Blog

Mar 18, 2023

Validez y confiabilidad de la aplicación Apple Health en iPhone para medir parámetros de la marcha en niños, adultos y personas mayores

Informes científicos volumen 13,

Scientific Reports volumen 13, Número de artículo: 5350 (2023) Citar este artículo

1250 Accesos

7 Altmetric

Detalles de métricas

Este estudio evaluó la validez concurrente y la confiabilidad test-retest de la aplicación Apple Health en el iPhone para medir los parámetros de la marcha en diferentes grupos de edad. Veintisiete niños, 28 adultos y 28 personas mayores equipados con un iPhone completaron una prueba de caminata de 6 minutos (6MWT). La velocidad de la marcha (GS), la longitud del paso (SL) y el tiempo de soporte doble (DST) se extrajeron de los registros de la marcha de la aplicación Health. Los parámetros de la marcha se recopilaron simultáneamente con un sistema de sensores inerciales (APDM Mobility Lab) para evaluar la validez concurrente. La confiabilidad test-retest se evaluó a través de un segundo 6MWT instrumentado con iPhone 1 semana después. El acuerdo de Health App con APDM Mobility Lab fue bueno para GS en todos los grupos de edad y para SL en adultos/ancianos, pero de pobre a moderado para DST en todos los grupos de edad y para SL en niños. La consistencia entre mediciones repetidas fue de buena a excelente para todos los parámetros de la marcha en adultos/ancianos, y de moderada a buena para GS y DST, pero mala para SL en niños. La app Salud en iPhone es fiable y válida para medir GS y SL en adultos y personas mayores. Se requiere una interpretación cuidadosa cuando se usa la aplicación Salud en niños y cuando se mide el horario de verano en general, ya que ambos han mostrado una validez y/o confiabilidad limitadas.

Caminar es la forma más común de movimiento humano, y una marcha segura y eficiente es un requisito previo para la independencia a lo largo de la vida. Se ha demostrado que la mala marcha es un factor de riesgo de caídas, deterioro cognitivo, discapacidad y mortalidad1,2,3,4. Como tal, la marcha se considera un indicador importante del estado de salud general5,6, lo que destaca la relevancia clínica para las evaluaciones periódicas de la marcha en el entorno sanitario. La marcha de un individuo se evalúa con mayor frecuencia por la velocidad de la marcha. Sin embargo, la marcha es multidimensional y no puede caracterizarse por un solo parámetro7. La cuantificación de otras características espacio-temporales de la marcha brinda una visión más detallada del patrón de marcha específico y permite la identificación de los trastornos de la marcha y los mecanismos subyacentes. Además, se ha demostrado que la longitud del paso y/o el tiempo de doble apoyo, por ejemplo, predicen resultados adversos para la salud, como caídas, discapacidad y mortalidad, independientemente de la velocidad de la marcha8,9,10.

Los sistemas de captura de movimiento de video, plataformas de fuerza y ​​pasarelas instrumentadas se consideran actualmente como los estándares de oro para el análisis cuantitativo de la marcha, pero son costosos, consumen muchos recursos y se limitan al uso estacionario en entornos de laboratorio11,12. Los métodos de análisis de la marcha más asequibles, fáciles de usar y menos restrictivos son los sistemas de sensores portátiles que se basan en unidades de medición inercial (IMU, acelerómetro, giroscopio y magnetómetro) conectadas a diferentes partes del cuerpo de un individuo12. Han demostrado ser alternativas válidas y fiables a los sistemas de laboratorio estacionarios y también permiten el análisis de la marcha fuera del laboratorio13,14,15,16,17,18. Sin embargo, estos sistemas aún requieren equipo especializado (p. ej., material de fijación, computadora host, punto de acceso) y contacto en persona con personal capacitado para operar (p. ej., conexión de IMU, administración de pruebas, procesamiento de datos), y los protocolos de prueba se enfocan en supervisión supervisada. y condiciones controladas y cubren sólo un período de tiempo limitado. Los parámetros de la marcha obtenidos de esta manera se refieren a cómo una persona puede caminar de manera óptima en un entorno estandarizado ("capacidad de la marcha")19, que se ha demostrado que solo está débilmente relacionado con la forma en que una persona camina realmente en entornos de la vida diaria ("capacidad de la marcha")19. rendimiento")20,21,22,23. Esta débil relación se puede atribuir a que los sujetos están más concentrados o rinden más cuando no hay distracciones externas que requieran atención adicional, o intentan caminar lo mejor que pueden cuando son conscientes de ser evaluados ("efecto Hawthorne")22,24. Caminar en la vida diaria es más complejo y está influenciado por diversos factores ambientales que no están presentes en condiciones controladas. Las mediciones durante un corto período de tiempo ("observaciones instantáneas") tampoco pueden monitorear cambios agudos cuando ocurren o distinguir entre cambios agudos y cambios más lentos a lo largo del tiempo.

Los avances recientes en la tecnología de sensores han dado lugar a sensores portátiles que ahora permiten un control remoto de la marcha continuo y más discreto durante períodos de tiempo más prolongados mientras se camina libremente y sin supervisión en la vida diaria24,25,26. Una IMU independiente generalmente se coloca en la región lumbar cerca del centro de masa del sujeto con un cinturón elástico especial o una cinta adhesiva para la piel y se usa continuamente durante varios días1,20,27,28. Después del período de medición, se retira el sensor y los datos sin procesar se procesan y analizan con herramientas de software fuera de línea. Si bien estas IMU permiten el monitoreo de la marcha en la vida diaria, aún no son de fácil acceso, dependen de la necesidad de equipos especializados, la voluntad y la aceptación para usar el sensor y el conocimiento técnico para el procesamiento de datos, y no brindan a los sujetos una retroalimentación inmediata sobre su forma de caminar. actuación.

Los teléfonos inteligentes se han convertido en una parte casi integral de la vida humana. Se estima que el número de usuarios de teléfonos inteligentes en todo el mundo será de unos 6600 millones para 2022, lo que sugiere que más del 80 % de la población mundial posee un teléfono inteligente29. Hoy en día, estos dispositivos electrónicos móviles ubicuos generalmente están integrados con IMU que también se pueden usar para el monitoreo continuo y discreto de la marcha de la vida diaria. Dada la ubicuidad, el fácil acceso y la alta aceptabilidad de los teléfonos inteligentes, las aplicaciones (apps) que usan estas IMU integradas para monitorear la marcha combinadas con interfaces fáciles de usar, procesamiento y análisis de datos automáticos e informes en tiempo real sobre el desempeño de la marcha pueden superar las limitaciones de las IMU independientes. Hay evidencia emergente de la validez y/o confiabilidad de las aplicaciones de teléfonos inteligentes para cuantificar los parámetros espacio-temporales de la marcha en niños y adolescentes30, adultos jóvenes y/o mayores31,32,33,34,35,36,37,38 y pacientes con Patologías (neuro-)musculares39,40,41,42. Aparte de unas pocas excepciones (p. ej., Apple Health, OneStep, Gait Analyzer), la mayoría de estas aplicaciones aún se enfocan en mediciones estandarizadas de la capacidad de caminar al proporcionar instrucciones multimedia para protocolos de prueba autoadministrados34,35,36,39,40 y dependen de un colocación estandarizada de teléfonos inteligentes (p. ej., cinturón sacroilíaco)35,36,39,42.

La aplicación gratuita Apple Health (también conocida como HealthKit) en el iPhone ofrece un método pasivo, discreto y totalmente automatizado para medir el rendimiento de la marcha del usuario en la vida diaria, mientras lleva el iPhone en el bolsillo y sin iniciar la medición conscientemente. Los parámetros espacio-temporales de la marcha se proporcionan en tiempo real en una interfaz fácil de usar y se visualizan en gráficos interactivos para revisar el progreso a lo largo del tiempo. La validez concurrente de la aplicación Health para medir la velocidad de la marcha, la longitud del paso y el tiempo de doble apoyo se ha documentado recientemente con un sistema de pasarela instrumentado de referencia en personas mayores38. También se informaron cambios mínimos detectables (MDC) para la confiabilidad entre dispositivos de estos parámetros de la marcha en este grupo de edad. Sin embargo, hasta donde sabemos, no hay evidencia sobre las propiedades psicométricas de la aplicación Salud en poblaciones más jóvenes, como niños, adolescentes y adultos de mediana edad, que tienen más probabilidades de poseer un iPhone que las personas mayores43. Además, e independientemente del grupo de edad, aún se desconoce la fiabilidad test-retest de la app Salud. Dado que la aplicación Health tiene como objetivo el monitoreo continuo del desempeño y los cambios de la marcha en la vida diaria, el conocimiento sobre la estabilidad de sus medidas a lo largo del tiempo en personas con una marcha sin cambios es, sin embargo, esencial para determinar si se ha producido un cambio real en la marcha.

