Med accelerometrar kan fysisk aktivitet mätas objektivt

Fysisk inaktivitet är en av de största riskfaktorerna för sjukdom och förtida död [1]. Det är därför av stor vikt inom forskning, hälso- och sjukvård och i nationella undersökningar att mäta fysisk aktivitet med enkel och tillförlitlig metodik. Traditionellt har frågeformulär använts, men under 1990-talet revolutionerades möjligheten att använda kroppsburna sensorer som accelerometrar. Tack vare den snabba utvecklingen inom datavetenskap kan accelerometrarna i dag hantera stora mängder data över långa tidsperioder, som kan ingå i mer komplexa databearbetningar. 

Detta innebär många nya möjligheter men ställer också större krav på användarna. Ett flertal faktorer påverkar utfallet vid användning av accelerometrar, varav några kan bedömas som kritiska för kvaliteten hos resultaten. 

Nedan följer en översikt över mätning av fysisk aktivitet och stillasittande med accelerometrar samt kritiska faktorer att ta hänsyn till vid datainsamling och databearbetning för att uppnå så hög kvalitet som möjligt vid användning av accelerometrar inom forskning och klinisk verksamhet. 

Att mäta fysisk aktivitet – subjektivt och objektivt

Fysisk aktivitet definieras som all kroppsrörelse som ökar energiförbrukningen utöver vila [2]. Ett stillasittande beteende betyder att vara på en låg nivå av ener­giförbrukning (maximalt 1,5 gånger vila) i sittande, bakåtlutad eller liggande position, medan fysisk inaktivitet innebär att inte uppnå rekommenderad mängd fysisk aktivitet [3]. De komponenter av fysisk aktivitet som samvarierar med hälsoutfall är 

• intensitet (delas ofta upp lätt, måttlig och hög)
• varaktighet
• frekvens
• typ av aktivitet. 

Vid val av metod för att mäta fysisk aktivitet är det viktigt att den har hög precision (mäter samma sak om igen) och noggrannhet (mäter det som avses att mätas). Det betyder att kunna fånga variationen i fysisk aktivitet mellan individer och inom individer över tid. Metoderna delas upp i subjektiva och objektiva. 

Till gruppen subjektiva metoder hör frågeformulär, intervju och dagbok. Dessa metoder är beroende av individens förmåga att minnas och korrekt uppskatta den fysiska aktiviteten. Subjektiva metoder uppvisar generellt hög mätosäkerhet (ett fåtal av dem uppnår acceptabel precision och noggrannhet), som kan variera beroende på grupptillhörighet [4, 5]. Hur frågorna ställs [6] liksom individens språkliga förståelse och kulturella bakgrund [7] påverkar också utfallet och begränsar därmed den generella tillämpbarheten av subjektiva metoder. 

Accelerometrar tillhör gruppen objektiva metoder och kan fastställa intensitet, varaktighet, frekvens och typ av fysisk aktivitet utan att vara beroende av individens minne och förmåga att rapportera. En accelerometer bärs vid höften, handleden, fotleden eller på låret och fästs med hjälp av elastiska band eller hudvänlig tejp. Accelerometrar som ofta används är Actigraph, Activpal, Actiwatch, Geneactiv, Actical och Axivity. Actigraph är den vanligaste accelerometern och har bidragit stort till den metodologiska kunskapen inom fysisk aktivitetsforskning [8, 9]. Därmed är den också utgångspunkt för genomgången av fysisk aktivitetsmätning med accelerometrar i denna översikt. 

Studier visar på stora skillnader i uppmätt fysisk aktivitet mellan subjektiva och objektiva metoder: subjektiva metoder tenderar att underskatta stillasittande och överskatta måttlig och hög fysisk aktivitet [10]. Dessa skillnader påverkas av kön, ålder och socio­ekonomisk tillhörighet. Oftast visar objektiva metoder på en betydande större andel som är fysiskt inaktiva än vad subjektiva metoder gör [11]. Ytterligare betydande bidrag med objektiva metoder är att sambandet med olika hälsoutfall blir starkare [12]. 

Det är dock viktigt att påpeka att också objektiva metoder, även om de bedöms vara mer pålitliga än subjektiva har begränsningar vad gäller att fånga vissa aktiviteter, t ex styrketräning, cykling eller simning.

Att fånga variationen vid datainsamling

Den fysiska aktivitetsnivån varierar från dag till dag runt en »sann« genomsnittsnivå. Denna »sanna« nivå kallas för individens vanemässiga fysiska aktivitetsnivå. På kort sikt påverkas variationen av väder eller veckodag. På längre sikt varierar aktivitetsnivån beroende på årstid. Denna naturliga variation medför mät­osäkerhet, dvs slumpmässiga mätfel. Det är viktigt att minimera det slumpmässiga mätfelet för att kunna fånga en individs sanna nivå. 

