Zusammenfassung

(original in EN)

Wiederholte digitale Messungen von Gang und Mobilität werden zunehmend zu Kennwerten auf Ebene der Teilnehmenden verdichtet. Allerdings ist bislang unklar, wie viele wiederholte Beobachtungen erforderlich sind, damit unterschiedliche Arten solcher Kennwerte zuverlässig interpretiert werden können. Ziel dieser Studie war die Entwicklung und Evaluation eines datensatzübergreifenden Frameworks zur Bestimmung des erforderlichen Stichprobenumfangs für stabile digitale Gang- und Mobilitätskennwerte bei älteren Erwachsenen.

Hierfür wurden vier öffentlich zugängliche Datensätze analysiert. Drei Datensätze mit schrittbasierten Beobachtungen aus optischer Bewegungsanalyse, fussgetragenen Inertialsensoren sowie kombinierten Inertial- und Videoaufzeichnungen dienten als Entwicklungsgrundlage. Ein weiterer Datensatz auf Basis des Timed-Up-and-Go-Tests (TUG) wurde als ergänzender Transferdatensatz verwendet und enthielt wiederholte Beobachtungen auf Phasen- und Testebene. Verglichen wurden fünf Arten von Kennwerten auf Teilnehmendenebene: Mean, Top10Mean, Bottom10Mean, Best2 und Worst2.

Für jede Kombination aus Datensatz, Merkmal und Kennwert wurde mittels wiederholtem Subsampling innerhalb der einzelnen Teilnehmenden die minimale Anzahl erforderlicher Beobachtungen bestimmt. Als Referenz dienten die auf sämtlichen verfügbaren Daten basierenden Werte der jeweiligen Person. Die Stabilität wurde anhand eines vorab definierten Kriteriums des medianen absoluten prozentualen Fehlers (MdAPE) beurteilt. Analysen der Zusammenhänge mit externen Referenzgrössen (Anchors) wurden nur für jene Kennwerte durchgeführt, welche die Stabilitätsanforderungen erfüllten.

Zusätzlich erfolgte im primären Datensatz mit schrittbasierten Beobachtungen ein gezielter Vergleich zwischen Mean und Bottom10Mean sowie eine Untersuchung der Stabilität statistischer Zusammenhänge unter wiederholtem Subsampling.

Die Ergebnisse zeigen, dass die für stabile Schätzungen notwendige Anzahl von Beobachtungen stark von der Art des Kennwerts und vom jeweiligen Messkontext abhängt. Der Mittelwert (Mean) erforderte in den meisten Fällen die geringste Anzahl an Beobachtungen. Demgegenüber benötigten Kennwerte, die auf Extrembereichen der Verteilung oder auf besonders günstigen beziehungsweise ungünstigen Beobachtungen basieren, deutlich mehr wiederholte Messungen und erreichten die definierte Stabilitätsschwelle nicht durchgängig für alle Merkmale.

Nach Erfüllung der Stabilitätskriterien zeigten ausgewählte Kennwerte jenseits des Mittelwerts weiterhin statistisch signifikante Zusammenhänge mit funktionellen, gebrechlichkeitsbezogenen und sturzrelevanten Referenzgrössen. Im zweiten Datensatz lieferte insbesondere der auf den unteren Verteilungsbereich fokussierte Kennwert Bottom10Mean bei ausgewählten Merkmals-Anchor-Kombinationen zusätzliche Informationen gegenüber dem entsprechenden Mittelwert.

Im TUG-Datensatz erreichten alle untersuchten Kennwerte die Stabilitätskriterien bereits mit einem geringeren Beobachtungsaufwand als in den schrittbasierten Datensätzen. Dies spricht dafür, dass der zugrunde liegende analytische Ansatz auch in anderen Kontexten mit wiederholten Messungen anwendbar ist.

Die Subsampling-Analysen zeigten zudem, dass eine unzureichende Anzahl von Beobachtungen vor allem zu abgeschwächten Effektschätzungen und größerer Unsicherheit führt, während Richtungsänderungen der beobachteten Zusammenhänge nur selten auftraten.

Die Ergebnisse verdeutlichen, dass verschiedene Kennwerte zur Beschreibung wiederholt erhobener digitaler Gang- und Mobilitätsdaten nicht als austauschbar betrachtet werden sollten. Ihre wissenschaftliche und potenzielle praktische Interpretation hängt entscheidend davon ab, ob genügend wiederholte Beobachtungen für den jeweiligen Kennwert vorliegen. Über die Ganganalyse hinaus kann das vorgestellte Framework zur Planung von Studien, zur Qualitätssicherung wiederholt erhobener Daten sowie zur Auswahl geeigneter Kennwerte in klinischen Datensätzen beitragen.