PDF icon PDF herunterladen
B&G Bewegungstherapie und Gesundheitssport 2022; 38(05): 208-215
DOI: 10.1055/a-1909-5766
Wissenschaft

Entwicklung einer KI-gestützten Bewegungstherapie bei onkologischen Palliativpatienten

Eine PilotstudieDevelopment of AI-supported Exercise Therapy in Oncological Palliative PatientsA pilot study
Nico De Lazzari
1   Westdeutsches Tumorzentrum – Comprehensive Cancer Center, Innere Klinik (Tumorforschung), Universitätsklinikum Essen, 45122 Essen, Deutschland
,
Felix Wichum
2   Fraunhofer IMS, Universität Duisburg-Essen, 47057 Duisburg, Deutschland
,
Miriam Götte
5   Westdeutsches Tumorzentrum – Comprehensive Cancer Center, Klinik für Kinderheilkunde 3, Universitätsklinikum Essen, 45122 Essen, Deutschland
,
Corinna David
4   Fachhochschule Münster, Fachbereich Physikingenieurwesen
,
Karsten Seid
3   Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme (IMS), 47057 Duisburg und Fachgebiet Elektronische Bauelemente und Schaltungen (EBS), Universität Duisburg-Essen
,
Mitra Tewes
6   Palliativmedizin der Universitätsmedizin Essen, Universitätsklinikum Essen, 45122 Essen, Deutschland
› Institutsangaben
› Weitere Informationen
Auch verfügbar aufeRefphysioLink
   Lizenzen und Reprints
Preview

Zusammenfassung

HintergrundDie wechselnde Symptomlast ist eine große Hürde in der Sporttherapie von onkologischen Palliativpatienten. Die täglich variierende Symptomstärke erschwert die Einstellung einer optimalen Trainingsbelastung und stellt neben der Motivation eine große Barriere für die Teilnahme an bewegungstherapeutischen Interventionen dar. Ein durch Künstliche Intelligenz (KI) gesteuertes Training könnte helfen, die Trainingseinheiten individuell anzupassen und die Autonomie von Palliativpatienten zu erhalten.

Methoden Fünf Patienten mit fortgeschrittener unheilbarer Krebsdiagnose haben im Rahmen der Routineversorgung eine supervidierte Bewegungstherapie absolviert. Dabei wurde ein Elektrokardiogramm über einen Polar H10 Brustgurt aufgezeichnet und daraus kardiale und respiratorische Vitalparameter extrahiert. Eine Klassifikation in drei Intensitätsstufen über KI erfolgte anhand von neuronalen Netzen.

Ergebnisse Das KI-gesteuerte Training hat eine sehr hohe Klassifikationsgüte (F1-Score: 0,95±0,05) durch die Vereinigung von respiratorischen und kardialen Vitalparametern. Diese Kombination erzielt genauere Klassifikationsergebnisse als die einzelnen Datensätze für kardiale Parameter (0,93±0,06) und respiratorische Parameter (0,72±0,06). Die Berücksichtigung einer Baselinemessung hat eine positive Wirkung auf die Klassifikationsgenauigkeit.

Diskussion Diese Studie stellt die erste Untersuchung zum Einsatz von KI zur Klassifizierung von trainingswissenschaftlichen Inhalten bei onkologischen Palliativpatienten dar. Diese vulnerable Patientengruppe kann von einer objektiven Erfassung des Belastungsniveaus anhand von Parametern des kardiovaskulären Systems profitieren. Mit nur fünf Patienten wird die Aussagekraft dieser explorativen Studie über Kreuzvalidierung hergestellt. Zukünftig sollen weitere Parameter wie ein subjektives Empfinden, Alter, Größe und Geschlecht die Klassifikation weiter verbessern. In einem integrierten System ist eine individuelle Trainingssteuerung in Echtzeit möglich.

Summary

Background The changing symptom burden is a major hurdle in the exercise therapy therapy of oncological palliative patients. The daily varying severity of symptoms makes it difficult to set an optimal training load and, in addition to motivation, represents a major barrier to participation in exercise therapy interventions. Training controlled by artificial intelligence (AI) could help to customize the training sessions and maintain the autonomy of palliative patients.

Methods Five patients with advanced incurable cancer diagnosis underwent supervised exercise therapy as part of routine care. An electrocardiogram was recorded using a Polar H10 chest strap, from which cardiac and respiratory vital parameters were extracted. This led to a classification into three intensity levels via artificial intelligence using neural networks.

Results Through the combination of respiratory and cardiac vital parameters, the AI-controlled training has a very high classification quality (F1-Score: 0.95±0.05). This combination achieves more accurate classification results than the individual data sets for cardiac parameters (0.93±0.06) and respiratory parameters (0.72±0.06). When taken into account, the baseline measurement has a positive effect on classification accuracy.

Discussion This study represents the first investigation into the use of artificial intelligence to classify training intensities for patients in oncological palliative care. This vulnerable patient group can benefit from an objective recording of the stress level based on parameters of the cardiovascular system. It was possible to establish the validity of this exploratory study on cross-validation with only five patients. In the future, other parameters such as subjective perception, age, size and gender should be considered in order to further improve the classification. Thus, in an integrated system, individual training control is possible in real time.

Stichworte

Bewegungstherapie - fortgeschrittene Krebspatienten - Künstliche Intelligenz - Maschinelles Lernen - Trainingssteuerung - Belastungsklassifikation - Herzratenvariabilität - Respirationsrate - Herzfrequenz.

Key words

exercise therapy - advanced cancer patients - artificial intelligence - machine learning - training control - load classification - heart rate variability - respiration rate - heart rate.


Publikationsverlauf

Eingereicht: 01. März 2022

Angenommen nach Revision: 22. Juni 2022

Artikel online veröffentlicht:
10. Oktober 2022

© 2022. Thieme. All rights reserved.

Georg Thieme Verlag
Rüdigerstraße 14, 70469 Stuttgart, Germany