Please use this identifier to cite or link to this item:
For citation please use:
Main Title: Development of prediction models to estimate activity-related energy expenditure under free-living conditions using accelerometry and its association with cardiometabolic factors
Translated Title: Entwicklung von Prädiktionsmodellen zur Schätzung des aktivitätsabhängigen Energieumsatzes unter Alltagsbedingungen mittels Akzelerometrie und dessen Assoziation mit kardiometabolischen Faktoren
Author(s): Jeran, Stephanie
Advisor(s): Pischon, Tobias
Referee(s): Pischon, Tobias
Müller-Nordhorn, Jacqueline
Granting Institution: Technische Universität Berlin
Type: Doctoral Thesis
Abstract: Assessment of physical activity (PA) is a great concern in epidemiological and public health research, since the extent of PA plays an important role in the etiology of numerous chronic diseases and all-cause-mortality, and as modifiable lifestyle factor PA is a favored target for disease prevention and health promotion. However, less is known about the relation of activity-related energy expenditure (AEE) and chronic disease risk. AEE is defined as energy expenditure increase due to PA, which is the bodily movement involving skeletal muscle contraction. Since AEE assessment under free-living condition is challenging, traditionally, AEE was derived from questionnaire-based PA information linked to energy equivalents. Advancements in the field of PA assessment allow to capture acceleration signals due to body movement revealing objective and more accurate quantitative information about intensity, frequency and duration of PA. Similarly, accelerometry-based PA information can be converted to AEE using device-specific algorithms, considering additional individual factors such as sex, age, height, or weight. However, it is unclear to what extent accelerometry-derived PA can explain the variance in AEE under free-living conditions, and to what extent additional individual characteristics could improve the estimation of energy expenditure. This thesis aimed to develop prediction models to estimate free-living AEE based on accelerometry-derived PA parameters. Therefore, first, previous studies on AEE prediction were systematically reviewed investigating to what extent accelerometer-derived PA outputs and additional parameters explain and improve the variance in free-living AEE, respectively; second, prediction models estimating free-living AEE were developed based on accelerometry-derived PA parameters and additional parameters; and third, the association of (predicted) AEE and accelerometry-derived PA parameters with cardiometabolic factors as indicators for chronic diseases was examined. For the systematic review, MEDLINE database was searched for studies that estimated AEE based on accelerometry-derived PA in adults under free-living conditions (using doubly-labeled water method), resulting in 28 eligible studies. The variance of AEE explained by accelerometer-derived PA output ranged from 4 – 80 % (median crude R² = 26.0 %). Across studies, sample size ranged from 10 to 149, and was inversely related to the explained variance. Inclusion of 1 to 3 other predictors in addition to accelerometer output significantly increased the explained variance to a range of 12.5 – 86.0 % (median total R² = 41.0 %). These findings suggest that accelerometry-based AEE prediction should be interpreted with caution due to heterogeneity across studies. Including additional predictors beyond accelerometry can improve the explained variance in AEE, where the type seems more relevant than the number of added predictors. To develop AEE prediction models based on accelerometry-assessed PA data under free-living conditions, the cross-sectional ActivE study assessed PA over 14 days using the hip-worn triaxial accelerometer Actigraph GT3X+, and simultaneously total energy expenditure (TEE) using the doubly labeled water method in 50 volunteers. Further, resting energy expenditure (REE, by indirect calorimetry), anthropometry, body composition (by BIA and ADP), blood pressure, handgrip strength were measured; sociodemographic and lifestyle factors, PA of previous 7 days (IPAQ) and previous 12 months (QUAP), and 7-day dietary records were assessed; and a blood draw was analyzed for cardiometabolic factors. AEE was calculated as TEE – REE – diet-induced thermogenesis (estimated as 10 % of TEE). Accelerometer output was converted to counts per minute of the single vertical axis (Axis 1 counts) and the combined vector sum of all three axes (vector magnitude (VM) counts) using ActiLife software. Based on VM counts, time spent in PA of