TU Darmstadt / ULB / TUprints

Clinical Decision Support Systems with Game-based Environments, Monitoring Symptoms of Parkinson’s Disease with Exergames

Garcia-Agundez Garcia, Augusto (2020)
Clinical Decision Support Systems with Game-based Environments, Monitoring Symptoms of Parkinson’s Disease with Exergames.
Technische Universität Darmstadt
doi: 10.25534/tuprints-00014137
Ph.D. Thesis, Primary publication

[img]
Preview
Text
2020-10-12_Garcia-Agundez_Garcia_Augusto.pdf
Copyright Information: CC BY-SA 4.0 International - Creative Commons, Attribution ShareAlike.

Download (5MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Clinical Decision Support Systems with Game-based Environments, Monitoring Symptoms of Parkinson’s Disease with Exergames
Language: English
Referees: Steinmetz, Prof. Dr. Ralf ; Fernandez Anta, Prof. Dr. Antonio ; Göbel, PD Dr. Stefan
Date: 8 October 2020
Place of Publication: Darmstadt
Date of oral examination: 8 October 2020
DOI: 10.25534/tuprints-00014137
Abstract:

Parkinson’s Disease (PD) is a malady caused by progressive neuronal degeneration, deriving in several physical and cognitive symptoms that worsen with time. Like many other chronic diseases, it requires constant monitoring to perform medication and therapeutic adjustments. This is due to the significant variability in PD symptomatology and progress between patients. At the moment, this monitoring requires substantial participation from caregivers and numerous clinic visits. Personal diaries and questionnaires are used as data sources for medication and therapeutic adjustments. The subjectivity in these data sources leads to suboptimal clinical decisions. Therefore, more objective data sources are required to better monitor the progress of individual PD patients. A potential contribution towards more objective monitoring of PD is clinical decision support systems. These systems employ sensors and classification techniques to provide caregivers with objective information for their decision-making. This leads to more objective assessments of patient improvement or deterioration, resulting in better adjusted medication and therapeutic plans. Hereby, the need to encourage patients to actively and regularly provide data for remote monitoring remains a significant challenge. To address this challenge, the goal of this thesis is to combine clinical decision support systems with game-based environments. More specifically, serious games in the form of exergames, active video games that involve physical exercise, shall be used to deliver objective data for PD monitoring and therapy. Exergames increase engagement while combining physical and cognitive tasks. This combination, known as dual-tasking, has been proven to improve rehabilitation outcomes in PD: recent randomized clinical trials on exergame-based rehabilitation in PD show improvements in clinical outcomes that are equal or superior to those of traditional rehabilitation. In this thesis, we present an exergame-based clinical decision support system model to monitor symptoms of PD. This model provides both objective information on PD symptoms and an engaging environment for the patients. The model is elaborated, prototypically implemented and validated in the context of two of the most prominent symptoms of PD: (1) balance and gait, as well as (2) hand tremor and slowness of movement (bradykinesia). While balance and gait affections increase the risk of falling, hand tremors and bradykinesia affect hand dexterity. We employ Wii Balance Boards and Leap Motion sensors, and digitalize aspects of current clinical standards used to assess PD symptoms. In addition, we present two dual-tasking exergames: PDDanceCity for balance and gait, and PDPuzzleTable for tremor and bradykinesia. We evaluate the capability of our system for assessing the risk of falling and the severity of tremor in comparison with clinical standards. We also explore the statistical significance and effect size of the data we collect from PD patients and healthy controls. We demonstrate that the presented approach can predict an increased risk of falling and estimate tremor severity. Also, the target population shows a good acceptance of PDDanceCity and PDPuzzleTable. In summary, our results indicate a clear feasibility to implement this system for PD. Nevertheless, long-term randomized clinical trials are required to evaluate the potential of PDDanceCity and PDPuzzleTable for physical and cognitive rehabilitation effects.