Por lo tanto, el objetivo de este estudio fue evaluar la validez concurrente con un sistema de análisis de la marcha basado en múltiples IMU y la confiabilidad test-retest de la aplicación Health en iPhone para medir la velocidad de la marcha, la longitud del paso y el tiempo de apoyo doble en niños. adultos y ancianos.

Este estudio observacional se realizó de marzo de 2022 a agosto de 2022. Se utilizó un diseño transversal para evaluar la validez concurrente de la aplicación Salud. La confiabilidad test-retest se evaluó utilizando un diseño prospectivo con dos sesiones de prueba separadas por 1 semana. El estudio se realizó de acuerdo con las directrices de la Declaración de Helsinki y fue aprobado por el Comité de Ética de la Facultad de Medicina de Heidelberg (S-042/2022, 1 de enero de 2022). Se obtuvo el consentimiento informado por escrito de todos los participantes (y de los tutores legales de los participantes menores de 18 años) antes de la inclusión en el estudio. El estudio se registró prospectivamente en el Registro Alemán de Ensayos Clínicos (DRKS00028074).

Se reclutaron tres grupos de participantes: (1) niños entre 12 y 17 años de los equipos juveniles de un club de fútbol profesional (TSG Hoffenheim eV), (2) adultos entre 18 y 64 años de los padres de los niños, los conocidos de la investigación equipo y el personal de un hospital geriátrico alemán, y (3) personas mayores ≥ 65 años de poblaciones sanas de estudios previos realizados en el centro de estudio. Los criterios de inclusión fueron edad ≥ 12 años, dominio adecuado del idioma alemán, capacidad para realizar las tareas físicas y comprender las instrucciones del estudio, y consentimiento informado por escrito (de los tutores legales). Los criterios de exclusión fueron trastornos musculoesqueléticos, cardiovasculares, neurológicos, sensoriales, cognitivos o psiquiátricos graves y enfermedades o lesiones agudas.

El tamaño de la muestra se estimó en n ≥ 27 en cada grupo de edad, con base en un análisis de poder previo para la concordancia entre métodos (aplicación de salud vs. APDM Mobility Lab) y mediciones repetidas (prueba vs. reprueba), con un ICC esperado de 0,90 y un ICC aceptable de 0,70 para dos mediciones (k = 2, Health app vs. APDM Mobility Lab), una potencia estadística (1 − β) de 0,80 y un nivel de significación (α) de 0,0544, con una posible tasa de abandono del 15%.

Las características demográficas y clínicas que incluyen edad, género y enfermedades crónicas (sí vs. no) se obtuvieron mediante entrevista estandarizada. El estado de peso se evaluó mediante el índice de masa corporal (IMC) y se clasificó en bajo peso, peso normal y sobrepeso45. El estado cognitivo se evaluó con el Test Corto de Orientación-Memoria-Concentración46. El estado de salud autoinformado se determinó mediante el formulario de entrevista del cuestionario EuroQol 5-Dimensions 3-Levels (EQ-5D-3L) y la escala analógica visual EQ (EQ VAS)47,48. La función física se midió utilizando la fuerza de prensión manual (JAMAR® PLUS + Dynamometer, Performance Health Supply Inc., Cedarburg, WI, EE. UU.)49, que se categorizaron en baja, normal y alta según la clasificación europea (niños)50 o alemana (adultos y adultos). mayores)51 valores normativos. La actividad física (AF) se evaluó mediante el Cuestionario Internacional de Actividad Física-Forma Corta (IPAQ-SF)52. Siguiendo el protocolo de puntuación IPAQ-SF, los niveles de AF se clasificaron en bajo, moderado y alto53. Todos los cuestionarios y procedimientos de prueba fueron realizados bajo condiciones estandarizadas por un asistente de investigación que previamente recibió una amplia capacitación en su administración.

Los parámetros de la marcha se capturaron a través de la aplicación Health durante una prueba de caminata de 6 minutos (6MWT), completada por los participantes con un iPhone (modelo: SE 64 GB, versión del software iOS: 15.4) en el bolsillo delantero derecho de sus pantalones, con la pantalla mirando hacia el participante. Se instruyó a los participantes para que caminaran continuamente a su ritmo habitual y cómodo durante 6 minutos a lo largo de una pasarela plana y recta de 20 m con conos colocados en cada extremo para indicar los puntos de giro. La dirección de giro se estandarizó para caminar alrededor de los conos en sentido antihorario. Para cada participante, el administrador de la prueba ingresó la información personal (fecha de nacimiento, sexo, altura, peso) en la aplicación Health antes de colocar el iPhone en el bolsillo del participante, anotó la hora exacta del inicio de la 6MWT y midió la distancia total a pie a través de los números de vuelta y una cinta métrica. Antes de la señal de inicio y después de la señal de finalización, se pidió a los participantes que se quedaran quietos durante 10 s para facilitar la identificación de los turnos de caminata para su 6MWT en la posterior extracción y procesamiento de datos en la aplicación Health.

Todos los niños y algunos de los participantes adultos (padres de los niños, conocidos del equipo de investigación) completaron el 6MWT al aire libre en un terreno firme y plano en el sitio de entrenamiento del club de fútbol profesional. Los adultos reclutados del personal del hospital y todas las personas mayores completaron el 6MWT en interiores en un pasillo largo y ancho dentro del hospital geriátrico.

Desde la octava generación del iPhone con sus IMU integradas y el sistema operativo móvil iOS 14, esta aplicación de salud y fitness preinstalada de Apple Inc. (Cupertino, CA, EE. UU.) registra de forma pasiva y discreta el rendimiento de la marcha en la vida diaria de el usuario de iPhone. Cuando el iPhone se usa a la altura de la cintura (p. ej., en el bolsillo del pantalón) y el usuario camina a un ritmo constante sobre un terreno llano, la aplicación Health identifica automáticamente una caminata y proporciona valores medios para la velocidad de la marcha (m/s) , longitud del paso (cm) y tiempo de doble apoyo (% del ciclo de marcha con los dos pies en el suelo) del turno de marcha. Estos parámetros de marcha se derivan de un modelo biomecánico de caminar que depende de la longitud de la pierna estimada a partir de la altura del usuario. Por lo tanto, para obtener las estimaciones de parámetros más precisas, el usuario debe ingresar la altura en la aplicación Health38. La aplicación Health no admite el procesamiento manual de datos antes del análisis automático (por ejemplo, para excluir movimientos de giro), ni permite el acceso a ciclos de marcha individuales, sino que proporciona automáticamente solo los valores medios de los parámetros de marcha para los episodios de caminata identificados. Apple Inc aún no ha publicado información detallada sobre el modelo biomecánico y los algoritmos utilizados para estimar estos parámetros de marcha. La aplicación tiene una clasificación de edad de ≥ 12 años54.

Para cada 6MWT de un participante, los parámetros de la marcha estimados automáticamente por la aplicación Health se extrajeron de la siguiente manera: Los datos se exportaron en formato XML a una PC local para su posterior procesamiento55. Luego, el archivo XML se importó a Microsoft Excel (versión 16.64; Microsoft Corp, Redmond, WA, EE. UU.). Con base en la hora de inicio de la 6MWT anotada por el administrador de la prueba y las marcas de tiempo para el inicio y el final de las grabaciones de la marcha provistas en el archivo XLSX, se identificaron los episodios de caminata para la 6MWT específica de cada participante y los valores medios correspondientes de velocidad de la marcha, longitud del paso, y se extrajo el doble tiempo de soporte.

