Stürze im Alter führen häufig zu einer Verminderung der Selbstständigkeit und Einschränkungen der Mobilität. Sturzfolgen zählen zu den häufigsten gesundheitlichen Beeinträchtigungen älterer Menschen. Typische Beschwerdebilder sind psychische Folgeerkrankungen sowie physische Traumata welche erhebliche Kosten für das Gesundheitssystem bedeuten. Automatische Sturzerkennungssysteme könnten im Notfall oder bei Bewusstlosigkeit schnell für medizinische Hilfe sorgen. Vorbeugend könnten Sturzpräventionsprogramme gezielt körperliche Sturzrisikofaktoren älterer Menschen reduzieren. Jedoch ist es mit den gegenwärtig verfügbaren Methoden schwierig und kostenintensiv sturzgefährdete Personen korrekt zu identifizieren, um entsprechende Programme zielgenau zu administrieren. Über die Möglichkeiten der automatisierten häuslichen Sturzerfassung ist bisher wenig bekannt. Methodik: Ziel der Studien war die technische- und Assessment-basierte Sturzvorhersage bei älteren Personen mit kognitiven Einschränkungen im klinisch stationären Bereich sowie die technische Sturzerkennung und Assessment-basierte Sturzvorhersage älterer Personen ohne kognitive Einschränkungen im häuslichen Umfeld. Weitere Ziele waren die Untersuchung der Akzeptanz der Sensorik und die Analyse der Sturzursachen und Sturzfolgen. Ergebnis: In der Studie zur Sturzvorhersage (n=40) war mittelfristig eine technikbasierte Sturzvorhersage mit einer Sensitivität von 78,2% und einer Spezifität von 71,2% möglich. Die geriatrischen Assessments waren nicht in der Lage statistisch signifikante Werte zur Sturzprädiktion zu liefern. Die Untersuchung zur Sturzerkerkennung (n=3) konnte 2 von 9 stattgefunden Stürzen korrekt erkennen, jedoch war die Anzahl der falsch erkannten Stürze (n=193) sehr hoch. Im Untersuchungszeitraum von 108 Tagen wurden 1,87 Stürze pro Tag registriert. In einer weiteren Studie des Autoren zur Sturzerkennung (n=28) wurden 12 von insgesamt 15 Stürzen korrekt erkannt und 3248 falsch erkannt. 1225.7 Messtage konnten aufgezeichnet werden wobei täglich 2.66 Stürze registriert wurden. Die geriatrischen Assessments konnten keine Aussage über das tatsächliche Sturzrisiko zu treffen. Hauptursachen der Stürze waren Stolpern, Ausrutschen sowie Stürzte infolge von starkem Toilettendrang. Die eingesetzten Sensoren wurden generell als nützlich oder sehr nützlich empfunden, die Akzeptanz und Bereitschaft erneut an einer ähnlichen Studie teilzunehmen verringerte sich jedoch von 100% vor auf 78,6% nach der Studienteilnahme. Schlussfolgerung: Eine Vorhersage des Sturzrisikos älterer Personen ist mittelfristig möglich. Die hier beobachtete hohe Anzahl der falsch positiv erkannten Stürze ist 100 – 270-mal höher als die der korrekt erkannten Stürze. Die dieser Studie zugrunde liegenden Referenzdaten zur Sturzerkennung aus Laborbedingungen sind nicht auf das Sturzverhalten älterer Menschen im häuslichen Umfeld anwendbar. Weitere Untersuchungen an der Zielgruppe zur Verbesserung der Zuverlässigkeit solcher Systeme sind deshalb unabdingbar. Die Ergebnisse der Sturzursachen decken sich mit denen der bekannten Studienlage. Möglichkeiten zur Steigerung der Akzeptanz der Sensorik sollten weiter erforscht werden.
Introduction: Falls in old age are associated with a reduction of autonomy and mobility and are one the main threads to the health of older adults. Physical and mental consequences of falls are a large financial burden to the healthcare system. Automatic fall detection devices could call of medical help in case of a fall and fall prevention programmers could specifically address the deficits of persons at risk of falling. Currently it is difficult and expensive to correctly identify persons at risk of falling and little is known about domestic fall detection. Methdology: Aim of the studies was the technical and assessment-based fall-prediction of older adults with cognitive impairments in an in-patient setting and the technical fall-detection and assessment- based fall-prediction of older persons without cognitive impairments in a domestic environment. Further goals were the evaluation of the acceptance of the sensors and analysis of the causes of falls. Results: The study on fall-detection (n=40) revealed that a midterm fall-prediction is possible with a sensitivity of 78.2% and specificity of 71.2%. The geriatric assessments could not provide statically significant values for fall- prediction. The study on fall-detection (n=3) identified 2 of the 9 falls correctly, the number of false positive falls was very high (n=193). Within the investigation-period of 108 days 1.87 falls were registered. In a further study of the author on that topic (n=28) 12 of overall 15 falls were correctly identified on 3248 incorrectly. 1225.7 days were recorded and 2.66 falls registered per day. The geriatric assessments were not able to predict fall events. Reasons for falls were stumbling, slipping and falls due urge to use the toilet. The sensors were generally viewed as useful or very useful, however the willingness to participate in a similar study decreased form 100% before the study to 78.6% after the study. Conclusion: A midterm prediction of the fall risk of older adults is possible. The number of false alarms was 100-270 times higher than the number of correctly identified falls. The reverence data for fall detection of this study are based on laboratory trails and is not transferable to detect falls in older adults. Further investigations on seniors are necessary to inprove the reliability of the tested systems. The results for fall causes are consistent with those of known studies. Ways to increase the acceptance of the sensors must be found.
