Quantified Self (QS) is een internationale beweging van makers en gebruikers van technologie voor zelfmeting van lichamelijke gegevens. Op het moment heeft iedereen de vrije keuze om gebruik te maken van - steeds meer betaalbare - sensortechnologie om zo informatie over het eigen lichaam te verkrijgen, bijvoorbeeld door middel van een armbandje, pleister of andere zogenaamde wearable technology.
DOCUMENT
Quantified Self staat voor de zelfmetende mens. Het aantal mensen dat met zelf gegeneerde gezondheidsgegevens het zorgproces binnenwandelt gaat de komende jaren groeien. Verschillende soorten activity trackers en gezondheidsapplicaties voor de smartphone maken het relatief eenvoudig om persoonlijke gegevens te verzamelen over beweging, voeding, slaap, hartslag, menstruatiecyclus, etc. Steeds vaker zullen patiënten dit soort data meenemen naar de huisarts. Het is daarom raadzaam kennis te nemen van wat er zoal aan zelfmeettechnologie beschikbaar is en hoe het is gesteld met de kwaliteit, toepasbaarheid of zelfs generaliseerbaarheid van de data. In dit artikel lichten we de achtergrond van Quantified Self toe, zetten we dit in een breder perspectief van technologische ontwikkelingen en zullen we iets zeggen over de zin en onzin van zelfmetingen, waarbij de focus zal liggen op Quantified Self met betrekking tot gezondheid en levensstijl.
DOCUMENT
Zelf gegenereerde gezondheidsinformatie speelt steeds vaker een rol in het zorgproces. Deze trend komt enerzijds door het gemak waarmee mensen zelf met wearables en apps data over zichzelf kunnen verzamelen. Anderzijds wordt deze trend door zorgverleners en de overheid gestimuleerd om de klinische observaties met data uit de thuissituatie te kunnen verrijken, of omdat door reorganisatie of bezuiniging zelfmanagement is gewenst. Ondanks positieve verwachtingen is er nog weinig onderzoek gedaan naar de implementatie en effectiviteit van zelfmeting en hieraan gerelateerde producten en diensten.
DOCUMENT
Quantified Self werd in 2007 geïntroduceerd als naam voor de mens die op zoek is naar persoonlijk betekenis uit persoonlijke data. Het is een beweging die sindsdien wereldwijd mensen bij elkaar brengt voor een dialoog over zelfkennis door getallen. In dit artikel wordt de zelfmetende mens geïntroduceerd en belicht vanuit verschillende perspectieven met als doel te duiden wat deze beweging kan betekenen voor de gezondheidszorg.
DOCUMENT
Of het nu gaat om het kwantitatief in kaart brengen van het beweeggedrag van een groep kinderen, het overbrengen van kennis over lichaamsbeweging of het creëren van bewustwording over gezond beweeggedrag, er liggen tal van kansen om met nieuwe technologie het vak bewegingsonderwijs te verrijken. In dit artikel is beschreven op welke wijze het project 'Groningen zet stappen' dit in de praktijk heeft toegepast.
DOCUMENT
Background: Activity trackers can potentially stimulate users to increase their physical activity behavior. The aim of this study was to examine the reliability and validity of ten consumer activity trackers for measuring step count in both laboratory and free-living conditions.Method: Healthy adult volunteers (n = 33) walked twice on a treadmill (4.8 km/h) for 30 min while wearing ten different activity trackers (i.e. Lumoback, Fitbit Flex, Jawbone Up, Nike+ Fuelband SE, Misfit Shine, Withings Pulse, Fitbit Zip, Omron HJ-203, Yamax Digiwalker SW-200 and Moves mobile application). In free-living conditions, 56 volunteers wore the same activity trackers for one working day. Test-retest reliability was analyzed with the Intraclass Correlation Coefficient (ICC).Validity was evaluated by comparing each tracker with the gold standard (Optogait system for laboratory and ActivPAL for free-living conditions), using paired samples t-tests, mean absolute percentage errors, correlations and Bland-Altman plots.Results: Test-retest analysis revealed high reliability for most trackers except for the Omron (ICC .14), Moves app (ICC .37) and Nike+ Fuelband (ICC .53). The mean absolute percentage errors of the trackers in laboratory and free-living conditions respectively, were: Lumoback (−0.2, −0.4), Fibit Flex (−5.7, 3.7), Jawbone Up (−1.0, 1.4), Nike+ Fuelband (−18, −24), Misfit Shine (0.2, 1.1), Withings Pulse (−0.5, −7.9), Fitbit Zip (−0.3, 1.2), Omron (2.5, −0.4), Digiwalker (−1.2, −5.9), and Moves app (9.6, −37.6). Bland-Altman plots demonstrated that the limits of agreement varied from 46 steps (Fitbit Zip) to 2422 steps (Nike+ Fuelband) in the laboratory condition, and 866 steps (Fitbit Zip) to 5150 steps (Moves app) in the free-living condition.Conclusion: The reliability and validity of most trackers for measuring step count is good. The Fitbit Zip is the most valid whereas the reliability and validity of the Nike+ Fuelband is low.
DOCUMENT
The aim of this study is to examine the inter-device reliability of an activity tracker on three different levels of aggregation: minute, hour and day.
DOCUMENT
The purpose of this study was to determine the efficacy of an online self-tracking program on physical activity, glycated hemoglobin, and other health measures in patients with type 2 diabetes. Seventy-two patients with type 2 diabetes were randomly assigned to an intervention or control group. All participants received usual care. The intervention group received an activity tracker (Fitbit Zip) connected to an online lifestyle program. Physical activity was analyzed in average steps per day from week 0 until 12. Health outcome measurements occurred in both groups at baseline and after 13 weeks. Results indicated that the intervention group significantly increased physical activity with 1.5 ± 3 days per week of engagement in 30 minutes of moderate-vigorous physical activity versus no increase in the control group (P = .047). Intervention participants increased activity with 1255 ± 1500 steps per day compared to their baseline (P < .010). No significant differences were found in glycated hemoglobin A1c, with the intervention group decreasing -0.28% ± 1.03% and the control group showing -0.0% ± 0.69% (P = .206). Responders (56%, increasing minimally 1000 steps/d) had significantly decreased glycated hemoglobin compared with nonresponders (-0.69% ± 1.18% vs 0.22% ± 0.47%, respectively; P = .007). To improve effectiveness of eHealth programs, additional strategies are needed.This is an open-access article distributed under the terms of the Creative Commons Attribution-Non Commercial-No Derivatives License 4.0 (CCBY-NC-ND), where it is permissible to download and share the work provided it is properly cited. The work cannot be changed in any way or used commercially without permission from the journal.
DOCUMENT
