Ankle ReLoad

Jaarlijks worden er in Nederland en
Duitsland ca. 105.000 patiënten behandeld na een enkelfractuur, waarbij een
groot deel van de patiënten een leeftijd heeft tussen 35 en 65 jaar. Naast dat
dit direct impact heeft op het persoonlijke leven van deze patiënten, zorgt het
ook voor extra maatschappelijke kosten door ziekteverzuim.
Het herstel van deze fracturen is aangetoond effectiever wanneer het gewricht
actief wordt belast. Alleen is het nog onduidelijk wat de optimale belasting is
voor bevordering van herstel; te veel belasting kan zelfs schadelijk zijn en
het herstelproces juist verlengen.
Het bepalen van gewrichtsbelasting is tot op heden alleen mogelijk in een
bewegingslaboratorium met complexe meetapparatuur. Dit betekent dat individuele
patiënten en hun behandelaars geen inzicht hebben in hoe het gewricht tijdens
de herstelperiode thuis wordt belast.
Het doel van dit project is het ontwikkelen van een demonstrator die de
enkelbelasting in de thuissituatie kan meten vanuit data verzameld met een
ambulant meetsysteem met een minimaal aantal sensors. Deze zal feedback geven
aan de patiënt en de zorgprofessionals via een digitale applicatie. Hiervoor
wordt eerst bij een groot aantal patiënten de enkelbelasting zeer nauwkeurig
bepaald in metingen in het lab. Tegelijkertijd worden bij dezelfde metingen
gegevens verzameld met het minimalistische ambulante meetsysteem. Door machine
learning-methoden toe te passen op de gecombineerde gegevens van het labsysteem
en het minimalistische systeem, kan het sensorsysteem worden getraind om de
enkelbelasting te bepalen uit data van zijn minimale sensor set. Continu
monitoren en interpreteren van het individuele belastingpatroon thuis kan
vervolgens worden uitgevoerd om het herstelproces te bestuderen en te
optimaliseren.
Daarnaast zullen in dit project innovatieve methoden voor het meten van
beweging en externe belasting worden ontwikkeld nodig voor een consistente hoge
datakwaliteit in toekomstige grootschalige toepassing.