was oft als kleiner zufälliger Messfehler angesehen wurde42,60,61.

Basierend auf dem SEM wurden die MDC95- und MDC95 %-Werte für jeden mit der Health-App erfassten Gangparameter berechnet. Diese Werte bieten die Möglichkeit festzustellen, ob eine tatsächliche Veränderung stattgefunden hat, die über den Messfehler oder die Variabilität innerhalb des Subjekts hinausgeht; Daher sind sie für die Erkennung von Veränderungen im Laufe der Zeit oder die Bewertung von Behandlungseffekten äußerst relevant. MDC95 % für Ganggeschwindigkeit, Schrittlänge und doppelte Unterstützungszeit waren in allen Altersgruppen akzeptabel (6,5–22,4 %), was darauf hindeutet, dass die Health-App möglicherweise empfindlich auf Veränderungen dieser Gangparameter reagiert. MDC95 bei Senioren ähnelten denen, die zuvor von Apple Inc38 gemeldet wurden. für Ganggeschwindigkeit (0,08–0,23 m/s), Schrittlänge (4–12 cm) und doppelte Stützzeit (2,1–4,5 %). Wir erweitern diese Ergebnisse für die Health-App bei Erwachsenen und Kindern, die einen etwas größeren MDC95 für Ganggeschwindigkeit (0,22–0,30 m/s) und Schrittlänge (9,4–14,1 cm) aufwiesen als Senioren (0,20 m/s, 6,1 cm). MDC95 für Ganggeschwindigkeit (0,30 m/s) und Schrittlänge (14,1 cm) bei Kindern waren größer als die für die Gait-Analyzer-App bei Kindern und Jugendlichen gemeldeten Werte (Ganggeschwindigkeit = 0,14–0,15 m/s, Schrittlänge = 8,3–9,5). cm)30. Niedrigere MDC95 für die Ganggeschwindigkeit bei gesunden Erwachsenen (0,02–0,15 m/s) und Patienten mit neurologischen Erkrankungen (0,13–0,14 m/s) wurden auch für Smartphone-Apps dokumentiert, die sich auf standardisierte Gangkapazitätsmessungen konzentrieren39,42. Der mit der Health-App gemessene MDC95 für die Ganggeschwindigkeit lag zwischen 0,20 und 0,30 m/s und liegt damit über dem minimalen klinisch signifikanten Unterschied (MCID) für die übliche Ganggeschwindigkeit, der in standardisierten Gehtests auf 0,05 m/s geschätzt wurde76,77. Dies deutet darauf hin, dass der absolute Fehler bei der Ganggeschwindigkeitsmessung größer als dieser MCID ist, was die Interpretierbarkeit subtiler und aussagekräftiger Änderungen der Ganggeschwindigkeit mithilfe der Health-App und ihre Eignung für den klinischen Einsatz einschränkt.

Die Studie weist einige Einschränkungen auf. Erstens war die Stichprobengröße für jede Altersgruppe klein, insbesondere für die Analyse der Test-Retest-Reliabilität bei Kindern aufgrund unerwartet fehlender Daten. Zweitens wurde das Multi-IMU-basierte APDM Mobility Lab als externer Referenzstandard verwendet, der nicht als Goldstandard für die Ganganalyse gilt. Es wurde jedoch eine gute bis ausgezeichnete Gleichzeitigkeitsvalidität gegenüber Video-Motion-Capture-Systemen und instrumentierten Gehwegen nachgewiesen13,14,15. Drittens wurden räumlich-zeitliche Gangparameter während eines 6MWT erfasst. Zukünftige Studien müssen die Gültigkeit und Zuverlässigkeit der Gesundheits-App für die Messung dieser Parameter in einem nicht vorgeschriebenen und unbeaufsichtigten Kontext während längerer Beobachtungszeiträume bewerten, um als repräsentativ für die Gangleistung im täglichen Leben zu gelten. Viertens wurde die Trageposition des iPhones für alle Teilnehmer standardisiert (rechte Hosentasche), nicht jedoch die zu tragende Hose, was möglicherweise zu einer unterschiedlichen Signalqualität bei der Datenverarbeitung zwischen den Teilnehmern und wiederholten Messungen geführt hat. Fünftens erschweren die teilweise unterschiedlichen Testumgebungen (drinnen vs. draußen) in den Altersgruppen direkte Vergleiche der Validitäts- und Zuverlässigkeitsergebnisse zwischen den Gruppen. Sechstens: Da die Health-App keinen Zugriff auf einzelne Gangzyklen bietet, basierte der Vergleich mit dem APDM Mobility Lab auf den von beiden Systemen vollautomatisch ermittelten Mittelwerten der Gangparameter, ohne dass eine genaue manuelle zeitliche Ausrichtung der einzelnen Personen durchgeführt werden konnte Gangzyklen zwischen beiden Systemen vor der automatischen Datenanalyse. Letztlich beschränken sich die Erkenntnisse auf gesunde, fitte und körperlich aktive Personen. Zukünftige Studien sind erforderlich, um die Gangmessungen der Gesundheits-App in anderen Populationen mit Behinderungen und/oder geringerer Gangleistung zu validieren.