Para evaluar la validez concurrente de la aplicación Health, se midieron adicionalmente los parámetros de la marcha durante la 6MWT utilizando el APDM Mobility Lab (APDM Inc., Portland, OR, EE. UU.) como estándar de referencia, que se ha validado con éxito en niños, adultos y mayores13,14,15. Simultáneamente al iPhone que se llevaba en el bolsillo del pantalón, se sujetaron tres IMU Opal sincronizadas (tamaño = 55 × 40,2 × 12,5 mm, peso < 25 g) con correas bilateralmente en ambos pies y la quinta vértebra lumbar. Las IMU Opal incluyen dos acelerómetros de 3 ejes (rango: ± 16 g y ± 200 g, resolución: 14 y 17,5 bits), giroscopio (rango: ± 2000°/s, resolución: 12 bits) y magnetómetro (rango: ± 8 bits). Gauss, resolución 12 bits) y registro a una frecuencia de muestreo de 128 Hz. El Laboratorio de Movilidad APDM utiliza comunicación por radiofrecuencia para la transmisión inalámbrica de datos y la sincronización de múltiples IMU Opal a través de un punto de acceso conectado a una computadora central. Se diseñó un protocolo de prueba para el 6MWT dentro del software APDM Mobility Lab (V2.0.0.201903301644), donde después de que el administrador de la prueba presione iniciar, el tiempo se agota automáticamente hasta una señal auditiva de parada. El administrador de la prueba transmitió en voz alta las señales de inicio y parada a los participantes. Se utilizó el software APDM Mobility Lab para analizar automáticamente los datos registrados y extraer los valores medios de la velocidad de la marcha (m/s), la longitud del paso (cm) y el tiempo total de doble apoyo (%). Los pasos de giro no están incluidos en la extracción de parámetros de la marcha por parte del software, sino solo la marcha en línea recta.

Para evaluar la confiabilidad test-retest de la aplicación Health, se repitió el 6MWT instrumentado con el iPhone 1 semana (6,9 ± 0,5 días) después de la primera sesión de prueba. Esta nueva prueba se realizó en las mismas condiciones que la primera (es decir, mismo entorno de prueba, administrador de prueba y ubicación del iPhone).

Los datos descriptivos se presentaron como frecuencia y porcentaje, mediana y rango intercuartílico (RIC) o media y desviación estándar (DE). El nivel de concordancia entre los métodos (aplicación de salud frente a APDM Mobility Lab) y mediciones repetidas (prueba frente a nueva prueba) para capturar la velocidad de la marcha, el tiempo de paso y el tiempo de doble apoyo se evaluó mediante el cálculo de diferencias sistemáticas (sesgo) con intervalos de confianza del 95 %. (IC), límites de acuerdo del 95 % (LOA = sesgo medio ± 1,96 × SDsesgo) y coeficientes de correlación intraclase (ICC2,1, acuerdo absoluto) con IC del 95 %. Los ICC se interpretaron como malos (< 0,50), moderados (0,50 < 0,75), buenos (0,75 < 0,90) o excelentes (≥ 0,90)56. También se construyeron gráficos de Bland-Altman para visualizar el nivel de acuerdo57. Los errores porcentuales (PE) de la aplicación Health en comparación con APDM Mobility Lab se calcularon dividiendo el 1,96 × SDbias por la media de ambos métodos y se consideraron clínicamente aceptables si < 30 %58. Los errores estándar de medición (SEM) se calcularon mediante la raíz cuadrada de los términos de error cuadrático medio a partir de análisis de varianza de medidas repetidas entre las medidas de prueba y repetición59. Los MDC al IC del 95 % se calcularon como SEM × 1,96 × √2. SEM% y MDC95% también se calcularon como un porcentaje de la media de las mediciones test-retest. SEM% se consideró como bajo (≤ 10%) o alto (> 10%), y MDC% como aceptable si < 30%60,61. Los análisis estadísticos se realizaron con IBM SPSS Statistics, versión 27.0 (IBM Corp., Armonk, NY, EE. UU.).

La muestra total incluyó a 83 participantes: 27 niños (14,0 ± 1,5 años), 28 adultos (31,3 ± 11,3 años) y 28 adultos mayores (75,6 ± 5,7 años). Sólo dos adultos mayores reportaron tener enfermedades crónicas. Más de dos tercios en cada grupo de edad (68-85%) podrían clasificarse como de peso normal. El estado de salud autoinformado fue bueno a excelente, con índices EQ-5D-5L medios de ≥ 0,93 puntos y puntuaciones EQ-VAS medias de ≥ 72,1 puntos en los tres grupos de edad. Más del 90 % de los participantes (75 de 83) mostraron una fuerza de agarre entre normal y alta. Los niveles de PA indican una muestra global físicamente activa. Otras características de los participantes se muestran en la Tabla 1.

La aplicación Health no proporcionó datos sobre la marcha de cuatro participantes (4,8 %, niños: n = 3, adultos: n = 1) ni datos sobre el tiempo de apoyo doble para otros 13 participantes (15,7 %, niños: n = 6, adultos: n = 3, mayores: n = 4). No se observaron datos faltantes para los datos de marcha capturados con APDM Mobility Lab.

El nivel de concordancia absoluta entre la aplicación Health y el APDM Mobility Lab fue más alto para la velocidad de la marcha, con PE clínicamente aceptables (11,6–14,1 %) y buenos ICC que oscilaron entre 0,85 y 0,86 en los tres grupos de edad (Tabla 2). La concordancia fue menor para la longitud del paso, con PE clínicamente aceptables (9,8–14,8 %) en los tres grupos de edad y buenos ICC en adultos (0,78) y personas mayores (0,76), pero solo un ICC moderado (0,53) en niños. El nivel más bajo de concordancia se observó para el doble tiempo de apoyo: los PE fueron clínicamente aceptables en niños (27,7 %) y adultos (18,4 %) pero no en ancianos (31,6 %); Los ICC oscilaron entre pobre en personas mayores (0,42) y moderado en niños (0,54) y adultos (0,58). Los gráficos de Bland-Altman para la concordancia entre la aplicación Health y el APDM Mobility Lab no revelaron un patrón sistemático de sesgo con valores crecientes o decrecientes (Fig. 1a-i).

Gráficos de Bland-Altman para la velocidad de la marcha (a–c), la longitud del paso (d–f) y el tiempo de apoyo doble (g–i) medidos con la aplicación Health y el APDM Mobility Lab en niños, adultos y personas mayores. Las líneas continuas indican las diferencias medias entre métodos (sesgo) y las líneas discontinuas indican los límites superior e inferior del 95 % de concordancia.

Siete participantes (8,4 %, niños: n = 6, personas mayores: n = 1) no pudieron participar en el 6MWT repetido 1 semana después de la primera prueba debido a COVID-19, otras enfermedades agudas o lesiones. De las 76 mediciones de repetición de la prueba realizadas, la aplicación Health no proporcionó datos sobre la marcha de 16 participantes (21,1 %; niños: n = 6, adultos: n = 7, personas mayores: n = 3) ni datos sobre el doble tiempo de apoyo para otros 18 participantes (44,7%; niños: n = 5, adultos: n = 8, adultos mayores: n = 3). Teniendo en cuenta los datos faltantes de cuatro participantes en la primera prueba, se analizó la confiabilidad test-retest para la velocidad de la marcha y la longitud del paso en 56 participantes (67,5%, niños: n = 12, adultos: n = 20, personas mayores: n = 24) y por doble tiempo de apoyo en 38 participantes (45,8%, niños: n = 7, adultos: n = 10, adultos mayores: n = 21).

Se obtuvieron ICC consistentemente buenos a excelentes entre las mediciones repetidas para la velocidad de la marcha, la longitud del paso y el tiempo de apoyo doble en adultos (0.75–0.80) y personas mayores (0.88–0.93) (Tabla 3). En los niños, los ICC fueron de moderados a buenos para la velocidad de la marcha (0,61) y el tiempo de apoyo doble (0,79), pero solo deficientes para la longitud del paso (0,39). Se encontraron SEM% bajos (2.4–8.1%) y MDC95% aceptables (6.5–22.4%) para todos los parámetros de la marcha en todos los grupos de edad, siendo más bajos en las personas mayores. MDC95 osciló entre 0,20 y 0,30 m/s para la velocidad de la marcha, entre 6,1 y 14,1 cm para la longitud del paso y entre 1,8 y 3,4 % para el tiempo de doble apoyo. En general, las diferencias test-retest (sesgo, 95% LOA), SEM y MDC fueron mayores en niños que en adultos y personas mayores. Los gráficos de Bland-Altman no indicaron patrones sistemáticos de sesgo para la concordancia entre las mediciones repetidas (Fig. 2a-i).

