Seulontakyselyn kehittämis- ja validointitutkimus vähän liikkuvien henkilöiden tunnistamiseksi

Abstract

Riittämätön liikkuminen on useiden tarttumattomien tautien riskitekijä. Suomessa perusterveydenhuollossa ei vielä ole vakiintunutta työkalua tunnistaa asiakkaan liikkumistottumuksia ennen asiakaskontaktia, minkä avulla rajatuissa terveydenhuollon resursseissa voitaisiin kohdentaa liikkumisen puheeksi otto ja palveluohjaus riittämättömästi liikkuville. Vaikka fyysisen aktiivisuuden kyselylomakkeet korreloivat melko heikosti liikemittareiden kanssa liikkumisen ja paikallaanolon määrän arvioinnissa, niillä on monia etuja ja käyttömahdollisuuksia fyysisen aktiivisuuden luokitteluvälineenä. Luotettavien kyselylomakkeiden laatiminen vaatii runsaasti erilaista tutkimusta.

Tämän tutkimuksen tarkoituksena oli kehittää seulontatyökalu vähän liikkuvien tunnistamiseksi ja arvioida mahdollisuuksia integroida työkalu sosiaali- ja terveydenhuollon digitaaliseen asiakasportaaliin, mikä auttaa sosiaali- ja terveydenhuollon ammattilaisia edistämään tällaisten asiakkaiden fyysistä aktiivisuutta. Tutkimuksen tavoitteena oli validoida Helsingin asiakas- ja potilastietojärjestelmä Apotin Maisa-asiakasportaaliin kehitettävä liikkumiskysely ja valittujen suomalaisten väestötutkimusten liikuntakysymykset liikemittarilla. Toisena tavoitteena oli löytää kysymysyhdistelmä, jolla voitaisiin ennustaa vähän liikkuva riittävän luotettavasti.

85 tutkittavaa käytti lantiolla pidettävää liikemittaria seitsemän päivän ajan, minkä jälkeen he vastasivat fyysisen aktiivisuuden kyselylomakkeeseen. Yksittäisten kysymysten luotettavuutta vähän liikkuvien henkilöiden tunnistamisessa arvioitiin korrelaatioanalyysillä. Logistisen regressioanalyysin avulla etsittiin kysymysyhdistelmä, joka tunnisti parhaiten vähän liikkuvat henkilöt. Paras kysymyspari loi "liikennevalomallin": punainen = vähän liikkuva molempien kysymysten perusteella, keltainen = vähän liikkuva toisen kysymyksen perusteella ja vihreä = riittävästi liikkuva molempien kysymysten perusteella. Malli osoitti, kuinka tarkasti kysymykset ennustavat henkilön fyysisen aktiivisuuden.

Fyysisen aktiivisuuden seulontaan kehitetyllä kyselylomakkeella on heikko kyky tunnistaa vähän liikkuvat henkilöt. Seulontakyselyn kysymysten ja liikemittarin korkein korrelaatio oli 0,46 paikallaanolon ja 0,42 kokonaisaktiivisuuden osalta. Kokonaisaktiivisuutta arvioivan parhaan kysymysparin mukaan 64 % kaikista vähän liikkuvista kuului ”liikennevalomallin” punaiselle alueelle ja 36 % keltaiselle alueelle. Mallin herkkyys tunnistaa vähän liikkuvat punaiselle alueelle oli 64 % ja tarkkuus tunnistaa riittävästi liikkuvat keltaiselle ja vihreälle alueelle oli 82 %. Tällä tutkimusaineistoilla ”liikennevalomallin” herkkyys ja spesifisyys eivät olleet riittävän korkeita, jotta tätä lähestymistapaa voitaisiin käyttää kliinisessä ympäristössä. Seulontakysely kuvaa karkeasti työikäisten osallistujien fyysisen aktiivisuuden tasoa, mutta kliinisessä ympäristössä saatetaan tarvita tarkempaa menetelmää (esim. liikemittari) vähän liikkuvien henkilöiden tunnistamiseksi ja seuraamiseksi.

Insufficient physical activity (PA) is a well-known risk factor for many non-communicable diseases. In Finland, primary health care does not yet have a well-established low-cost and reliable tool to identify clients' PA habits, which could be used to target PA promotion and support services to those who are physically inactive, within limited health care resources. Although questionnaires correlate rather poorly with PA measures in assessing PA levels, questionnaires do have a place in situations where individuals are classified by their PA levels, and they have strengths in assessing PA. Developing reliable and valid questionnaires requires a lot of research.

The aim of this study was to develop a screening tool to identify physically inactive people and to evaluate possibilities to integrate this tool into a digital client portal for social services and health care to help health and social care professionals promote physical activity among these clients. The primary goal was to validate the PA screening questionnaires against accelerometer data. The secondary goal was to find a combination of questions that could predict physical inactivity with sufficient reliability.

Eighty-five subjects wore a hip-worn accelerometer for seven days, after which they answered to several PA questionnaires. The reliability of individual questions to identify physically inactive people was assessed by correlation analysis. Logistic regression analysis was used to find the combination of questions which best identified physically inactive persons. The best pair of questions created a "traffic light" model: red = physically inactive based on both questions, yellow = physically inactive based on the other question, and green = physically active based on both questions. The model showed how accurately the questions predict a person's PA.

The questionnaires developed for screening PA have a poor ability to find subjects who are physically inactive. The highest correlation of the screening questionnaire with the accelerometer was 0.46 for sedentary behaviour and 0.42 for total physical activity, respectively. The best pair of questions on total physical activity identified 64 % of all inactive subjects in a red zone and 36 % in a yellow zone. The model had a sensitivity of 64 % for the red zone and a specificity of 82 % for the yellow and green zones. With the present research data, the sensitivity and specificity of the traffic light model were not high enough so that this approach could be used in the clinical setting. Whereas screening questionnaires describe roughly PA level among middle-aged participants, clinical setting may require a more accurate method (e.g., accelerometer) to identify and monitor physically inactive persons.