Zusammenfassend lässt sich sagen, dass die Heath-App auf dem iPhone sich als valide und zuverlässig für die Messung von Ganggeschwindigkeit und Schrittlänge bei Erwachsenen und Senioren erwiesen hat. Auch die Ganggeschwindigkeit von Kindern lässt sich valide messen, jedoch weniger zuverlässig als in den Altersgruppen der Erwachsenen. Für die Messung der Schrittlänge bei Kindern wurde eine begrenzte Validität und Zuverlässigkeit dokumentiert. Obwohl die Messungen der doppelten Unterstützungszeit in allen Altersgruppen zuverlässig waren, sollten sie mit Vorsicht betrachtet werden, da sie durchweg nur eine geringe bis mäßige Validität zeigten. Darüber hinaus scheinen relativ große Änderungen bei den Ganggeschwindigkeitsmessungen der Health-App erforderlich zu sein, um sicher zu sein, dass eine echte Änderung stattgefunden hat. Die Reduzierung künstlicher Smartphone-Bewegungen durch eine enge Kopplung des iPhone in der Nähe des Massenschwerpunkts scheint entscheidend für den zuverlässigen Empfang von Schätzungen der Gangparameter von der Health-App zu sein. Insgesamt deuten die Ergebnisse dieser Studie darauf hin, dass die frei zugängliche und einfach zu bedienende Gesundheits-App auf einem iPhone, das in einer engen Hosentasche getragen wird, ein gültiges und zuverlässiges Werkzeug für die vollautomatische, unauffällige und kontinuierliche Überwachung des Gangs im täglichen Leben sein könnte Geschwindigkeit und Schrittlänge bei Erwachsenen und Senioren.

Die während der aktuellen Studie verwendeten und analysierten Datensätze sind auf begründete Anfrage beim jeweiligen Autor erhältlich.

van Schooten, KS et al. Ambulante Sturzrisikobewertung: Ausmaß und Qualität des Alltagsgangs prognostizieren Stürze bei älteren Erwachsenen. J. Gerontol. Ein Biol. Wissenschaft. Med. Wissenschaft. 70, 608–615.

Artikel PubMed Google Scholar

Savica, R. et al. Vergleich von Gangparametern zur Vorhersage des kognitiven Verfalls: Die Mayo Clinic Study of Aging. J. Alzheimers Dis. 55, 559–567 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Studenski, S. et al. Ganggeschwindigkeit und Überleben bei älteren Erwachsenen. JAMA 305, 50–58 (2011).

Artikel CAS PubMed PubMed Central Google Scholar

Braun, T. et al. Zusammenhang klinischer Ergebnisbewertungen der Mobilitätsfähigkeit und Unfallbehinderung bei in Wohngemeinschaften lebenden älteren Erwachsenen – eine systematische Überprüfung und Metaanalyse. Alterungsres. Rev. 81, 101704 (2022).

Artikel ADS PubMed Google Scholar

Middleton, A., Fritz, SL & Lusardi, M. Gehgeschwindigkeit: Das funktionelle Vitalzeichen. J. Alterungsphysik. Akt. 23, 314–322 (2015).