Studier kan delas in i fyra nivåer beroende på kravet på mätprecision (Figur 1) [13]. På den första nivån befinner sig studier vilkas syfte är att undersöka medel­värdet av fysisk aktivitet i en grupp eller prevalens av tillräckligt fysiskt aktiva. På den andra nivån befinner sig studier där grupper jämförs, t ex randomiserade kontrollerade studier. Den tredje precisionsnivån handlar om att rangordna individer, och den fjärde nivån innebär att bestämma en individs vanemässiga aktivitetsnivå, vilket är målet för kliniska undersökningar. 

På de två första nivåerna är det viktigt att minimera medelvärdets felskattning [14]. Medelvärdets felskattning ingår i beräkningarna av såväl konfidensintervall som testvärden (t ex t-test). En låg felskattning av medelvärdet innebär ett smalt konfidensintervall med minskad osäkerhet vid prevalensberäkningar eller ett högt t-värde, vilket ger en större statistisk styrka att upptäcka skillnader mellan grupper. 

Inom accelerometerbaserad forskning finns det två sätt att minimera medelvärdets felskattning: antingen genom att genomföra upprepade observationer av varje individ eller genom att öka antalet individer. Information om vilket sätt som är bäst för att få en så låg felskattning av medelvärdet som möjligt saknas inom fysisk aktivitetsforskning. Baserat på information från nutritionsepidemiologi är det sannolikt bättre att maximera antalet individer i studien [14]. 

Om intresset ligger i att rangordna individer och att felklassificeringen mellan grupperna ska vara så liten som möjligt gäller det i stället att öka antalet observationer av varje individ [15]. Detta är en vanlig situation vid epidemiologiska frågeställningar där man ofta vill skapa heterogena grupper (otillräckligt aktiv, tillräckligt aktiv och väldigt aktiv). En god tumregel kan vara att omkring 4–5 dagars mätning är tillräcklig för att korrekt ranka individer. 

Studier som befinner sig på den fjärde nivån syftar till att analysera samband mellan fysisk aktivitet på individnivå och en annan variabel mätt på individnivå, exempelvis om man är intresserad av att undersöka sambandet mellan glukosmetabolism (t ex HbA_1c) och fysisk aktivitet eller när man ger individuella råd som vid fysisk aktivitet på recept (FaR). 

Undersökning av hur många dagar av upprepade observationer som krävs för att identifiera en individs vanemässiga fysiska aktivitetsnivå, dvs på nivå fyra, indikerar att det krävs betydligt fler dagar än för att kunna rangordna individerna. 

Antalet dagar beror också på vilket mått man är intresserad av. Det kan behövas endast 3–4 dagar för att fastställa stillasittande, medan 1 månad kan krävas för att fastställa måttlig och hög fysisk aktivitet [16]. Vanligtvis tillämpas 7-dagarsmätning inom klinisk och epidemiologisk forskning. 

Ytterligare en fråga som berör variationen av den fysiska aktiviteten handlar om i hur korta tidsintervaller (epoker) den fysiska aktiviteten fastställs. Barn har ett mer varierat aktivitetsmönster, där man kan se att hög fysisk aktivitet ofta utgör intervaller kortare än 10 sekunder [17]. Vuxna uppvisar ett mer kontinuerligt aktivitetsmönster. Det är vanligt att fastställa den fysiska aktiviteten hos vuxna i epoker på 60 sekunder [8], men man riskerar då att missa intermittent aktivitet (t ex fotboll, handboll, innebandy), som hos vissa individer utgör en betydande del av den fysiska aktiviteten. Korta epoker (<10 sekunder) fångar variationen av aktivitetsintensiteten bättre och är därmed att rekommendera för både barn och vuxna. 

Bearbetning av rådata till användbara mått

En accelerometer registrerar accelerationens riktning och storlek. Databearbetning genomförs i flera steg för att omvandla accelerationsdata till mått som kan representera rörelseintensitet, kroppsposition eller aktivitetstyp och kalibrera dessa mot referensmetoder som indirekt kalorimetri eller direkt observation [9]. Informationen om dessa bearbetningssteg är inte alltid tillgänglig från producenten och kräver oftast teknisk kompetens för att förstå. Skillnader i dessa steg kan påverka precision och noggrannhet i skattningen av den fysiska aktiviteten.

Rådata från de tidigaste och mest etablerade accelerometrarna bearbetas till ett mått på aktivitetsintensitet som kallas »counts«. Detta mått har ingen enhet, vilket försvårar den kliniska tillämpningen. Det har medfört ett stort antal kalibreringsstudier för att fastställa energiförbrukning eller gränsvärden för olika intensitetsnivåer (t ex stillasittande, måttlig aktivitet, hög aktivitet). Detta har försvårat jämförbarheten mellan populationsstudier, eftersom distributionen mellan intensitetsnivåer liksom andelen fysiskt aktiva påverkas av vilka gränsvärden för aktivitetsintensitet som används [18]. 