Gráficas de Bland-Altman para mediciones repetidas de la velocidad de la marcha (a-c), la longitud del paso (d-f) y el tiempo de apoyo doble (g-i) medidas con la aplicación Health en niños, adultos y personas mayores. Las líneas continuas indican las diferencias medias entre métodos (sesgo) y las líneas discontinuas indican los límites superior e inferior del 95 % de concordancia.

El estudio evaluó la validez concurrente de la aplicación Health en iPhone con APDM Mobility Lab y su confiabilidad test-retest durante 1 semana para medir los parámetros espacio-temporales de la marcha en niños, adultos y personas mayores. Hasta donde sabemos, este es el primero en proporcionar evidencia sobre las propiedades psicométricas de las medidas de marcha de la aplicación Health en diferentes grupos de edad.

Los parámetros de la marcha se capturaron durante un 6MWT que los participantes completaron a la velocidad habitual de la marcha. Teniendo en cuenta el caso de uso real de la aplicación Health para medir el rendimiento de la marcha en la vida diaria, se seleccionó la 6MWT porque refleja mejor el comportamiento de marcha de la vida real que otras pruebas de marcha clínicamente establecidas62,63, y se prescribió el ritmo habitual porque está más asociado con la marcha de la vida diaria que el ritmo rápido64. Además, también se ha utilizado un 6MWT en el estudio anterior de Apple Inc.38 para probar la validez concurrente de la aplicación Health en personas mayores.

Del total de 159 mediciones realizadas en las sesiones de prueba y repetición de la prueba, la aplicación Health no proporcionó datos sobre la marcha de 20 participantes (12,6 %) ni datos sobre el doble tiempo de apoyo para 51 participantes (32,1 %), y la mayoría de los datos faltantes se observaron en niños. Una posible explicación de estos hallazgos podría ser la no estandarización de los pantalones de los participantes durante la 6MWT. Los pantalones más holgados con bolsillos más grandes pueden haber provocado más movimientos de teléfonos inteligentes y/o mayores desviaciones del centro de masa del participante, lo que proporciona una señal más pobre para detectar eventos de marcha y procesamiento de datos. De hecho, este acoplamiento flojo del iPhone se ha visto con más frecuencia en los niños. La falta de datos para el tiempo de soporte doble también podría estar relacionada con este procedimiento para usar el iPhone. Mientras que la medición de los otros parámetros de la marcha se basa únicamente en la detección de los golpes de talón, el tiempo de doble apoyo se basa en la detección tanto de los golpes de talón como de los despegues de los dedos. Los problemas con la detección de uno de estos eventos pueden ocasionar que no se detecte ni calcule el tiempo de soporte doble. Dado que el evento de despegue también ocurre durante un movimiento más suave del pie y que las IMU suelen mostrar mayores errores al detectar este evento65,66,67, el tiempo de soporte doble también podría ser más propenso a la no detección que los otros parámetros cuando se usa el iPhone en condiciones no óptimas. En general, estos hallazgos respaldan las recomendaciones de Apple Inc.38 de que se requiere una buena señal para la disponibilidad de las mediciones de la marcha de la aplicación Health acoplando firmemente el iPhone al centro de masa del usuario.

La validez concurrente de la aplicación Health se evaluó frente a un sistema bien establecido basado en múltiples IMU para el análisis de la marcha (APDM Mobility Lab)13,14,15. El nivel de concordancia entre los dos métodos fue bueno para la velocidad de la marcha en todos los grupos de edad (ICC ≥ 0,85). Se observó una menor concordancia para la longitud del paso, que seguía siendo buena en adultos y mayores (ICC > 0,76), pero moderada en niños (ICC = 0,53). Para el tiempo de soporte doble, el acuerdo fue más bajo y solo de pobre a moderado (ICC = 0.42–0.58). Estos hallazgos se corresponden con los obtenidos por Apple Inc.38 para la validez de la aplicación Salud frente a una pasarela instrumentada en personas mayores, con niveles de concordancia buenos a excelentes para la velocidad de la marcha (ICC = 0,92) y la longitud del paso (ICC = 0,84), pero moderado para doble tiempo de apoyo (ICC = 0,53).

Estudios previos sobre la validez de otra aplicación para teléfonos inteligentes que permite el monitoreo discreto de la marcha en la vida diaria (OneStep) también revelaron hallazgos similares en adultos sanos32 y pacientes con patologías musculoesqueléticas41. La concordancia de la aplicación OneStep con diferentes estándares de referencia (APDM Mobility Lab, pasarela Zeno) fue mayor para la velocidad de la marcha (ICC = 0,94, coeficiente de correlación de Pearson [r] = 0,89–0,91) y la longitud del paso (ICC = 0,80, r = 0,65– 0,84) que para el apoyo de las dos extremidades (ICC = 0,52, r = 0,61–0,62). La menor validez para medir el tiempo de doble apoyo también se ha informado para las IMU independientes en marcha normal68 y patológica69,70. Como se discutió anteriormente, la dificultad de detectar con precisión tanto el golpe del talón como el despegue de los dedos para estimar este parámetro de la marcha se ha mencionado a menudo en este contexto como una razón potencial para mayores errores de medición con este parámetro de la marcha65,66,67, que también puede ser el caso de la aplicación Salud. Además, no está del todo claro si este hallazgo es una limitación de la aplicación Health o posiblemente del estándar de referencia, ya que APDM Mobility también ha demostrado una validez limitada para medir el tiempo de soporte doble15. Sin embargo, dado que se informaron niveles de concordancia similares para este parámetro de la marcha entre la aplicación Health (ICC = 0,53) y una pasarela instrumentada38, no asumimos que este hallazgo se relacione con la limitación del APDM Mobility Lab.

Apple Inc.38 informó niveles de concordancia ligeramente superiores de la aplicación Salud con el estándar de referencia (ICC = 0,53–0,92) en comparación con el presente estudio (ICC = 0,42–0,86). Esto podría estar relacionado con el hecho de que debido a que no teníamos acceso a los ciclos de marcha individuales en la aplicación Health, no pudimos alinearlos con precisión en el tiempo con el estándar de referencia antes del análisis de datos, como lo hizo Apple Inc38. Por lo tanto, es posible que los valores medios proporcionados por los análisis automáticos de la aplicación Health y APDM Mobility Lab para los parámetros de marcha no se hayan basado exactamente en los mismos ciclos de marcha dentro del 6MWT, lo que podría haber afectado el nivel de concordancia entre los dos sistemas.

Las estadísticas de validez para medir la velocidad de la marcha y/o la longitud del paso fueron bastante similares o solo un poco más bajas que las observadas previamente para la aplicación Health en personas mayores (ICC = 0.84–0.92)38 y para OneStep (ICC = 0.80–0.96)32,33 y aplicaciones Gait Analyzer en adultos (sesgo medio: velocidad de la marcha = − 0,09 a 0,05 m/s, longitud del paso = − 4,0 a 2,3 cm)37. La menor validez podría deberse al hecho de que estos estudios utilizaron material de fijación para el posicionamiento del teléfono inteligente (soporte de bolsillo, riñonera, clip para la cadera)32,33,37,38, que ha demostrado proporcionar una mayor validez para el análisis de la marcha basado en teléfonos inteligentes. que cuando se lleva en el bolsillo del pantalón71, como se hizo en el presente estudio.

