Ankle ReLoad

Grunddaten zu diesem Projekt

Beschreibung

Jährlich werden in den Niederlanden und Deutschland ca. 105.000 Patienten nach einer Sprunggelenksfraktur behandelt, wobei ein großer Teil der Patienten im Alter zwischen 35 und 65 Jahren ist. Neben den direkten Auswirkungen auf das persönliche Leben der Betroffenen führt dies auch zu zusätzlichen gesellschaftlichen Kosten durch Arbeitsausfall. Die Genesung dieser Frakturen ist nachweislich effektiver, wenn das Gelenk aktiv belastet wird. Es ist jedoch noch unklar, was die optimale Belastung zur Förderung der Genesung ist; zu viel Belastung kann sogar schädlich sein und den Genesungsprozess verlängern. Die Bestimmung der Gelenkbelastung ist bisher nur in einem Bewegungslabor mit komplexer Messtechnik möglich. Dies bedeutet, dass Patienten und ihre Behandler keinen Einblick haben in die Belastung während der Rehabilitation zu Hause. Ziel dieses Projekts ist die Entwicklung eines Demonstrators, der die Sprunggelenksbelastung zu Hause anhand von Daten messen kann, die mit einem ambulanten Messsystem mit einer minimalen Anzahl von Sensoren gesammelt wurden. Dieses System wird Feedback an den Patienten und Fachpersonal über eine digitale Anwendung geben. Dazu wird zunächst bei einer großen Anzahl von Patienten die Sprunggelenksbelastung sehr genau im Labor bestimmt. Gleichzeitig werden bei denselben Messungen Daten mit dem Sensorsystem gesammelt. Durch die Anwendung von Machine-Learning-Methoden auf die kombinierten Daten des Laborsystems und des Sensorsystems kann das Sensorsystem trainiert werden, um die Sprunggelenksbelastung aus den Daten seines minimalen Sensorsatzes zu bestimmen. Eine kontinuierliche Überwachung des individuellen Belastungsmusters zu Hause kann dann durchgeführt werden, um den Genesungsprozess zu untersuchen und zu optimieren. Darüber hinaus werden in diesem Projekt innovative Methoden zur Messung von Bewegung und externer Belastung entwickelt, die für eine konsistent hohe Datenqualität in zukünftigen groß angelegten Anwendungen erforderlich sind.