{{{sourceTextContent.title}}}

Sai come valutare il rischio di caduta?

{{{sourceTextContent.subTitle}}}

Rischio di caduta

{{{sourceTextContent.description}}}

Uno sguardo al protocollo del rischio di caduta

Le cadute sono una delle maggiori cause di gravi problemi di salute tra gli adulti anziani, rappresentando più del 50% dei ricoveri dovuti a lesioni in questa fascia di età [1]. Le cadute hanno un'origine multifattoriale, che comprende problemi di mobilità, disturbi dell'equilibrio, malattie croniche e disturbi della vista. Pertanto, è importante incorporare lo screening del rischio di caduta nella routine di monitoraggio della salute dell'anziano.

Il software PhysioSensing Balance ha un protocollo chiamato Fall Risk che permette di identificare i potenziali anziani a rischio di caduta. Questo strumento aiuta i professionisti della salute a classificare il rischio di caduta del paziente in basso, moderato o alto.

Come si fa?

Questo protocollo misura l'equilibrio statico con una piastra di pressione/forza in quattro condizioni:

1. Posizione comoda con gli occhi aperti (guardando davanti a un punto all'altezza degli occhi);

2. Posizione comoda con gli occhi chiusi;

3. Posizione stretta con gli occhi aperti (guardando davanti a un punto all'altezza degli occhi);

4. Posizione stretta con gli occhi chiusi.

Figura 1 - Interfaccia del protocollo del rischio di caduta, per la posizione comoda e stretta.

Ogni condizione come una prova di 45 secondi. Il paziente deve rimanere fermo durante la valutazione e le mani devono essere posizionate sui fianchi

Misure calcolate

Dopo aver eseguito tutte le condizioni del protocollo, appare il valore dell'indice di velocità di oscillazione (SVI) per ciascuna delle condizioni. Questo indice si basa sulla velocità mediolaterale divisa per l'altezza del paziente, e poi normalizzata dalla funzione del logaritmo naturale. La velocità mediolaterale è lo spostamento del centro di pressione durante il processo diviso per il tempo (mm/s). Questo concetto può essere osservato nell'immagine in alto a sinistra della Figura 2, in cui per ogni prova il software calcolerà lo spostamento dell'oscillazione nella direzione mediolaterale durante ogni acquisizione (100 acquisizioni al secondo) e presenterà il risultato medio alla fine.

Figura 2 - Illustrazione del centro di gravità (CoG) e dello spostamento dello sway nelle direzioni mediolaterale e anteroposteriore. L'oscillazione del corpo può essere tradotta in valori di centro di pressione nelle direzioni mediolaterale e anteroposteriore (statokinesigramma), e il software analizza posteriormente lo spostamento COP durante il processo (stabilogramma) per calcolare la velocità media mediolaterale.

Quindi, i risultati SVI vengono confrontati con i dati normativi in base all'età, come illustrato nella Figura 3. I valori normativi sono per individui di età superiore ai 50 anni.

Figura 3 - Esempio di grafico della sezione dei risultati. I valori normativi per ogni condizione sono presentati accanto ai risultati. Il colore delle barre sarà verde, giallo o rosso a seconda dei risultati.

Il software fornisce anche la velocità mediolaterale del centro di pressione, l'area dell'ellisse contenente il 95% dei valori COP e lo Z-Score (deviazioni standard dell'SVI dal valore medio indicato nei valori normativi).

Inoltre, è possibile osservare il tracciato del centro di pressione per ogni condizione e la rappresentazione dell'ellisse calcolata (Figura 4).

Figura 4 - Esempio di traccia del centro di pressione per la posizione stretta con la rappresentazione dell'ellisse.

Tutte queste informazioni possono essere rapidamente esportate in un rapporto PDF, e anche visualizzare i progressi tra le valutazioni. Questo permette uno sguardo più obiettivo e quantitativo sul rischio di caduta attraverso i risultati SVI su base settimanale o mensile.

Significato

Il protocollo del test del rischio di caduta è basato su ricerche dell'Università di Dayton [2] e dell'Università di Jyväskylä in Finlandia [3]. I risultati entro i valori normativi sono indicativi di un basso rischio di caduta. Questo protocollo può essere uno strumento di screening preliminare per il rischio di caduta, poiché la velocità di oscillazione mediolaterale è stata identificata come un parametro che differenzia meglio le cadute ricorrenti da quelle non ricorrenti in ogni condizione di test

Valori dell'indice di velocità di oscillazione superiori ai valori normativi sono suggestivi di deficit del controllo posturale. In questo caso, il professionista della salute dovrebbe fare una valutazione del rischio più approfondita (come la storia delle cadute, la paura di cadere, i farmaci, la forza degli arti inferiori, la propriocezione e le carenze vestibolari o visive) e raccomandare strategie per prevenire le cadute e ridurre la possibilità di lesioni.