low, moderate and vigorous intensity was calculated using an adapted version of the ‘Freedson Adult VM3 (2011)’ algorithm, and subsequently deriving accumulated time in total activity, and relative proportion of each intensity category. In a multistep selection approach candidate variables were grouped with regard to context, and each group was regressed on AEE (conceptual-based preselection for the group of accelerometer-derived variables, statistical-based preselection (stepwise regression with p<0.05) for the other variable groups). Prediction models of AEE were developed based on all preselected variables (m=11) offered for a second stepwise selection. Alternative models were developed simulating that only a reduced set of predictive variables is available. Sensitivity analyses using different variable selection techniques (forward selection, backward elimination, LASSO selection) and bootstrap sampling were run. To investigate the association of AEE and PA duration and intensity with cardiometabolic factors of inflammation, glucose and lipid metabolism, linear regression analysis was performed, fitting blood levels of total cholesterol, HDL-cholesterol, LDL-cholesterol, (log-)triglycerides, cholesterol-HDL-ratio, glucose, (log-)insulin, HbA1c, C-peptide, (log-)HOMA index and (log-)CRP as outcome variables, with accelerometer-derived PA parameters (time in low intensity PA, time in moderate PA, time in vigorous PA, and time in total activity) as independent variables adjusted for sex, age, BMI, smoking status and alcohol consumption. Axis 1 counts and VM counts explained 34.0 % and 33.8 % of the variance in AEE, respectively. Stepwise selection revealed that 70.7 % of variance in AEE was explained by VM counts (33.8 %), fat-free mass by ADP (26.7 %), time in moderate PA and walking (IPAQ, 6.4 %) and carbohydrate intake (3.9 %); and in an alternative model, 75.4 % of variance in AEE was explained by the same predictors plus time spent sitting (QUAP, 2.3 %) and time in locomotion (QUAP, 2.4 %). Results were similar for Axis 1 counts models. In reduced variable settings (having a smaller number of preselected variables available), fat-free mass by ADP was substituted by fat-free mass by BIA (if no ADP was available) or height (if no measurement of body composition was available), explaining 24.7 % or 20.0 % of additional variance in VM counts models. These findings suggest that accelerometry can provide appropriate PA parameters (VM counts, Axis 1 counts) for AEE prediction that can be essentially improved by information of body composition (fat-free mass) or anthropometry (height). Additional questionnaire-based information about PA, carbohydrate intake, and resting heart rate can further improve the explained variance in AEE; however, the effort to obtain the information has to be considered in view of the limited amount of improvement of explained variance. Further, ActivE study participants spent 130 minutes per day in low intensity PA, 98 minutes in moderate intensity PA, and 21 minutes in vigorous intensity PA, resulting in 250 minutes of total activity. There was an inverse association of AEE, time in total activity (independent of intensity), and time in moderate PA (regardless of mutual adjustment for complement PA intensity categories) with glucose levels, an inverse association of time in vigorous PA and proportion of vigorous PA with (log-)CRP levels, and an inverse association of (predicted) AEE with (log-)HOMA index. These findings suggest that for achieving favorable effects in cardiometabolic factors related to glucose homeostasis the overall activity independent of intensity levels might be relevant, with promising contribution of moderate intensity PA; whereas for parameters related to inflammatory responses the intensity of PA might play a determining role, with significant contribution of vigorous intensity PA. The improvement of PA assessment in free-living conditions using accelerometry seems promising with the ongoing development of technology, data processing, advanced modeling methods and algorithms to process and analyze more complex ‘raw’ acceleration data. General agreements on accelerometer signal processing and data reporting would increase comparability between studies and validity of pooled analyses. Finally, an accurate quantitative assessment of PA allows for an improved quantification, characterization and prediction of AEE, an improved quantification of dose-response relationships and (causal) associations between PA characteristics (including AEE) and health outcomes, which is essential to establish sufficient public health recommendations.