Artikel PubMed Google Scholar

Rasmussen, LJH et al. Zusammenhang zwischen neurokognitiver und körperlicher Funktion und Ganggeschwindigkeit im mittleren Lebensalter. JAMA Netw. Öffnen Sie 2, e1913123. https://doi.org/10.1001/jamanetworkopen.2019.13123 (2019).

Artikel PubMed PubMed Central Google Scholar

Lord, S. et al. Unabhängige Gangbereiche bei älteren Erwachsenen und damit verbundene motorische und nichtmotorische Merkmale: Validierung eines Faktorenanalyseansatzes. J. Gerontol. Ein Biol. Wissenschaft. Med. Wissenschaft. 68, 820–827 (2012).

Artikel PubMed Google Scholar

Verghese, J., Holtzer, R., Lipton, RB & Wang, C. Quantitative Gangmarker und Sturzrisiko bei älteren Erwachsenen. J. Gerontol. Ein Biol. Wissenschaft. Med. Wissenschaft. 64, 896–901 (2009).

Artikel PubMed Google Scholar

Woo, J., Ho, SC & Yu, AL Gehgeschwindigkeit und Schrittlänge sagen 36-monatige Abhängigkeit, Sterblichkeit und Heimeinweisung bei Chinesen im Alter von 70 Jahren und älter voraus. Marmelade. Geriatr. Soc. 47, 1257–1260 (1999).

Artikel CAS PubMed Google Scholar

Doi, T. et al. Räumlich-zeitliche Gangvariablen sagten eine Behinderung bei Vorfällen voraus. J. Neuroeng. Rehabilitation. 17, 11. https://doi.org/10.1186/s12984-020-0643-4 (2020).

Artikel PubMed PubMed Central Google Scholar

Simon, SR Quantifizierung menschlicher Bewegung: Ganganalyse – Vorteile und Grenzen ihrer Anwendung auf klinische Probleme. J. Biomech. 37, 1869–1880 (2004).

Artikel PubMed Google Scholar

Muro-de-la-Herran, A., Garcia-Zapirain, B. & Mendez-Zorrilla, A. Ganganalysemethoden: Ein Überblick über tragbare und nicht tragbare Systeme mit Hervorhebung klinischer Anwendungen. Sensoren 14, 3362–3394. https://doi.org/10.3390/s140203362 (2014).

Artikel ADS PubMed PubMed Central Google Scholar

Hou, Y., Wang, S., Li, J., Komal, S. & Li, K. Zuverlässigkeit und Validität eines tragbaren Trägheitssensorsystems zur Gangbeurteilung bei gesunden jungen Erwachsenen. Im 14. Internationalen Kongress für Bild- und Signalverarbeitung, Biomedizintechnik und Informatik (CISP-BMEI). 1–6. https://doi.org/10.1109/CISP-BMEI53629.2021.9624463 (2021).

Lanovaz, JL, Oates, AR, Treen, TT, Unger, J. & Musselman, KE Validierung eines kommerziellen Inertialsensorsystems für räumlich-zeitliche Gangmessungen bei Kindern. Ganghaltung 51, 14–19 (2017).

Artikel PubMed Google Scholar

Morris, R. et al. Gültigkeit von Mobility Lab (Version 2) zur Gangbeurteilung bei jungen Erwachsenen, älteren Erwachsenen und Parkinson-Krankheit. Physiol. Mess. 40, 095003 (2019).

Artikel PubMed PubMed Central Google Scholar

Kobsar, D. et al. Gültigkeit und Zuverlässigkeit tragbarer Trägheitssensoren beim gesunden Gehen von Erwachsenen: Eine systematische Überprüfung und Metaanalyse. J. Neuroeng. Rehabilitation. 17, 62. https://doi.org/10.1186/s12984-020-00685-3 (2020).

Artikel PubMed PubMed Central Google Scholar

Werner, C. et al. Gleichzeitige Gültigkeit, Test-Retest-Zuverlässigkeit und Empfindlichkeit gegenüber Veränderungen eines einzelnen körperfesten Sensors zur Ganganalyse beim Rollator-unterstützten Gehen bei akut geriatrischen Patienten. Sensoren 20, 4866. https://doi.org/10.3390/s20174866 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Picerno, P. et al. Tragbare Trägheitssensoren für die Analyse menschlicher Bewegungen: Ein Fünf-Jahres-Update. Experte Rev. Med. Geräte 18, 79–94 (2021).

