Die meisten Stürze älterer Menschen ereignen sich beim Gehen, wobei ein erheblicher Anteil davon kurz nach körperlicher Anstrengung auftritt. Nach moderater bis hoher Belastung sind Koordination und reaktives Gleichgewicht vorübergehend eingeschränkt, was das Stolper- und Sturzrisiko erhöht. Gleichzeitig ist regelmäßige körperliche Aktivität unerlässlich, um Mobilität, Unabhängigkeit und Lebensqualität im Alter zu erhalten. 

Im Projekt „PerDic-Life” wird untersucht, ob sich das vorübergehend erhöhte Sturzrisiko mithilfe moderner, tragbarer Sensoren automatisch erkennen lässt. Die physiologische Referenzgröße für das Projekt ist die erste ventilatorische Schwelle (VT1). Dies ist die Trainingsintensität, ab der der Körper zunehmend auf anaerobe Energieversorgung zurückgreift. Derzeit kann die VT1 nur mittels Gasaustauschanalyse bestimmt werden. 

PerDic-Life zielt darauf ab, diese Schwelle aus Signalen zu schätzen, die routinemäßig von Wearables bereitgestellt werden können, darunter Elektrokardiographie (EKG), Photoplethysmographie (PPG) und Beschleunigungsdaten. Durch die Kombination dieser Signale mit Methoden des maschinellen Lernens beabsichtigt das Projekt, eine Messung, die derzeit auf das Labor beschränkt ist, kontinuierlich im Alltag verfügbar zu machen.

Hierzu werden rund 100 Personen im Alter von 65 Jahren und älter bei zwei Terminen im Ganglabor der Abteilung für Geriatrie der Universität Oldenburg untersucht. Beim ersten Termin wird die individuelle VT1 unter kontrollierten Bedingungen mithilfe eines Laufbandprotokolls mit schrittweise steigender Geschwindigkeit und Steigung ermittelt. Dabei erfolgt eine Gasaustauschanalyse als Goldstandard, während gleichzeitig EKG- und PPG-Aufzeichnungen erstellt werden. Beim zweiten Termin führen die Teilnehmenden alltagsnahe Aktivitäten wie Treppensteigen durch, während sie mobile Messgeräte tragen. Zusätzlich tragen die Teilnehmenden zwischen den beiden Besuchen etwa eine Woche lang kleine Messgeräte, die physiologische Signale und Bewegungen während ihres normalen Alltags aufzeichnen.

Die erhobenen Daten werden in drei zunehmend realitätsnahen Phasen zur Entwicklung und Bewertung von Vorhersagemodellen verwendet. Zunächst erfolgt eine Auswertung auf Grundlage von Informationen einzelner Sensoren unter Verwendung vorhandener Labordaten. Im zweiten Schritt kommen multimodale Modelle zum Einsatz, die EKG-, PPG- und Beschleunigungsdaten kombinieren. In der dritten Phase kommen personalisierte Modelle zum Einsatz, die an demografische Merkmale oder einzelne Teilnehmer angepasst sind. Durch diesen schrittweisen Übergang von kontrollierten Labordaten zu realen Bedingungen wird eine zentrale Lücke in der bisherigen Forschung geschlossen, in der physiologische Schwellenwerte fast ausschließlich in standardisierten Belastungstests ermittelt wurden.

Die Ergebnisse von PerDic-Life könnten langfristig die Grundlage für ein tragbares Warnsystem bilden. Dieses soll ältere Menschen mit Sturzrisiko warnen, wenn ihre körperliche Aktivität eine Intensität erreicht, die mit einem vorübergehend erhöhten Sturzrisiko verbunden sein könnte. 

Im Projekt werden Kompetenzen aus drei Bereichen des Departments für Versorgungsforschung an der Carl-von-Ossietzky-Universität Oldenburg vereint: Geriatrie, AI4Health sowie Assistenzsysteme und Medizintechnik.