Körperliche Aktivität (KA) ist in der epidemiologischen und gesundheitspolitischen Forschung von großer Bedeutung. Das Ausmaß der KA spielt eine wichtige Rolle bei der Entstehung zahlreicher chronischer Erkrankungen sowie für die Gesamtmortalität, und als modifizierbarer Lebensstilfaktor stellt KA einen bevorzugten Ansatzpunkt zur Krankheitsprävention und Gesundheitsförderung dar. Über die Rolle des aktivitätsabhängigen Energieumsatzes (AEE) und seine Beziehung zu chronischen Erkrankungen ist jedoch wenig bekannt. AEE wird definiert als die Erhöhung des Energieumsatzes aufgrund von KA, das heißt von Körperbewegung, die auf einer Kontraktion der Skelettmuskulatur beruhen. Da die Messung des AEE unter Alltagsbedingungen methodisch sehr aufwendig ist, wurde AEE traditionell aus fragebogenbasierten Erhebungen von KA und deren Zuordnung zu Energieäquivalenten abgeleitet. Neueste Weiterentwicklungen auf dem Gebiet der Erfassung von KA ermöglichen es, Körperbewegungen anhand von Beschleunigungssignalen mittels sogenannter Akzelerometer zu detektieren, und dadurch KA objektiv und mit genaueren quantitativen Informationen zur Intensität, Häufigkeit und Dauer zu erfassen. Aus diesen Akzelerometer-basierten Aktivitätsinformationen können gleichermaßen durch (gerätespezifische) Algorithmen und unter Berücksichtigung von zusätzlichen individuellen Faktoren wie z.B. Geschlecht, Alter, Größe oder Gewicht, Informationen zum AEE abgeleitet werden. Es ist jedoch unklar, inwieweit die Varianz des AEE unter Alltagsbedingungen durch akzelerometrisch erfasste KA erklärt werden kann, und inwieweit zusätzliche Faktoren die Prädiktion des AEE verbessern können. Das Ziel dieser Arbeit war es Prädiktionsmodelle zur Schätzung des AEE zu entwickeln basierend auf akzelerometrisch erfasster KA. Dazu wurde, erstens, in einer systematischen Literaturübersicht von AEE-Prädiktionsstudien untersucht, inwieweit akzelerometrisch erfasste KA und zusätzliche Faktoren die Varianz des AEE (unter Alltagsbedingungen) erklären und verbessern können; zweitens, Prädiktionsmodelle zur Schätzung AEE entwickelt basierend auf akzelerometrisch erfasster KA und zusätzlichen Parametern; und drittens, der Zusammenhang zwischen (vorhergesagtem) AEE sowie akzelerometrisch erfassten Aktivitätsparametern und kardiometabolischen Faktoren als Indikatoren für chronische Erkrankungen untersucht. Für die systematische Literaturübersicht wurde die MEDLINE-Datenbank nach Studien durchsucht, die AEE basierend auf akzelerometrisch erfasster KA bei Erwachsenen unter Alltagsbedingungen (d.h. unter Verwendung der doppelt-markierten Wasser-Methode) geschätzt haben. Es wurden 28 geeignete Studien identifiziert. Durch akzelerometrisch erfasste KA wurde 4 – 80 % der AEE-Varianz erklärt (Univariates Modell: Median R² = 26,0 %). Die Teilnehmeranzahl der Studien lag zwischen 10 und 149, und war invers mit der erklärten AEE-Varianz assoziiert. Die Hinzunahme von 1 bis 3 weiteren Prädiktoren zusätzlich zur akzelerometrisch erfassten KA erhöhte die erklärte AEE-Varianz signifikant auf 12,5 – 86,0 % (Gesamtmodell: Median R² = 41,0 %). Die Ergebnisse weisen darauf hin, dass die Datenlage zur Prädiktion von AEE unter Alltagsbedingungen basierend auf akzelerometrisch erfasster KA sehr heterogen ist. Die Hinzunahme weiterer Prädiktoren zusätzlich zu KA kann die erklärte Varianz des AEE verbessern, wobei nicht die Anzahl der Prädiktoren, sondern die Art des Prädiktors relevant zu sein scheint. Für die Entwicklung von AEE-Prädiktionsmodellen basierend auf akzelerometrisch erfasster KA unter Alltagsbedingungen, wurde in der Querschnittsstudie ActivE von 50 Teilnehmern die KA