Artikel CAS PubMed Google Scholar

Weltgesundheitsorganisation. Internationale Klassifikation der Funktionsfähigkeit, Behinderung und Gesundheit: ICF. http://apps.who.int/iris/bitstream/handle/10665/42407/9241545429.pdf?sequence=1 (2001).

Hillel, I. et al. Entspricht das tägliche Gehen bei älteren Erwachsenen eher dem Gehen mit zwei Aufgaben oder dem normalen Gehen? Aufklärung der Lücken zwischen der Gangleistung im Labor und während der 24/7-Überwachung. EUR. Rev. Aging Phys. Akt. 16, 6. https://doi.org/10.1186/s11556-019-0214-5 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Robles-García, V. et al. Raumzeitliche Gangmuster während der offenen und verdeckten Untersuchung bei Patienten mit Parkinson-Krankheit und gesunden Probanden: Gibt es einen Hawthorne-Effekt? J. Appl. Biomech. 31, 189–194 (2015).

Artikel PubMed Google Scholar

Toosizadeh, N. et al. Beurteilung der motorischen Leistungsfähigkeit bei der Parkinson-Krankheit: Zusammenhang zwischen objektiven Messungen in der Klinik, objektiven Messungen zu Hause und subjektiven/halbobjektiven Messungen. PLoS ONE 10, e0124763. https://doi.org/10.1371/journal.pone.0124763 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Carcreff, L. et al. Gehgeschwindigkeit von Kindern und Jugendlichen mit Zerebralparese: Labor versus Alltag. Vorderseite. Bioeng. Biotechnologie. 8, 812 (2020).

Artikel PubMed PubMed Central Google Scholar

Warmerdam, E. et al. Langfristige unbeaufsichtigte Mobilitätsbeurteilung bei Bewegungsstörungen. Lancet Neurol. 19, 462–470 (2020).

Artikel PubMed Google Scholar

Del Din, S., Godfrey, A., Mazzà, C., Lord, S. & Rochester, L. Freilebende Überwachung der Parkinson-Krankheit: Lehren aus der Praxis. Mov. Unordnung. 31, 1293–1313 (2016).

Artikel PubMed Google Scholar

Rochester, L. et al. Eine Roadmap zur Information über die Entwicklung, Validierung und Genehmigung digitaler Mobilitätsergebnisse: Der Mobilise-D-Ansatz. Ziffer. Biomark. 4, 13–27 (2020).

Artikel PubMed PubMed Central Google Scholar

Moore, SA et al. Umfassende Messung der Gangeigenschaften von Schlaganfällen mit einem einzigen Beschleunigungsmesser im Labor und in der Gemeinschaft: Eine Machbarkeits-, Validitäts- und Zuverlässigkeitsstudie. J. Neuroeng. Rehabilitation. 14, 130. https://doi.org/10.1186/12984-017-0341-z (2017).

Artikel PubMed PubMed Central Google Scholar

Bongartz, M. et al. Gültigkeit, Zuverlässigkeit und Machbarkeit des uSense-Aktivitätsmonitors zur Registrierung körperlicher Aktivität und Gangleistung in gewohnten Umgebungen geriatrischer Patienten. Physiol. Mess. 40, 095005 (2019).

Artikel PubMed Google Scholar

Statista-Forschungsabteilung. Anzahl der Smartphone-Abos weltweit von 2016 bis 2021, mit Prognosen von 2022 bis 2027. https://www.statista.com/statistics/330695/number-of-smartphone-users-worldwide/ (2022).

Howell, DR et al. Zuverlässigkeit und minimale erkennbare Veränderung für eine Smartphone-basierte motorisch-kognitive Beurteilung: Implikationen für das Gehirnerschütterungsmanagement. J. Appl. Biomech. 37, 380–387 (2021).