En comparación con la validez concurrente informada para las IMU independientes, la aplicación Health mostró niveles similares de concordancia con el estándar de referencia para medir la velocidad de la marcha y la longitud del paso en adultos (ICC = 0,83–0,92, PE = 12,3–15,1 %)68,72 . En personas mayores, similar (ICC = 0,79-0,95, PE = 12,5-14,7%)72,73 pero en algunos casos también niveles de acuerdo sustancialmente más altos (ICC = 0,99, PE = 2,1-2,3%74; sesgo medio: velocidad de la marcha = 0,02 ± 0,02 m/s, longitud del paso = –0,59 ± 0,87 cm75) para estas mediciones de la marcha a través de dichas IMU.

La menor validez de la aplicación Health obtenida para la longitud de los pasos de los niños podría explicarse por sus pantalones más holgados con bolsillos más grandes que pueden haber estado asociados con más movimientos de teléfonos inteligentes y, por lo tanto, con un mayor sesgo de medición. Otra posible explicación podría ser que el modelo biomecánico de caminar del que la aplicación Health deriva los parámetros de marcha puede estar basado en la antropometría de adultos en lugar de niños y adolescentes.

La confiabilidad test-retest de la aplicación Health fue consistentemente buena a excelente para todos los parámetros de la marcha en adultos (ICC = 0.75–0.80) y personas mayores (ICC = 0.88–0.93). Estos hallazgos corresponden a los informados para las aplicaciones OneStep y Gait Analyzer, que también demostraron una confiabilidad test-retest de buena a excelente para medir la velocidad de la marcha (ICC = 0.77–0.98), la longitud del paso (ICC = 0.80–0.97) y/o doble tiempo de apoyo (ICC = 0,90-0,98) en adultos31,33,37. Por el contrario, la confiabilidad de la aplicación Health fue de baja a moderada para medir la velocidad de la marcha y la longitud del paso en niños (ICC = 0,39–0,61), que fue menor que la de la aplicación Gait Analyzer en niños y adolescentes (ICC = 0,87–0,94) 30 Una posible explicación de la menor confiabilidad en los niños en comparación con los adultos y las personas mayores en el estudio actual y con la aplicación Gait Analyzer podría ser el hecho de que nuestros niños realizaron el 6MWT al aire libre. Estas condiciones de prueba pueden haber sido más variables a lo largo de las mediciones repetidas debido a factores contextuales y ambientales parcialmente incontrolables (p. ej., condiciones climáticas, personas que pasaban) que las que prevalecieron en interiores para la mayoría de los adultos y todas las personas mayores, así como para probar la prueba y repetir la prueba. fiabilidad de la aplicación Gait Analyzer30. En general, sin embargo, nuestros resultados de confiabilidad en niños también deben interpretarse con cautela debido al pequeño tamaño de la muestra.

Los SEM se calcularon para obtener la variabilidad dentro del sujeto que normalmente ocurre debido a un error de medición aleatorio. Hasta donde sabemos, dicha información sobre SEM aún no se ha informado para la aplicación de salud o cualquier otra aplicación de teléfono inteligente que permita el monitoreo de la marcha de la vida diaria. Para las aplicaciones de teléfonos inteligentes que se centran en las mediciones estandarizadas de la capacidad de la marcha, se informaron SEM y SEM% ligeramente más bajos en adultos sanos (SEM%: velocidad de la marcha = 2,0–3,8%, longitud del paso = 2,5–4,0%)36,42 y pacientes con enfermedades neurológicas (SEM). %: velocidad de la marcha = 4,8 %, longitud del paso = 2,5 %39; SEM: velocidad de la marcha = 0,01–0,02 m/s42). Sin embargo, el SEM% de la aplicación Health fue inferior al 10 % para todos los parámetros de la marcha y en todos los grupos de edad, lo que a menudo se ha considerado como una pequeña cantidad de error de medición aleatorio42,60,61.

Según el SEM, se calcularon los valores MDC95 y MDC95% para cada parámetro de marcha capturado con la aplicación Health. Estos valores brindan la oportunidad de determinar si se ha producido un cambio real que supera el error de medición o la variabilidad dentro del sujeto; por lo tanto, los hace muy relevantes para detectar cambios a lo largo del tiempo o evaluar los efectos del tratamiento. MDC95% para la velocidad de la marcha, la longitud del paso y el tiempo de apoyo doble fueron aceptables en todos los grupos de edad (6,5–22,4%), lo que sugiere que la aplicación Health podría ser sensible para detectar cambios en estos parámetros de la marcha. Los MDC95 en personas mayores fueron similares a los informados previamente por Apple Inc38. para la velocidad de la marcha (0,08 a 0,23 m/s), la longitud del paso (4 a 12 cm) y el tiempo de apoyo doble (2,1 a 4,5 %). Extendemos estos hallazgos para la aplicación Health en adultos y niños, que mostraron un MDC95 ligeramente mayor para la velocidad de la marcha (0,22–0,30 m/s) y la longitud del paso (9,4–14,1 cm) que las personas mayores (0,20 m/s, 6,1 cm). MDC95 para la velocidad de la marcha (0,30 m/s) y la longitud del paso (14,1 cm) en niños fueron mayores que los informados para la aplicación Gait Analyzer en niños y adolescentes (velocidad de la marcha = 0,14–0,15 m/s, longitud del paso = 8,3–9,5 cm)30. También se han documentado MDC95 más bajos para la velocidad de la marcha en adultos sanos (0,02–0,15 m/s) y pacientes con enfermedades neurológicas (0,13–0,14 m/s) para aplicaciones de teléfonos inteligentes que se centran en mediciones estandarizadas de la capacidad de la marcha39,42. El MDC95 para la velocidad de la marcha medida con la aplicación Salud osciló entre 0,20 y 0,30 m/s, por encima de la diferencia mínima clínicamente significativa (MCID) para la velocidad de la marcha habitual estimada en 0,05 m/s en las pruebas de marcha estandarizadas76,77. Esto sugiere que el error absoluto en las mediciones de la velocidad de la marcha es mayor que este MCID, lo que limita la interpretabilidad de los cambios sutiles y significativos en la velocidad de la marcha utilizando la aplicación Health y su idoneidad para el uso clínico.

El estudio tiene algunas limitaciones. Primero, el tamaño de la muestra para cada grupo de edad fue pequeño, especialmente para el análisis de la confiabilidad test-retest en niños debido a la falta de datos no esperados. En segundo lugar, se utilizó el APDM Mobility Lab basado en múltiples IMU como estándar de referencia externo, que no se considera un estándar de oro para el análisis de la marcha. Sin embargo, se ha demostrado una validez concurrente de buena a excelente frente a los sistemas de captura de movimiento de video y pasarelas instrumentadas13,14,15. En tercer lugar, se capturaron los parámetros de la marcha espacio-temporal durante un 6MWT. Los estudios futuros deben evaluar la validez y confiabilidad de la aplicación Health para medir estos parámetros en un contexto más no prescrito y sin supervisión durante períodos de tiempo de observación más largos para que se considere representativa del rendimiento de la marcha en la vida diaria. En cuarto lugar, la posición de uso del iPhone se estandarizó para todos los participantes (bolsillo derecho del pantalón), pero no para los pantalones, lo que puede haber resultado en una calidad de señal diferente para el procesamiento de datos entre los participantes y mediciones repetidas. En quinto lugar, los entornos de prueba parcialmente diferentes (interiores y exteriores) entre los grupos de edad dificultan las comparaciones directas entre grupos de los resultados de validez y confiabilidad. En sexto lugar, dado que la aplicación Health no proporciona acceso a los ciclos de la marcha individuales, la comparación con el APDM Mobility Lab se basó en los valores medios de los parámetros de la marcha determinados de forma totalmente automática por ambos sistemas, sin poder realizar una alineación temporal manual precisa de la marcha individual. ciclos de marcha entre ambos sistemas antes del análisis automático de datos. Por último, los hallazgos se limitan a personas sanas, en forma y físicamente activas. Se necesitan estudios futuros para validar las mediciones de la marcha de la aplicación Health en otras poblaciones con discapacidad y/o menor rendimiento de la marcha.

