Abstract

Falls pose a serious threat to older people, since they may lead to severe injuries, reduced quality of life and increased health care costs. Every third person over 65 years old falls at least once each year, and the number of falls increases with age and frailty level. Falls are multifactorial by nature and a person can have several risk factors contributing to a fall. A variety of assessment scales have been developed for assessing fall risk factors and estimating the probability of future falls. These are typically administrated by a health care professional. However, selection of an assessment scale with high enough sensitivity and specificity and reasonable administration time can be difficult.

The goal of this thesis was to develop new methods for fall risk assessment utilizing accelerometry-based movement sensing, which enables objective detection and assessment of a person’s balance deficits. The first objective was to investigate the perceptions of prospective end-users of new technologies via focus group interviews. The analysis showed that familiarity, prior experience and self-efficacy presumably affect the acceptance of new solutions. The second objective was to investigate how an individual’s fall risk is manifested through different assessment scales. The Disease State Fingerprint visualization method was examined for its potential in comparing different fall risk assessment scales. It was found useful in discovering the most relevant assessment scales for separating fallers from non-fallers in the study population, and for presenting how the overall fall risk of an individual is constituted. The third objective was to study how body-worn accelerometry could be utilized in the assessment of individual fall risk. For the third objective, three data sets were collected from a total of 111 subjects. The results showed that features derived from the body-worn accelerometer signals could be used for assessment of a person’s balance. Furthermore, they seem to be able detect balance deficits even earlier than the traditionally used clinical assessment scales. The results provide a basis for studies validating these methods and further transferring them into practice.

Tiivistelmä

Kaatumiset ovat uhka ikääntyneille, koska ne voivat aiheuttaa vakavia vammoja, heikentää elämänlaatua ja lisätä terveydenhuollon kustannuksia. Joka kolmas yli 65-vuotias kaatuu vähintään kerran vuodessa, ja kaatumisten lukumäärä kasvaa iän ja heikentyneen kunnon myötä. Kaatumiset voivat johtua lukuisista eri tekijöistä, ja yhden kaatumisen taustalla voi vaikuttaa useita riskitekijöitä. Kaatumisriskitekijöiden ja kaatumisten todennäköisyyden arviointiin on kehitetty useita erilaisia mittareita, joita käyttävät tyypillisesti terveydenhuollon ammattilaiset. Käytettävän mittarin valinta ei ole helppoa, sillä mittarin tulisi olla sensitiivinen ja spesifinen ja arviointi tulisi voida suorittaa kohtuullisessa ajassa.

Tämän väitöstyön päätavoitteena oli kehittää uusia menetelmiä kaatumisriskin arvioimiseksi hyödyntämällä kiihtyvyysanturipohjaista liikkeenmittausta, joka mahdollistaa henkilön tasapaino-ongelmien tunnistamisen objektiivisesti. Ensimmäinen tavoite oli selvittää fokusryhmähaastattelujen avulla, miten loppukäyttäjät kokevat nykyiset ja tulevaisuuden kaatumisriskin arviointiin ja kaatumisten ennaltaehkäisyyn suunnatut teknologiat. Aineiston analyysi osoitti, että aiheeseen liittyvä tuttuus, aiempi kokemus sekä minäpystyvyys oletettavasti vaikuttavat uusien ratkaisujen hyväksyttävyyteen. Toinen tavoite oli tutkia, miten yksilön kaatumisriski näyttäytyy eri kaatumisriskimittareissa. Työssä arvioitiin Disease State Fingerprint -visualisointimenetelmän käytettävyyttä eri kaatumisriskimittareiden vertailussa. Menetelmän avulla pystyttiin tunnistamaan ne mittarit, joilla voitiin parhaiten erottaa tutkimusjoukon kaatujat ei-kaatujista, sekä osoittamaan, miten yksilön kokonaiskaatumisriski koostuu eri tekijöistä. Kolmas tavoite oli tutkia, miten puettavia kiihtyvyysantureita voidaan hyödyntää yksilön kaatumisriskin arvioinnissa. Analyysit pohjautuivat kolmeen datasettiin, jotka oli kerätty yhteensä 111 henkilöstä. Tulokset osoittavat, että puettavan kiihtyvyysanturin signaaleista laskettuja piirteitä voidaan käyttää henkilön tasapainon arviointiin. Lisäksi tulokset osoittavat, että kiihtyvyyteen pohjautuvat piirteet saattavat tunnistaa tasapaino-ongelmia jopa perinteisiä kliinisiä mittareita aiemmin. Saatuja tuloksia voidaan hyödyntää menetelmien validointitutkimuksen sekä käyttöönoton suunnittelemiseksi ja toteuttamiseksi.

Original publications

1. Similä, H., Immonen, M., Gordillo, C. G., Petäkoski-Hult, T., & Eklund, P. (2013). Focus Group Evaluation of Scenarios for Fall Risk Assessment and Fall Prevention in Two Countries. In C. Nugent, A. Coronato, & J. Bravo (Eds.), Ambient Assisted Living and Active Aging: 5th International Work-Conference, IWAAL 2013, Carrillo, Costa Rica, December 2–6, 2013, Proceedings (pp. 39–46). Cham: Springer International Publishing Switzerland.

2. Similä, H., Kaartinen, J., Lindholm, M., Saarinen, A., & Mahjneh, I. (2006). Human balance estimation using a wireless 3D acceleration sensor network. In 2006 International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 1493–1496). New York Aug. 30 2006-Sept. 3 2006.

3. Similä, H., Mäntyjärvi, J., Merilahti, J., Lindholm, M., & Ermes, M. (2014). Accelerometry-based berg balance scale score estimation. IEEE Journal of Biomedical and Health Informatics, 18(4), 1114–1121.

4. Similä, H., & Immonen, M. (2014). Disease State Fingerprint for Fall Risk Assessment. In 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 3176–3179). Chicago 26–30 Aug. 2014.

5. Similä, H., Immonen, M., Merilahti, J., & Petäkoski-Hult, T. (2015). Gait analysis and estimation of changes in fall risk factors. In 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 6939–6942). Milan 25–29 Aug. 2015.

6. Similä, H., Immonen, M., & Ermes, M. (2017). Accelerometry-based Assessment and Detection of Early Signs of Balance Deficits. Computers in Biology and Medicine, 85, 25–32.