Artikel PubMed PubMed Central Google Scholar

Kelly, M. et al. Eine neuartige Smartphone-Anwendung ist zuverlässig für die wiederholte Verabreichung und mit dem Tekscan Strideway für den räumlich-zeitlichen Gang vergleichbar. Messung (Lond.) 192, 110882 (2022).

PubMed Google Scholar

Shahar, RT & Agmon, M. Ganganalyse unter Verwendung von Beschleunigungsdaten von einem einzigen Smartphone: Übereinstimmung und Konsistenz zwischen einer Smartphone-Anwendung und einem Goldstandard-Ganganalysesystem. Sensoren 21, 7497. https://doi.org/10.3390/s21227497 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Christensen, JC et al. Die Validität und Zuverlässigkeit der Onestep-Smartphone-Anwendung unter verschiedenen Gangbedingungen bei gesunden Erwachsenen mit Machbarkeit in der klinischen Praxis. J. Orthop. Surg. Res. 17, 417 (2022).

Artikel PubMed PubMed Central Google Scholar

Manor, B. et al. Smartphone-App-basierte Beurteilung des Gangs beim normalen Gehen und beim Gehen mit zwei Aufgaben: Demonstration der Validität und Zuverlässigkeit. JMIR Mhealth Uhealth 6, e36. https://doi.org/10.2196/mhealth.8815 (2018).

Artikel PubMed PubMed Central Google Scholar

Tchelet, K., Stark-Inbar, A. & Yekutieli, Z. Pilotstudie der Encephalog-Smartphone-Anwendung zur Ganganalyse. Sensoren 19, 5179. https://doi.org/10.3390/s19235179 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Rashid, U. et al. Gültigkeit und Zuverlässigkeit einer Smartphone-App zur Gang- und Gleichgewichtsbeurteilung. Sensoren 22, 124. https://doi.org/10.3390/s22010124 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Howell, DR, Lugade, V., Taksir, M. & Meehan, WP 3rd. Bestimmung des Nutzens einer Smartphone-basierten Gangbewertung für einen möglichen Einsatz bei der Behandlung von Gehirnerschütterungen. Physik. Sportmed. 48, 75–80 (2020).

Artikel PubMed Google Scholar

Apple Inc. Messung der Gehqualität anhand von iPhone-Mobilitätsmetriken. https://www.apple.com/de/healthcare/docs/site/Measuring_Walking_Quality_Through_iPhone_Mobility_Metrics.pdf (2022).

Clavijo-Buendía, S. et al. Konstruieren Sie die Validität und Test-Retest-Zuverlässigkeit einer kostenlosen mobilen Anwendung zur räumlich-zeitlichen Ganganalyse bei Parkinson-Patienten. Ganghaltung 79, 86–91 (2020).

Artikel PubMed Google Scholar

Su, D. et al. Einfache Smartphone-basierte Beurteilung der Gangmerkmale bei der Parkinson-Krankheit: Validierungsstudie. JMIR Mhealth Uhealth 9, e25451. https://doi.org/10.2196/25451 (2021).

Artikel PubMed PubMed Central Google Scholar

Shema-Shiratzky, S., Beer, Y., Mor, A. & Elbaz, A. Smartphone-basierte Trägheitssensortechnologie – Validierung einer neuen Anwendung zur Messung räumlich-zeitlicher Gangmetriken. Ganghaltung 93, 102–106 (2022).

Artikel PubMed Google Scholar

Bourke, AK, Scotland, A., Lipsmeier, F., Gossens, C. & Lindemann, M. Gangmerkmale, die während eines Smartphone-basierten, selbst durchgeführten 2-Minuten-Gehtests bei Menschen mit Multipler Sklerose erfasst wurden: Test-Retest-Zuverlässigkeit und minimale erkennbare Änderung. Sensoren 20, 5906. https://doi.org/10.3390/s20205906 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Statista-Forschungsabteilung. Smartphone-Betriebssysteme im Jahr 2019, nach Altersgruppe. https://www.statista.com/statistics/1133193/smartphone-os-by-age/ (2020).

Zou, GY Stichprobengrößenformeln zur präzisen und sicheren Schätzung von klasseninternen Korrelationskoeffizienten. Stat. Med. 31, 3972–3981 (2012).