En conclusión, la aplicación de Heath para iPhone ha demostrado ser válida y fiable para medir la velocidad de la marcha y la longitud del paso en adultos y personas mayores. La velocidad de la marcha de los niños también se puede medir de forma válida, pero con menos fiabilidad que en los grupos de edad de los adultos. Se documentaron validez y confiabilidad limitadas para la medición de la longitud del paso en niños. A pesar de que las mediciones del tiempo de doble apoyo fueron confiables en todos los grupos de edad, deben considerarse con cautela, ya que han mostrado consistentemente una validez de baja a moderada. Además, parece que se requieren cambios relativamente grandes en las mediciones de la velocidad de la marcha de la aplicación Health para estar seguros de que se ha producido un cambio real. La reducción de los movimientos artificiales de los teléfonos inteligentes al acoplar firmemente el iPhone cerca del centro de masa parece ser fundamental para recibir de manera confiable las estimaciones de los parámetros de la marcha de la aplicación Health. En general, los hallazgos de este estudio sugieren que la aplicación Health, de libre acceso y fácil de usar, en un iPhone que se lleva en el bolsillo delantero ajustado del pantalón, podría ser una herramienta válida y confiable para el monitoreo diario de la marcha totalmente automatizado, discreto y continuo. velocidad y longitud de paso en adultos y personas mayores.

Los conjuntos de datos utilizados y analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable.

van Schooten, KS y col. Evaluación ambulatoria del riesgo de caídas: la cantidad y la calidad de la marcha diaria predicen caídas en adultos mayores. J. Gerontol. Un Biol. ciencia Medicina. ciencia 70, 608–615.

Artículo PubMed Google Académico

Savica, R. et al. Comparación de los parámetros de la marcha para predecir el deterioro cognitivo: El estudio sobre el envejecimiento de la Clínica Mayo. J. Enfermedad de Alzheimer. 55, 559–567 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Studenski, S. et al. Velocidad de la marcha y supervivencia en adultos mayores. JAMA 305, 50–58 (2011).

Artículo CAS PubMed PubMed Central Google Scholar

Braun, T. et al. Asociación de evaluaciones de resultados clínicos de la capacidad de movilidad y la discapacidad incidente en adultos mayores que viven en la comunidad: una revisión sistemática y un metanálisis. Envejecimiento Res. Rev. 81, 101704 (2022).

Artículo ADS PubMed Google Scholar

Middleton, A., Fritz, SL & Lusardi, M. Velocidad de marcha: El signo vital funcional. J. Envejecimiento Phys. Acto. 23, 314–322 (2015).

Artículo PubMed Google Académico

Rasmussen, LJH et al. Asociación de la función neurocognitiva y física con la velocidad de la marcha en la mediana edad. Red JAMA Abierto 2, e1913123. https://doi.org/10.1001/jamanetworkopen.2019.13123 (2019).

Artículo PubMed PubMed Central Google Académico

Señor, S. et al. Dominios independientes de la marcha en adultos mayores y atributos motores y no motores asociados: Validación de un enfoque de análisis factorial. J. Gerontol. Un Biol. ciencia Medicina. ciencia 68, 820–827 (2012).

Artículo PubMed Google Académico

Verghese, J., Holtzer, R., Lipton, RB y Wang, C. Marcadores de marcha cuantitativos y riesgo de caída incidente en adultos mayores. J. Gerontol. Un Biol. ciencia Medicina. ciencia 64, 896–901 (2009).

Artículo PubMed Google Académico

Woo, J., Ho, SC & Yu, AL La velocidad de la marcha y la longitud de la zancada predicen la dependencia, la mortalidad y la institucionalización durante 36 meses en chinos de 70 años o más. Mermelada. Geriatría Soc. 47, 1257–1260 (1999).

Artículo CAS PubMed Google Académico

Doi, T. et al. Las variables espacio-temporales de la marcha predijeron la discapacidad incidente. J. Neuroeng. rehabilitación 17, 11. https://doi.org/10.1186/s12984-020-0643-4 (2020).

Artículo PubMed PubMed Central Google Académico

Simon, SR Cuantificación del movimiento humano: análisis de la marcha: beneficios y limitaciones para su aplicación a problemas clínicos. J. Biomech. 37, 1869–1880 (2004).

Artículo PubMed Google Académico

Muro-de-la-Herran, A., Garcia-Zapirain, B. & Mendez-Zorrilla, A. Métodos de análisis de la marcha: una descripción general de los sistemas portátiles y no portátiles, destacando las aplicaciones clínicas. Sensores 14, 3362–3394. https://doi.org/10.3390/s140203362 (2014).

Artículo ADS PubMed PubMed Central Google Scholar

Hou, Y., Wang, S., Li, J., Komal, S. y Li, K. Fiabilidad y validez de un sistema de sensor inercial portátil para la evaluación de la marcha en adultos jóvenes sanos. En el 14º Congreso Internacional de Procesamiento de Imágenes y Señales, Ingeniería Biomédica e Informática (CISP-BMEI). 1–6. https://doi.org/10.1109/CISP-BMEI53629.2021.9624463 (2021).

Lanovaz, JL, Oates, AR, Treen, TT, Unger, J. & Musselman, KE Validación de un sistema de sensor inercial comercial para mediciones espaciotemporales de la marcha en niños. Postura de marcha 51, 14–19 (2017).

Artículo PubMed Google Académico

Morris, R. et al. Validez de Mobility Lab (versión 2) para la evaluación de la marcha en adultos jóvenes, adultos mayores y enfermedad de Parkinson. Fisiol. medida 40, 095003 (2019).

Artículo PubMed PubMed Central Google Académico

Kobsar, D. et al. Validez y confiabilidad de los sensores de inercia portátiles en la marcha de adultos sanos: una revisión sistemática y un metanálisis. J. Neuroeng. rehabilitación 17, 62. https://doi.org/10.1186/s12984-020-00685-3 (2020).

Artículo PubMed PubMed Central Google Académico

Werner, C. et al. Validez concurrente, confiabilidad test-retest y sensibilidad al cambio de un solo sensor fijo en el cuerpo para el análisis de la marcha durante la marcha asistida por andador en pacientes geriátricos agudos. Sensores 20, 4866. https://doi.org/10.3390/s20174866 (2020).

Artículo ADS PubMed PubMed Central Google Scholar

Picerno, P. et al. Sensores de inercia portátiles para el análisis del movimiento humano: una actualización de cinco años. Experto Rev. Med. Dispositivos 18, 79–94 (2021).

Artículo CAS PubMed Google Académico

Organización Mundial de la Salud. Clasificación Internacional de Funcionamiento, Discapacidad y Salud: ICF. http://apps.who.int/iris/bitstream/handle/10665/42407/9241545429.pdf?sequence=1 (2001).

Hillel, I. et al. ¿La caminata diaria en adultos mayores es más análoga a la caminata de doble tarea o a la caminata habitual? Esclarecer las brechas entre el rendimiento de la marcha en el laboratorio y durante el monitoreo 24/7. EUR. Rev. Envejecimiento Phys. Acto. 16, 6. https://doi.org/10.1186/s11556-019-0214-5 (2019).

Artículo ADS PubMed PubMed Central Google Scholar

Robles-García, V. et al. Patrones de marcha espaciotemporales durante la evaluación abierta y encubierta en pacientes con enfermedad de Parkinson y sujetos sanos: ¿Existe un efecto Hawthorne? Aplicación J. Biomecánica. 31, 189–194 (2015).

Artículo PubMed Google Académico

Toosizadeh, N. et al. Evaluación del rendimiento motor en la enfermedad de Parkinson: asociación entre medidas objetivas en la clínica, objetivas en el hogar y subjetivas/semiobjetivas. PLoS ONE 10, e0124763. https://doi.org/10.1371/journal.pone.0124763 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

Carcreff, L. et al. Velocidad de marcha de niños y adolescentes con parálisis cerebral: Laboratorio versus vida cotidiana. Frente. Bioing. Biotecnología. 8, 812 (2020).

Artículo PubMed PubMed Central Google Académico

Warmerdam, E. et al. Evaluación de la movilidad no supervisada a largo plazo en los trastornos del movimiento. Lancet Neurol. 19, 462–470 (2020).

Artículo PubMed Google Académico

Del Din, S., Godfrey, A., Mazzà, C., Lord, S. & Rochester, L. Monitoreo de la enfermedad de Parkinson en vida libre: lecciones del campo. mov. Desorden. 31, 1293–1313 (2016).