Alternative Abstract:
Alternative AbstractLanguage

Parkinson’s Disease (PD) ist eine Krankheit, die durch neuronale Degeneration verursacht wird und auf verschiedene physische und kognitive Symptome zurückzuführen sind, die sich mit der Zeit verschlimmern. Wie auch bei anderen chronischen Krankheiten, ist aufgrund der signifikanten Variabilität der Symptomatik und des Krankheitsfortschritts zwischen Patienten eine ständige Überwachung notwendig. Dies geht einher mit einem hohen Betreuungsbedarf durch Pflegekräfte und zahlreiche Klinikbesuche der Patienten. Zur Erfassung der Daten für das Monitoring werden von Patienten geführte Tagebücher und Fragebögen eingesetzt. Jedoch sind diese Methoden subjektiv und es bedarf anderer Datenquellen, die ein objektives Monitoring der PD-Symptome und des Krankheitsverlaufs von PD-Patienten erlauben. Ein möglicher Beitrag zu einer objektiveren Überwachung von PD ist die Verwendung klinischer Entscheidungsunterstützungssysteme. Diese Systeme verwenden Sensoren und Klassifizierungstechniken, um Ärzt*innen und Therapiekräften mit objektiven Informationen bei notwendigen Entscheidungen zur Therapie zu unterstützen. Diese Systeme führen zu besser angepassten Therapieplänen und zu einer objektiveren Bewertung des Krankheitsverlaufs der Patienten. Die Notwendigkeit, Patienten zu ermutigen, für das Monitoring regelmäßig Daten bereitzustellen, bleibt jedoch eine bedeutende Herausforderung. Hierfür werden in der vorliegenden Arbeit Methoden und Konzepte erarbeitet, die klinische Entscheidungssysteme mit spielerischen Ansätzen verbinden: Serious Games in der Form von Exergames, d.h. Videospiele mit körperlicher Bewegung, sollen genutzt werden, um objektive Daten für das PD-Monitoring und entsprechende Therapiemaßnahmen zu liefern. Exergames erhöhen das Engagement der Patienten und kombinieren physische und kognitive Aufgaben. Diese Kombination, bekannt als Dual-Tasking, verbessert nachweislich die Rehabilitationsergebnisse bei PD. Darüber hinaus zeigen randomisierte klinische Studien für die Rehabilitation von PD mit Exergames Verbesserungen gegenüber üblichen traditionellen Therapie- und Rehabilitationsmaßnahmen. In dieser Arbeit stellen wir Methoden für ein Exergame-gesteuertes Modell eines klinischen Entscheidungsunterstützungssystems zur Überwachung der PD-Symptome vor. Dieses Modell liefert objektive Daten zu PD-Symptomen und bietet eine ansprechende Umgebung für die Patienten. Das konzipierte Modell wird prototypisch realisiert und anhand von zwei der wichtigsten PD-Symptome validiert: (1) Gang- und Gleichgewichtsstörungen (Gait), und (2) Handtremor und Verlangsamung der Willkürmotorik (Bradykinesie). Zur Erfassung von Daten für das Monitoring von PD-Symptomen nutzen wir Konzepte gegenwärtiger klinischer Standards (Unified Parkinson’s Disease Rating Scale) und verwenden zusätzlich Wii-Balance-Boards und Leap-Motion-Sensoren. Darüber hinaus präsentieren wir zwei Dual-Tasking-Exergames: PDDanceCity für Gait und PDPuzzleTable für Tremor. Wir validieren unser System hinsichtlich seiner Fähigkeit, das Sturzrisiko und die Schwere des Tremors im Vergleich zu klinischen Standards zu bewerten. Wir analysieren auch die statistische Signifikanz und Effektstärke der Daten von PD-Patienten im Vergleich zu gesunden Personen als Kontrollgruppe. Wir zeigen, dass der vorgestellte Ansatz ein erhöhtes Sturzrisiko erkennen und den Schweregrad des Tremors abschätzen kann. Zusätzlich zeigen Studien mit der Zielgruppe eine gute Akzeptanz von PDDanceCity und PDPuzzleTable. Insgesamt zeigen unsere Ergebnisse die technische Umsetzbarkeit des erarbeiteten Systems für PD. Zur abschließenden Bewertung des Potenzials von PDDanceCity und PDPuzzleTable für körperliche und kognitive Rehabilitationseffekte sind randomisierte Langzeitstudien erforderlich.

German
URN: urn:nbn:de:tuda-tuprints-141379
Classification DDC: 600 Technology, medicine, applied sciences > 610 Medicine and health
600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology > Institute of Computer Engineering > Multimedia Communications
Date Deposited: 27 Oct 2020 13:58
Last Modified: 06 Mar 2023 15:34
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/14137
PPN: 470993693
Export:
Actions (login required)
View Item View Item