Artikel MathSciNet CAS PubMed Google Scholar

WHO-Konsultation zu Fettleibigkeit und Weltgesundheitsorganisation. Fettleibigkeit: Vorbeugung und Bewältigung der globalen Epidemie: Bericht einer WHO-Konsultation. https://apps.who.int/iris/handle/10665/42330 (2000).

Katzman, R. et al. Validierung eines kurzen Orientierungs-Gedächtnis-Konzentrationstests zur kognitiven Beeinträchtigung. Bin. J. Psychiatry 140, 734–739 (1983).

Artikel CAS PubMed Google Scholar

EuroQol-Gruppe. EuroQol – eine neue Einrichtung zur Messung gesundheitsbezogener Lebensqualität. Gesundheitspolitik 16, 199–208 (1990).

Artikel Google Scholar

Ludwig, K., Graf von der Schulenburg, JM & Greiner, W. Deutscher Wertesatz für den EQ-5D-5L. Pharmakoökonomie 36, 663–674 (2018).

Artikel PubMed PubMed Central Google Scholar

Roberts, HC et al. Ein Überblick über die Messung der Griffstärke in klinischen und epidemiologischen Studien: Auf dem Weg zu einem standardisierten Ansatz. Age Aging 40, 423–429 (2011).

Artikel PubMed Google Scholar

Ortega, FB et al. Körperliche Fitness europäischer Jugendlicher: Die HELENA-Studie. Br. J. Sports Med. 45, 20–29 (2011).

Artikel CAS PubMed Google Scholar

Steiber, N. Starker oder schwacher Handgriff? Normative Referenzwerte für die deutsche Bevölkerung im Lebensverlauf stratifiziert nach Geschlecht, Alter und Körpergröße. PLoS ONE 11, e0163917. https://doi.org/10.1371/journal.pone.0163917 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Craig, CL et al. Internationaler Fragebogen zur körperlichen Aktivität: Zuverlässigkeit und Gültigkeit für 12 Länder. Med. Wissenschaft. Sportübung. 35, 1381–1395 (2003).

Artikel PubMed Google Scholar

IPAQ-Gruppe. Richtlinien für die Datenverarbeitung und -analyse des International Physical Activity Questionnaire. https://sites.google.com/site/theipaq/scoring-protocol (2005).

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

Apple Inc. Teilen Sie Ihre Daten in Health auf dem iPhone. https://support.apple.com/guide/iphone/share-your-health-data-iph5ede58c3d/15.0/ios/15.0 (2022).

Portney, L. & Watkins, MP Stiftung für klinische Forschung. Bewerbung zum 3. Aufl. (Pearson Education, London, 2009).

Google Scholar

Bland, JM & Altman, DG Statistische Methoden zur Beurteilung der Übereinstimmung zwischen zwei Methoden der klinischen Messung. Lancet 1, 307–310 (1986).

Artikel CAS PubMed Google Scholar

Critchley, LA & Critchley, JA Eine Metaanalyse von Studien unter Verwendung von Bias- und Präzisionsstatistiken zum Vergleich von Techniken zur Messung des Herzzeitvolumens. J. Clin. Überwachen. Berechnen. 15, 85–91 (1999).

Artikel CAS PubMed Google Scholar

Atkinson, G. & Nevill, AM Statistische Methoden zur Beurteilung des Messfehlers (Zuverlässigkeit) in für die Sportmedizin relevanten Variablen. Sportmed. 26, 217–238 (1998).

Artikel CAS PubMed Google Scholar

Soulard, J., Vaillant, J., Balaguier, R. & Vuillerme, N. Räumlich-zeitliche Gangparameter, die von am Fuß getragenen Trägheitssensoren erhalten werden, sind bei gesunden Erwachsenen unter Einzel- und Doppelaufgabenbedingungen zuverlässig. Wissenschaft. Rep. 11, 10229. https://doi.org/10.1038/s41598-021-88794-4 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Huang, SL et al. Minimal erkennbare Veränderung des zeitgesteuerten „Up & Go“-Tests und des dynamischen Gangindex bei Menschen mit Parkinson-Krankheit. Physik. Dort. 91, 114–121 (2011).

