Visualisation of limb movements by accelerometers in sedated patients

Abstract

Bakgrunn Vurdering av nevrologisk prognose for intensivpasienter er i dag utfordrende. Kliniske undersøkelser og scoringsskjema tas i bruk, der ulike motoriske responser er verdifulle variabler. Sensorer med akselerometer gir oss muligheten til å presist og objektivt måle unormale bevegelser i ekstremitetene, men dette potensialet utnyttes ikke i dag. Vi har tatt i bruk slike sensorer i en kontrollert postoperativ setting med mål om å evaluere bevegelsesdata fra pasienter som våkner fra sedasjon. Datasettet består av 12 kontinuerlige variabler fra hver pasient (tre akser fra fire ekstremiteter), og er vanskelige å tolke for en kliniker. Vi har derfor også hatt som mål å utvikle en metode for terskelregistrering og visualisering av bevegelsesdata som kan inkorporeres i en elektronisk pasientjournal.

Metode Vi inkluderte 10 pasienter som gjennomgikk elektiv hjertekirurgi i narkose, etterfulgt av oppvåkning på intensivavdeling. Studieansvarlig observerte pasientene under oppvåkning og samlet bevegelsesdata fra alle fire ekstremiteter med akselerometriske sensorer. Data fra hver pasient ble importert til en tids-serie matrix der hver ekstremitet ble lagt sammen til én akselerometrisk vektor. En algoritme for deteksjonterskel ble konstruert manuelt basert på data fra perioden pasienten lå i ro. Til slutt summerte vi akeselerasjonstopper i epoker på ett minutt for å visualisere bevegelsesdata i varmekart.

Resultat Sensorene detekterte bevegelse i ekstremitetene i samsvar med observasjoner registrert av studieansvarlig. Analysen resulterte i varmekart som visualiserte pasientenes bevegelse av ekstremiteter i perioden de våknet opp fra sedasjon.

Konklusjon I denne studien har vi vist at sensorer med akselerometer kan brukes til å detektere bevegelse i alle fire ekstremiteter hos intensivpasienter som våkner fra sedasjon. Vi presenterer en ny metode for prosessering og visualisering av bevegelse, der komplekse data komprimeres til et todimensjonalt varmekart for hver ekstremitet. Mengde bevegelse visualiseres for epoker på ett minutt.

Background The prognostication of neurological outcome in sedated ICU patients is challenging. Multiple clinical scoring schemes and examinations are used, where different motoric responses are important input variables. Accelerometric sensors provide an opportunity to precisely and objectively measure abnormal limb movements but is currently not exploited within this field of medicine. We therefore aimed at using accelerometric sensors in a controlled postoperative setting to examine how these data behave in patients going from deeply anaesthetized to fully alert. These data will consist of 12 continuous variables from each patient (3 axes from 4 limbs), which is not easy to interpret in a clinical setting. A second aim of the study was therefore to develop a method for threshold detection and visualization that can possibly be incorporated into an electronic health record.

Methods We included 10 postoperative heart surgery patients. While observed by a study operator, accelerometric data were collected from all four extremities while the patients were awakening from general anaesthesia. The data from each patient were imported into a time-series data-matrix and for each extremity combined into one acceleration vector. We manually tuned a threshold detection algorithm based on the first undisturbed period of the time-series data in coherence with the visually observed patient movements. Finally, the acceleration peaks were summed within 1-minute epochs to visualize the movement data as heatmaps.

Results In all patients, the accelerometers detected changes in limb movements in accordance with observations by the study operator. The analyses provided heatmaps that visualize the period in which each patient regained consciousness.

Conclusion In this study we show that accelerometers can be used to simultaneously detect movement in all four limbs of intensive care patients as they are awakening from anaesthesia. We propose a novel data processing and visualization method where the complex data are condensed into a two-dimensional (time/movement) heat map from each limb, clearly visualizing the amount of movements in 1-minute epochs.