Counts från accelerometern Actigraph med placering vid höften tillhör det mest tillämpade måttet på aktivitetsintensitet [8]. Under senare år har placering av accelerometer på handleden och låret rönt större intresse. Placering på handleden gör aktivitetsmätning mer bekväm, medan lårplaceringen syftar till att fånga kroppsposition och aktivitetstyp. Vid tillämpningen av Actigraph-counts har höftpositionen visats vara bättre för att fastställa stillasittande och fysisk aktivitet än placering på handleden [19]. 

Actigraph-counts har dock kritiserats för avsaknad av standardiserad enhet och brist på transparens i databearbetningen, vilket minskar möjligheten till jämförelse med andra metoder. Dessutom har ett mätfel observerats, vilket innebär att Actigraph-counts ­planar ut vid en löphastighet högre än ca 10 km/h, trots att rådatasignalen fortsätter att stiga [20]. Detta förklaras av en alltför snäv frekvensfiltrering med syfte att ta bort brus [21]. Mätfelet påverkar dock inte bara hög intensitet utan även måttlig intensitet. Mätfelet påverkas i högre grad vid högre stegfrekvens, som hos korta individer och barn. Mätfelet kan reduceras med bredare frekvensfilter [22].

Alternativa metoder för att fastställa rörelseintensitet med öppen källkod har utvecklats som svar på bristerna med Actigraph-counts och tillgängligheten av information. Exempel på metoder är »mean amplitude deviation« (MAD) [23] och »Euclidean norm minus one« (ENMO) [24]. Dessa mått på intensitet uttrycks med standardenheten milligravitation (mg) och uppvisar inte samma utplaning vid högre intensitet. MAD och ENMO genomför ingen frekvensfiltrering av data, vilket kan innebära att en hel del brus registreras och därmed ge upphov till mätfel. Dessa metoder har ännu inte nått så stor utbredning, men med tiden kan de komma att påverka vår kunskap om fysisk aktivitet och hälsa. 

Det är viktigt att påminna om att även om dessa metoder oftast benämns »råaccelerationsmetoder« samlar alla accelerometrar in råa accelerationsdata, och det som skiljer metoder åt är hur data bearbetas. 

Vid kalibrering av accelerometrar har det varit vanligt att tillämpa enkel statistik som linjär regression för att relatera ett intensitetsmått, t ex counts, mot uppmätt energiförbrukning [8]. Denna metod begränsar möjligheten att fånga människors komplexa aktivitetsmönster. 

Stillasittande har varit i fokus under senare år, och man har försökt fastställa detta beteende med accelerometerdata. De tidigaste studierna definierade stillasittande med ett godtyckligt gränsvärde på Acti­graph-counts från data insamlade från höften [8]. Tillgången till råa accelerationsdata har dock bidragit till möjligheten att tillämpa mer avancerade metoder under den gemensamma benämningen maskininlärning [9]. 

Maskininlärning och mönsteranalys har bidragit specifikt till att fastställa aktivitetstyp, där flertalet olika mått framtagna från accelerometerdata analyseras samtidigt för att fastställa vilka kombinationer av mått eller värden som särskiljer aktivitetstyper [25, 26]. 

Utvärdering av maskininlärningsmetoder visar att prediktion av energiförbrukning med data från höftburna sensorer går lika bra med enkel linjär regres­sion [27]. För mätare på handleden förbättras dock prediktionen av energiförbrukning med maskininlärningsmetoder [27]. Låret är att föredra för att fastställa kroppsposition, stillasittande och aktivitetstyp, även om mätare på handleden också kan bidra till accep­tabla resultat [25, 26, 28, 29]. Prediktionen av aktivitetsintensitet är ungefär densamma för höft, handled och lår [28]. 

Dock kan maskininlärning vara svår att tillämpa i verkligheten, eftersom variationen i signalmönstret i vardagen är större än den som uppnås i ­laboratoriet vid kalibrering. Mätfelet blir oftast större vid tillämpning på en annan grupp individer och i ett annat sammanhang än den ursprungliga kalibreringsstudien [30, 31].

Statistiska metoder för att studera beteendemönster

Efter det att data har bearbetats till olika mått på den fysiska aktiviteten kan dessa mått användas på olika sätt för att beskriva en individs beteende. Vid uppföljning av individens fysiska aktivitet och i forskning används vanligtvis enstaka mått för att fastställa om ett riskbeteende föreligger. I de fall då flera mått har analyserats samtidigt undersöks oftast deras oberoende association med hälsa. 