Artikel PubMed Google Scholar

Solway, S., Brooks, D., Lacasse, Y. & Thomas, S. Ein qualitativer systematischer Überblick über die Messeigenschaften von funktionellen Gehtests, die im kardiorespiratorischen Bereich eingesetzt werden. Truhe 119, 256–270 (2001).

Artikel CAS PubMed Google Scholar

Mueller, A. et al. Kontinuierliche digitale Überwachung der Gehgeschwindigkeit bei gebrechlichen älteren Patienten: Nicht-interventionelle Validierungsstudie und klinische Längsschnittstudie. JMIR Mhealth Uhealth 7, e15191. https://doi.org/10.2196/15191 (2019).

Artikel PubMed PubMed Central Google Scholar

Rojer, AGM et al. Robustheit der Ganggeschwindigkeitsmessungen im Labor und im täglichen Leben über einen Zeitraum von einem Jahr bei hochfunktionellen 61- bis 70-jährigen Erwachsenen. Gerontologie 67, 650–659 (2021).

Artikel PubMed Google Scholar

Storm, FA, Buckley, CJ & Mazzà, C. Erkennung von Gangereignissen im Labor und im realen Leben: Genauigkeit von auf Knöchel- und Taillensensoren basierenden Methoden. Ganghaltung 50, 42–46 (2016).

Artikel PubMed Google Scholar

Pacini Panebianco, G., Bisi, MC, Stagni, R. & Fantozzi, S. Analyse der Leistung von 17 Algorithmen aus einer systematischen Überprüfung: Einfluss der Sensorposition, der analysierten Variablen und des rechnerischen Ansatzes bei der Schätzung des Gangzeitpunkts aus IMU-Messungen. Ganghaltung 66, 76–82 (2018).

Artikel PubMed Google Scholar

Trojaniello, D., Cereatti, A. & Della Croce, U. Genauigkeit, Empfindlichkeit und Robustheit von fünf verschiedenen Methoden zur Schätzung zeitlicher Gangparameter unter Verwendung eines einzelnen Trägheitssensors, der am unteren Rumpf montiert ist. Ganghaltung 40, 487–492 (2014).

Artikel PubMed Google Scholar

De Ridder, R. et al. Gleichzeitige Gültigkeit eines kommerziellen drahtlosen dreiachsigen Beschleunigungsmessersystems für den Rumpf zur Ganganalyse. J. Sport Rehabil. 28, 295–1 (2019).

Artikel Google Scholar

Bravi, M. et al. Gleichzeitige Validität und Inter-Trial-Zuverlässigkeit einer einzelnen Trägheitsmesseinheit für die räumlich-zeitliche Gangparameteranalyse bei Patienten mit kürzlich erfolgter totaler Hüft- oder totaler Knieendoprothetik. Ganghaltung 76, 175–181 (2020).

Artikel PubMed Google Scholar

Peraza, LR et al. Eine automatische Ganganalyse-Pipeline für tragbare Sensoren: Eine Pilotstudie zur Parkinson-Krankheit. Sensoren 21, 8286. https://doi.org/10.3390/s21248286 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Silsupadol, P., Teja, K. & Lugade, V. Zuverlässigkeit und Validität einer Smartphone-basierten Bewertung von Gangparametern über Gehgeschwindigkeit und Smartphone-Standorte: Körper, Tasche, Gürtel, Hand und Tasche. Ganghaltung 58, 516–522 (2017).

Artikel PubMed Google Scholar

Godfrey, A., Del Din, S., Barry, G., Mathers, JC & Rochester, L. Ganginstrumentierung mit einem Beschleunigungsmesser: Eine System- und Algorithmusuntersuchung. Med. Ing. Physik. 37, 400–407 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Del Din, S., Godfrey, A. & Rochester, L. Validierung eines Beschleunigungsmessers zur Quantifizierung einer umfassenden Batterie von Gangmerkmalen bei gesunden älteren Erwachsenen und der Parkinson-Krankheit: Auf dem Weg zur klinischen und häuslichen Anwendung. IEEE J. Biomed. Gesundheitsinformationen. 20, 838–847 (2016).