Tuttavia, diversi parametri di oscillazione estratti dai dati del centro di pressione hanno dimostrato di essere correlati al rischio di caduta. Una recente revisione sistematica di F. Quijoux, et al [4] ha evidenziato che l'area di oscillazione e la velocità media radiale (combinazione di velocità ML e AP) possono consentire la discriminazione tra caditori e non caditori

È importante sottolineare che la valutazione strumentale dell'ondeggiamento può anche essere uno strumento utile per aiutare gli operatori sanitari a guidare e valutare l'efficacia e l'efficienza dei programmi di riabilitazione per ridurre il rischio di caduta dei loro pazienti e prevenire le cadute.

Prevenzione delle cadute

Sensing Future, insieme a Fraunhofer AICOS e Coimbra Health School ha creato il FallSensing, una soluzione per lo screening del rischio di caduta e l'implementazione di esercizi di prevenzione delle cadute, fornendo al contempo un biofeedback durante l'esecuzione degli esercizi (Figura 5). Gli esercizi sono monitorati con due sensori inerziali indossabili e la piattaforma di pressione PhysioSensing per la valutazione della mobilità, della forza e dell'equilibrio. Durante tre anni, lo strumento di screening FallSensing ha permesso di valutare il rischio di caduta di 537 adulti di 50 anni che vivono in comunità. Mentre gli strumenti di intervento FallSensing sono stati implementati in 69 anziani, in cui sono stati integrati diversi esercizi del programma Otago. I risultati del progetto hanno indicato che la tecnologia utilizzata era adatta al monitoraggio degli esercizi durante gli esercizi di prevenzione delle cadute, in cui il range di movimento, la distribuzione e lo spostamento del peso, l'equilibrio e l'identificazione del ciclo sono stati monitorati con successo per tutti gli esercizi [5]-[7].

Figura 5 - Esempio di pratica FallSensing. Paziente in piedi sopra la piattaforma a pressione PhysioSensing con due sensori inerziali nelle gambe, che forniscono biofeedback al paziente durante gli esercizi di prevenzione delle cadute

Potresti anche controllare: 12 protocolli per la valutazione dell'equilibrio con piastra di forza/pressione

>>> Chiedi ora un preventivo per il protocollo del rischio di caduta

Cláudia Tonelo

Rilevazione delle tecnologie future

Bibliografia

[1] Organizzazione Mondiale della Sanità, Ed., WHO global report on falls prevention in older age, 2007, https://www.who.int/ageing/publications/Falls_prevention7March.pdf?ua=1.

[2] K. Edginton Bigelow e N. Berme, "Development of a Protocol for Improving the Clinical Utility of Posturography as a Fall-Risk Screening Tool", The Journals of Gerontology Series A: Biological Sciences and Medical Sciences, vol. 66A, no. 2, pp. 228-233, Feb. 2011, doi: 10.1093/gerona/glq202.

[3] S. Pajala, P. Era, M. Koskenvuo, J. Kaprio, T. Tormakangas, and T. Rantanen, "Force Platform Balance Measures as Predictors of Indoor and Outdoor Falls in Community-Dwelling Women Aged 63-76 Years," The Journals of Gerontology Series A: Biological Sciences and Medical Sciences, vol. 63, no. 2, pp. 171-178, Feb. 2008, doi: 10.1093/gerona/63.2.171.

[4] F. Quijoux et al., "Le caratteristiche di spostamento del centro di pressione differenziano il rischio di caduta negli anziani: A systematic review with meta-analysis," Ageing Research Reviews, vol. 62, p. 101117, Sep. 2020, doi: 10.1016/j.arr.2020.101117.

[5] J. Silva, I. Sousa, and J. S. Cardoso, "Fusion of Clinical, Self-Reported, and Multisensor Data for Predicting Falls," IEEE J Biomed Health Inform, vol. 24, no. 1, pp. 50-56, Jan. 2020, doi: 10.1109/JBHI.2019.2951230.

[6] J. Silva et al., "Comparing Machine Learning Approaches for Fall Risk Assessment:", in Proceedings of the 10th International Joint Conference on Biomedical Engineering Systems and Technologies, Porto, Portugal, 2017, pp. 223-230. doi: 10.5220/0006227802230230.

[7] J. Silva, D. Moreira, J. Madureira, E. Pereira, A. Dias, and I. Sousa, "A Technological Solution for Supporting Fall Prevention Exercises at the Physiotherapy Clinic," in 2018 IEEE International Symposium on Medical Measurements and Applications (MeMeA), Rome, Italy, Jun. 2018, pp. 1-6. doi: 10.1109/MeMeA.2018.8438811.