Artículo PubMed Google Académico

Rochester, L. et al. Una hoja de ruta para informar el desarrollo, la validación y la aprobación de los resultados de la movilidad digital: el enfoque Mobilise-D. Dígito. Biomarca. 4, 13–27 (2020).

Artículo PubMed PubMed Central Google Académico

Moore, SA et al. Medición integral de las características de la marcha de los accidentes cerebrovasculares con un solo acelerómetro en el laboratorio y la comunidad: un estudio de viabilidad, validez y confiabilidad. J. Neuroeng. rehabilitación 14, 130. https://doi.org/10.1186/12984-017-0341-z (2017).

Artículo PubMed PubMed Central Google Académico

Bongartz, M. et al. Validez, fiabilidad y viabilidad del monitor de actividad uSense para registrar la actividad física y el rendimiento de la marcha en entornos habituales de pacientes geriátricos. Fisiol. medida 40, 095005 (2019).

Artículo PubMed Google Académico

Departamento de Investigación de Statista. Número de suscripciones de teléfonos inteligentes en todo el mundo de 2016 a 2021, con pronósticos de 2022 a 2027. https://es.statista.com/estadisticas/330695/numero-de-usuarios-de-smartphones-en-el-mundo/ (2022).

Howell, DR et al. Fiabilidad y cambio mínimo detectable para una evaluación cognitiva motora basada en teléfonos inteligentes: implicaciones para el manejo de la conmoción cerebral. Aplicación J. Biomecánica. 37, 380–387 (2021).

Artículo PubMed PubMed Central Google Académico

Kelly, M. et al. Una nueva aplicación para teléfonos inteligentes es confiable para la administración repetida y comparable al Tekscan Strideway para la marcha espaciotemporal. Medida (Londres) 192, 110882 (2022).

Académico de Google de PubMed

Shahar, RT & Agmon, M. Análisis de marcha utilizando datos de acelerometría de un solo teléfono inteligente: acuerdo y consistencia entre una aplicación de teléfono inteligente y un sistema de análisis de marcha estándar. Sensores 21, 7497. https://doi.org/10.3390/s21227497 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Christensen, JC et al. La validez y confiabilidad de la aplicación para teléfonos inteligentes onestep en diversas condiciones de marcha en adultos sanos con viabilidad en la práctica clínica. J. Orthop. Cirugía Res. 17, 417 (2022).

Artículo PubMed PubMed Central Google Académico

Señorío, B. et al. Evaluación de la marcha basada en aplicaciones para teléfonos inteligentes durante la caminata normal y de doble tarea: Demostración de validez y confiabilidad. JMIR Msalud Usalud 6, e36. https://doi.org/10.2196/mhealth.8815 (2018).

Artículo PubMed PubMed Central Google Académico

Tchelet, K., Stark-Inbar, A. y Yekutieli, Z. Estudio piloto de la aplicación de teléfono inteligente encefáloga para el análisis de la marcha. Sensores 19, 5179. https://doi.org/10.3390/s19235179 (2019).

Artículo ADS PubMed PubMed Central Google Scholar

Rashid, U. et al. Validez y confiabilidad de una aplicación para teléfonos inteligentes para la evaluación de la marcha y el equilibrio. Sensores 22, 124. https://doi.org/10.3390/s22010124 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Howell, DR, Lugade, V., Taksir, M. y Meehan, WP 3. Determinación de la utilidad de una evaluación de la marcha basada en teléfonos inteligentes para su posible uso en el manejo de conmociones cerebrales. física Sportsmed. 48, 75–80 (2020).

Artículo PubMed Google Académico

Apple Inc. Midiendo la calidad de caminar a través de las métricas de movilidad del iPhone. https://www.apple.com/de/healthcare/docs/site/Measuring_Walking_Quality_Through_iPhone_Mobility_Metrics.pdf (2022).

Clavijo-Buendía, S. et al. Validez de construcción y fiabilidad test-retest de una aplicación móvil gratuita para el análisis espacio-temporal de la marcha en pacientes con enfermedad de Parkinson. Postura de marcha 79, 86–91 (2020).

Artículo PubMed Google Académico

Su, D. et al. Evaluación simple basada en teléfonos inteligentes de las características de la marcha en la enfermedad de Parkinson: estudio de validación. JMIR Mhealth Uhealth 9, e25451. https://doi.org/10.2196/25451 (2021).

Artículo PubMed PubMed Central Google Académico

Shema-Shiratzky, S., Beer, Y., Mor, A. & Elbaz, A. Tecnología de sensores inerciales basados ​​en teléfonos inteligentes: validación de una nueva aplicación para medir métricas de marcha espaciotemporal. Postura de marcha 93, 102–106 (2022).

Artículo PubMed Google Académico

Bourke, AK, Escocia, A., Lipsmeier, F., Gossens, C. y Lindemann, M. Características de la marcha obtenidas durante una prueba de caminata de 2 minutos autoadministrada basada en un teléfono inteligente en personas con esclerosis múltiple: confiabilidad de prueba y repetición y cambio mínimo detectable. Sensores 20, 5906. https://doi.org/10.3390/s20205906 (2020).

Artículo ADS PubMed PubMed Central Google Scholar

Departamento de Investigación de Statista. SO de smartphones en 2019, por grupo de edad. https://www.statista.com/statistics/1133193/smartphone-os-by-age/ (2020).

Zou, GY Fórmulas de tamaño de muestra para estimar los coeficientes de correlación intraclase con precisión y seguridad. Estadística Medicina. 31, 3972–3981 (2012).

Artículo MathSciNet CAS PubMed Google Académico

Consulta de la OMS sobre Obesidad y Organización Mundial de la Salud. Obesidad: prevención y manejo de la epidemia mundial: informe de una consulta de la OMS. https://apps.who.int/iris/handle/10665/42330 (2000).

Katzman, R. et al. Validación de un Test corto de Orientación-Memoria-Concentración de deterioro cognitivo. Soy. J. Psiquiatría 140, 734–739 (1983).

Artículo CAS PubMed Google Académico

Grupo Euroqol. EuroQol: una nueva instalación para la medición de la calidad de vida relacionada con la salud. Política de salud 16, 199–208 (1990).

Artículo Google Académico

Ludwig, K., Graf von der Schulenburg, JM y Greiner, W. Conjunto de valores alemanes para el EQ-5D-5L. Farmacoeconomía 36, ​​663–674 (2018).

Artículo PubMed PubMed Central Google Académico

Roberts, HC et al. Una revisión de la medición de la fuerza de prensión en estudios clínicos y epidemiológicos: Hacia un enfoque estandarizado. Edad Envejecimiento 40, 423–429 (2011).

Artículo PubMed Google Académico

Ortega, FB et al. Niveles de aptitud física entre los adolescentes europeos: El estudio HELENA. Hermano J. Deportes Med. 45, 20–29 (2011).

Artículo CAS PubMed Google Académico

Steiber, N. ¿Agarre fuerte o débil? Valores de referencia normativos para la población alemana a lo largo del curso de vida estratificados por sexo, edad y altura corporal. PLoS ONE 11, e0163917. https://doi.org/10.1371/journal.pone.0163917 (2016).

Artículo CAS PubMed PubMed Central Google Scholar

Craig, CL et al. Cuestionario internacional de actividad física: fiabilidad y validez en 12 países. Medicina. ciencia Ejercicio deportivo. 35, 1381–1395 (2003).

Artículo PubMed Google Académico

grupo IPQ. Directrices para el procesamiento y análisis de datos del Cuestionario Internacional de Actividad Física. https://sites.google.com/site/theipaq/scoring-protocol (2005).

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

Apple Inc. Comparte tus datos en Salud en el iPhone. https://support.apple.com/guide/iphone/share-your-health-data-iph5ede58c3d/15.0/ios/15.0 (2022).

Portney, L. & Watkins, MP Fundación de Investigación Clínica. Aplicación a la práctica 3ª ed. (Pearson Education, Londres, 2009).

Google Académico

Bland, JM & Altman, DG Métodos estadísticos para evaluar la concordancia entre dos métodos de medición clínica. Lanceta 1, 307–310 (1986).