Artikel PubMed Google Scholar

Hartmann, A., Luzi, S., Murer, K., de Bie, RA & de Bruin, ED Gleichzeitige Gültigkeit eines dreiachsigen Rumpfbeschleunigungsmessersystems zur Ganganalyse bei älteren Erwachsenen. Ganghaltung 29, 444–448 (2009).

Artikel PubMed Google Scholar

Byun, S., Han, JW, Kim, TH & Kim, KW Test-Retest-Zuverlässigkeit und gleichzeitige Gültigkeit einer einzelnen dreiachsigen, auf einem Beschleunigungsmesser basierenden Ganganalyse bei älteren Erwachsenen mit normaler Kognition. PLoS ONE 11, e0158956. https://doi.org/10.1371/journal.pone.0158956 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Perera, S., Mody, SH, Woodman, RC & Studenski, SA Bedeutende Veränderung und Reaktionsfähigkeit bei gängigen körperlichen Leistungsmessungen bei älteren Erwachsenen. Marmelade. Geriatr. Soc. 54, 743–749 (2006).

Artikel PubMed Google Scholar

Perera, S. et al. Sind die Schätzungen eines signifikanten Rückgangs der Mobilitätsleistung bei klinisch wichtigen Untergruppen konsistent? (Gesundheits-ABC-Studie). J. Gerontol. Ein Biol. Wissenschaft. Med. Wissenschaft. 69, 1260–1268 (2014).

Artikel PubMed PubMed Central Google Scholar

Referenzen herunterladen

Wir danken allen Freiwilligen herzlich für ihre Bereitschaft, an der Studie teilzunehmen. Für die Publikationsgebühr danken wir der Deutschen Forschungsgemeinschaft im Rahmen des Förderprogramms „Open Access Publikationskosten“ sowie der Universität Heidelberg für finanzielle Unterstützung.

Open-Access-Förderung ermöglicht und organisiert durch Projekt DEAL.

Geriatrisches Zentrum, Agaplesion-Bethanien-Krankenhaus Heidelberg, Universitätsklinikum Heidelberg, 69126, Heidelberg, Deutschland

Christian Werner, Natalie Hezel & Jürgen M. Bauer

Institut für Sport und Sportwissenschaft, Universität Heidelberg, 69120, Heidelberg, Deutschland

Fabienne Dongus

TSG ResearchLab, 74939, Zuzenhausen, Deutschland

Jan Spielmann & Jan Mayer

Abteilung für Digitale Geriatrie, Universitätsklinikum Heidelberg, 69115, Heidelberg, Deutschland

Clemens Becker

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung, CW und NH; Methodik, CW und NH; Validierung, CW; formale Analyse, CW und NH; Untersuchung, FD; Ressourcen, JMB; Datenkuration, NH und CW; Schreiben – Originalentwurfsvorbereitung, CW und NH; Schreiben – Überprüfen und Bearbeiten, FD, JS, JM, CB, JMB, NH und CW; Visualisierung, CW; Supervision, JMB und CW; Projektverwaltung, CW Alle Autoren haben das Manuskript gelesen und die endgültige Fassung genehmigt.

Korrespondenz mit Christian Werner.

Die Autoren geben an, dass kein Interessenkonflikt besteht. Dies ist eine unabhängige Veröffentlichung und wurde nicht von Apple Inc. autorisiert, gesponsert oder anderweitig genehmigt. Apple, iPhone, Health und HealthKit sind Marken von Apple Inc. IOS ist eine Marke oder eingetragene Marke von Cisco in den USA und anderen Ländern wird unter Lizenz verwendet.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Werner, C., Hezel, N., Dongus, F. et al. Gültigkeit und Zuverlässigkeit der Apple Health App auf dem iPhone zur Messung von Gangparametern bei Kindern, Erwachsenen und Senioren. Sci Rep 13, 5350 (2023). https://doi.org/10.1038/s41598-023-32550-3

Zitat herunterladen

Eingegangen: 02. Dezember 2022

Angenommen: 29. März 2023

Veröffentlicht: 01. April 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.