Båda dessa metoder (analys av enstaka mått respektive av flera oberoende mått) förbiser dock att ett riskbeteende kan uppnås på flera olika sätt och att tid tillbringad med olika aktiviteter och på olika intensiteter är relaterade till varandra, dvs det finns en varierande grad av samvariation dem emellan (multikollinea­ritet). En individ som inte tränar eller inte går raska promenader måste inte nödvändigtvis vara stillasittande under denna tid, och om man ökar tiden måttligt intensiv fysisk aktivitet måste tiden för någon annan aktivitet minska. I det senare fallet är frågan om det betyder att hälsoeffekten är summan av ökningen av måttligt intensiv fysisk aktivitet och minskningen av stillasittande eller om det handlar om att man byter ut tid och att effekten beror på vilken aktivitet man byter mot. Poängen är att analyser och slutsatser bör göras och dras ifrån individens totala aktivitetsmönster och inte från några enstaka mått och deras oberoende effekt.

Flertalet statistiska metoder finns i dag tillämpbara för mönsteranalys. Strukturell ekvationsmodellering är en samling av analysmodeller, där några kan tillämpas för att studera hela aktivitetsmönstret och komplexa samband och samtidigt hantera kollinea­ritet, t ex latent variabelanalys och partiell minsta­kvadratregression [17, 32]. 

Två andra närbesläktade metoder är isotemporal substitutionsanalys [33, 34] och kompositionell data­analys [35]. Dessa metoder har bidragit till intressanta fynd, t ex betydelsen för hälsan av att byta ut ett beteende (stillasittande) mot ett annat (aktivitet på minst måttlig intensitetsnivå), vilken aktivitetsintensitet som är starkast associerad med hälsa (stillasittande versus högintensiv fysisk aktivitet), vilket mönster av olika aktivitetsmått eller fördelning i olika intensitetsnivåer som är starkast associerade med hälsa. Om man t ex ersätter perioder av stillasittande med aktiviteter på måttlig intensitetsnivå kan risken för metabola syndromet minska med 10 procent, medan 60 procents riskreduktion kan uppnås när tiden i stället ersätts med aktiviteter på hög intensitetsnivå [33]. 

Dessa statistiska metoder har ännu inte fått så stor spridning, och de har framför allt tillämpats på tvärsnittsdata. Även om de ger nya möjligheter att arbeta med tvärsnittsdata betyder inte »byta ut ett beteende« samma sak som i en interventionsstudie, eftersom det i tvärsnittsstudier är variationen mellan individer snarare än inom individen som används för att predicera hälsa.

Accelerometermätning i klinisk verksamhet 

Fysisk aktivitet ses som en allt viktigare del i behandlingen av olika patientgrupper, där enkla mått kan kopplas till journalsystemet för uppföljning. Som texten ovan belyser ger dessa enkla mått sällan den mätprecision och noggrannhet som behövs för att tillämpas på enskilda patienter. 

Implementering av accelerometermätning i klinisk verksamhet skulle kunna bidra stort till utvecklingen av fysisk aktivitet som behandlingsmetod. Dock kräver det ett mer omfattande samarbete mellan kliniskt verksamma läkare, kliniska forskare och forskare med metodologisk kompetens inom fysisk aktivitetsmätning för att göra korrekt val av metod, hantering av data och tolkning av resultat. 

Optimalt vore ett automatiserat system där patienten får bära en liten accelerometer med lämplig placering på kroppen under en period på minst 7 dagar. Data överförs till klinikens datorer och bearbetas till mått på patientens beteendemönster. Detta kopplas till journalsystemet för direkt återkoppling och utvärdering i form av grafer eller siffror.

Den metodologiska forskningen visar att ett fortsatt utvecklingsarbete krävs för att kunna tillhandahålla praktiskt användbara accelerometerbaserade metoder med tillräcklig mätprecision och noggrannhet för att kunna uttala sig om enskilda patienter. Utökad kunskap om fysisk aktivitet och fysisk aktivitetsmätning bland kliniskt verksamma och kliniska forskare är viktigt för att förstå dess betydelse för hälsan. 

Figur 2 sammanställer kritiska faktorer för hög mätkvalitet att ta hänsyn till vid datainsamling och databearbetning.

NORM – för kompetensutveckling

Det kan konstateras att metodutvecklingen inom mätning av fysisk aktivitet med accelerometrar har gått fort framåt. Datainsamling och bearbetning av accelerometerdata kräver i dag kompetens inom flera områden, vilken inte alltid finns i enskilda forskargrupper eller inom hälso- och sjukvården. 

Vi som har skrivit denna artikel har därför startat Nätverket för objektiv rörelsemätning (NORM) (www.lnu.se/norm). Med NORM vill vi skapa förutsättningar för ett samarbete mellan forskare och and­ra aktörer engagerade inom objektiv mätning av fysisk aktivitet.