Artículo CAS PubMed Google Académico

Critchley, LA & Critchley, JA Un metanálisis de estudios que utilizan estadísticas de precisión y sesgo para comparar las técnicas de medición del gasto cardíaco. J. Clin. Monitorear computar 15, 85–91 (1999).

Artículo CAS PubMed Google Académico

Atkinson, G. & Nevill, AM Métodos estadísticos para evaluar el error de medición (confiabilidad) en variables relevantes para la medicina deportiva. Medicina deportiva 26, 217–238 (1998).

Artículo CAS PubMed Google Académico

Soulard, J., Vaillant, J., Balaguier, R. & Vuillerme, N. Los parámetros de marcha espacio-temporales obtenidos de los sensores de inercia usados ​​en el pie son confiables en adultos sanos en condiciones de una y dos tareas. ciencia Rep. 11, 10229. https://doi.org/10.1038/s41598-021-88794-4 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Huang, SL et al. Cambio mínimo detectable de la prueba cronometrada "up & go" y el índice de marcha dinámica en personas con enfermedad de Parkinson. física El r. 91, 114–121 (2011).

Artículo PubMed Google Académico

Solway, S., Brooks, D., Lacasse, Y. & Thomas, S. Una descripción sistemática cualitativa de las propiedades de medición de las pruebas de caminata funcional utilizadas en el dominio cardiorrespiratorio. Cofre 119, 256–270 (2001).

Artículo CAS PubMed Google Académico

Müller, A. et al. Monitoreo digital continuo de la velocidad de la marcha en pacientes ancianos frágiles: estudio de validación no intervencionista y ensayo clínico longitudinal. JMIR Mhealth Uhealth 7, e15191. https://doi.org/10.2196/15191 (2019).

Artículo PubMed PubMed Central Google Académico

Rojer, AGM et al. Robustez de las medidas de velocidad de la marcha en el laboratorio y en la vida diaria durante un año en adultos de 61 a 70 años de alto funcionamiento. Gerontología 67, 650–659 (2021).

Artículo PubMed Google Académico

Storm, FA, Buckley, CJ & Mazzà, C. Detección de eventos de marcha en entornos de laboratorio y de la vida real: precisión de los métodos basados ​​en sensores de cintura y tobillo. Postura de marcha 50, 42–46 (2016).

Artículo PubMed Google Académico

Pacini Panebianco, G., Bisi, MC, Stagni, R. & Fantozzi, S. Análisis del rendimiento de 17 algoritmos de una revisión sistemática: Influencia de la posición del sensor, variable analizada y enfoque computacional en la estimación del tiempo de marcha a partir de mediciones IMU. Postura de marcha 66, 76–82 (2018).

Artículo PubMed Google Académico

Trojaniello, D., Cereatti, A. & Della Croce, U. Precisión, sensibilidad y robustez de cinco métodos diferentes para la estimación de parámetros temporales de la marcha utilizando un solo sensor inercial montado en la parte inferior del tronco. Postura de marcha 40, 487–492 (2014).

Artículo PubMed Google Académico

De Ridder, R. et al. Validez concurrente de un sistema de acelerómetro triaxial troncal inalámbrico comercial para el análisis de la marcha. J. Deporte Rehabilitación. 28, 295–1 (2019).

Artículo Google Académico

Bravi, M. et al. Validez concurrente y confiabilidad entre ensayos de una sola unidad de medición inercial para el análisis de parámetros de la marcha espacio-temporal en pacientes con artroplastia total de cadera o rodilla reciente. Postura de marcha 76, 175–181 (2020).

Artículo PubMed Google Académico

Peraza, LR et al. Una tubería de análisis de marcha automática para sensores portátiles: un estudio piloto en la enfermedad de Parkinson. Sensores 21, 8286. https://doi.org/10.3390/s21248286 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Silsupadol, P., Teja, K. & Lugade, V. Confiabilidad y validez de una evaluación basada en teléfonos inteligentes de los parámetros de la marcha a través de la velocidad de marcha y las ubicaciones de los teléfonos inteligentes: cuerpo, bolso, cinturón, mano y bolsillo. Postura de marcha 58, 516–522 (2017).

Artículo PubMed Google Académico

Godfrey, A., Del Din, S., Barry, G., Mathers, JC y Rochester, L. Instrumentación de la marcha con un acelerómetro: un examen de sistema y algoritmo. Medicina. Ing. física 37, 400–407 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

Del Din, S., Godfrey, A. y Rochester, L. Validación de un acelerómetro para cuantificar una batería completa de características de la marcha en adultos mayores sanos y la enfermedad de Parkinson: hacia el uso clínico y en el hogar. IEEE J. Biomédica. Informe de Salud. 20, 838–847 (2016).

Artículo PubMed Google Académico

Hartmann, A., Luzi, S., Murer, K., de Bie, RA y de Bruin, ED Validez concurrente de un sistema de acelerómetro triaxial troncal para el análisis de la marcha en adultos mayores. Postura de marcha 29, 444–448 (2009).

Artículo PubMed Google Académico

Byun, S., Han, JW, Kim, TH y Kim, KW Confiabilidad test-retest y validez concurrente de un único análisis de la marcha basado en un acelerómetro triaxial en adultos mayores con cognición normal. PLoS ONE 11, e0158956. https://doi.org/10.1371/journal.pone.0158956 (2016).

Artículo CAS PubMed PubMed Central Google Scholar

Perera, S., Mody, SH, Woodman, RC y Studenski, SA Cambio significativo y capacidad de respuesta en medidas comunes de rendimiento físico en adultos mayores. Mermelada. Geriatría Soc. 54, 743–749 (2006).

Artículo PubMed Google Académico

Perera, S. et al. ¿Son consistentes las estimaciones de una disminución significativa en el rendimiento de la movilidad entre los subgrupos clínicamente importantes? (Estudio ABC de la Salud). J. Gerontol. Un Biol. ciencia Medicina. ciencia 69, 1260–1268 (2014).

Artículo PubMed PubMed Central Google Académico

Descargar referencias

Agradecemos amablemente a todos los voluntarios por su disposición a participar en el estudio. Para la tarifa de publicación, reconocemos el apoyo financiero de Deutsche Forschungsgemeinschaft dentro del programa de financiación "Open Access Publikationskosten", así como de la Universidad de Heidelberg.

Financiamiento de acceso abierto habilitado y organizado por Projekt DEAL.

Centro geriátrico, Agaplesion Bethanien Hospital Heidelberg, Hospital Universitario de Heidelberg, 69126, Heidelberg, Alemania

Christian Werner, Natalie Hezel y Jürgen M. Bauer

Instituto de Deportes y Ciencias del Deporte, Universidad de Heidelberg, 69120, Heidelberg, Alemania

fabiana dongus

TSG ResearchLab, 74939, Zuzenhausen, Alemania

Jan Spielmann y Jan Mayer

Unidad de Medicina Geriátrica Digital, Hospital Universitario de Heidelberg, 69115, Heidelberg, Alemania

clemens becker

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Conceptualización, CW y NH; metodología, CW y NH; validación, CW; análisis formal, CW y NH; investigación, FD; recursos, JMB; curación de datos, NH y CW; redacción—preparación del borrador original, CW y NH; redacción: revisión y edición, FD, JS, JM, CB, JMB, NH y CW; visualización, CW; supervisión, JMB y CW; administración del proyecto, CW Todos los autores leyeron el manuscrito y aprobaron la versión final.

Correspondencia a Christian Werner.

Los autores declaran no tener conflicto de intereses. Esta es una publicación independiente y no ha sido autorizada, patrocinada ni aprobada por Apple Inc. Apple, iPhone, Health y HealthKit son marcas comerciales de Apple Inc. IOS es una marca comercial o una marca comercial registrada de Cisco en EE. UU. y otros países y se utiliza bajo licencia.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Werner, C., Hezel, N., Dongus, F. et al. Validez y confiabilidad de la aplicación Apple Health en iPhone para medir parámetros de la marcha en niños, adultos y personas mayores. Informe científico 13, 5350 (2023). https://doi.org/10.1038/s41598-023-32550-3

Descargar cita

Recibido: 02 Diciembre 2022

Aceptado: 29 de marzo de 2023

Publicado: 01 abril 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.