über 14 Tage mittels triaxialem Akzelerometer Actigraph GT3X+, das an der Hüfte getragen wurde, erfasst, und gleichzeitig der Gesamtenergieumsatz (TEE) mit der doppelt-markierten Wasser-Methode gemessen. Außerdem wurden der Ruhe-Nüchtern-Energieumsatz (REE, mittels indirekter Kalorimetrie), Parameter zu Anthropometrie, Körperzusammensetzung (mittels BIA und ADP), Blutdruck, Handgreifstärke, soziodemografische und Lebensstilfaktoren, KA der vergangenen 7 Tage (IPAQ) und der vergangenen 12 Monate (QUAP), Ernährung (mittels 7-Tage Ernährungsprotokoll) erfasst, sowie kardiometabolische Faktoren aus einer Blutprobe bestimmt. AEE wurde berechnet als TEE – REE – Diät-induzierte Thermogenese (geschätzt als 10 % von TEE). Mittels ActiLife Software wurden die Akzelerometersignale in sogenannte Aktivitäts-„Counts“ pro Minute umgewandelt, sowohl für die vertikale Einzelachse, als auch für den Raumvektor (Kombination aller 3 Raumachsen). Basierend auf den Raumvektor-Counts wurde mittels eines adaptierten ‘Freedson Adult VM3 (2011)’ Algorithmus die Zeit in KA mit leichter, moderater und starker Intensität, und daraus die akkumulierte Zeit in Gesamtaktivität sowie die relativen Anteile der jeweiligen Intensitätskategorie berechnet. In einem mehrstufigen Ansatz zur Variablenselektion wurden die potentiellen Variablen zunächst hinsichtlich Kontext oder Methodik gruppiert und die Variablen jeder Gruppe auf AEE regressiert (konzeptionell basierte Variablenselektion für Gruppe der Akzelerometrie-Variablen, statistisch basierte Variablenselektion (Stepwise Regression mit p<0,05) für die anderen Variablengruppen). AEE-Prädiktionsmodelle wurden dann basierend auf den zuvor ausgewählten Variablen (m=11) mittels Stepwise Regression entwickelt. Bei der Entwicklung alternativer Modelle wurde simuliert, dass nur ein reduziertes Variablen-Set zur Verfügung steht. In Sensitivitätsanalysen wurden verschiedene Techniken zur Variablenselektion (Forward Selection, Backward Elimination, LASSO Selection) und das Bootstrap-Sampling angewendet. Um den Zusammenhang zwischen AEE bzw. der Dauer und Intensität von KA mit kardiometabolischen Faktoren der Entzündung sowie des Glukose- und Lipidstoffwechsels zu untersuchen, wurde eine lineare Regressionsanalyse durchgeführt, in der die Blutkonzentration von Gesamtcholesterin, HDL-Cholesterin, LDL-Cholesterin, (log-) Triglyceriden, Cholesterin-HDL-Verhältnis, Glucose, (log-)Insulin, HbA1c, C-Peptid, (log-)HOMA-Index und (log-)CRP jeweils als abhängige Variable, und die aus dem Akzelerometer abgeleiteten Aktivitätsparameter (Zeit KA mit geringer Intensität, Zeit in KA mit moderater Intensität, Zeit in KA mit starker Intensität, Zeit in Gesamtaktivität) als unabhängige Variablen berücksichtigt wurden, jeweils adjustiert für Geschlecht, Alter, BMI, Rauchstatus und Alkoholkonsum. Die Counts der vertikalen Einzelachse und des Raumvektor erklärten 34,0 % bzw. 33,8 % der AEE-Varianz. Die schrittweise Variablenselektion ergab, dass 70,7 % der AEE-Varianz durch die Counts des Raumvektors (33,8 %), fettfreie Masse (gemessen durch ADP; 26,7 %), Zeit in moderater KA und Gehen (IPAQ; 6,4 %) und Kohlenhydrataufnahme (3,9 %) erklärt werden konnte; und in einem alternativen Modell 75,4 % der AEE-Varianz durch die zuvor genannten Prädiktoren plus Zeit im Sitzen (QUAP; 2,3 %) und Zeit in Aktivität zur Fortbewegung (QUAP; 2,4 %). Ähnliche Ergebnisse zeigten sich für die Modelle mit Einzelachsen-Counts. Wenn eine reduzierte Auswahl an Variablen zur Verfügung stand, wurde fettfreie Masse aus ADP-Messung ersetzt durch fettfreie Masse aus BIA-Messung (wenn kein ADP zur Verfügung stand), oder durch Größe (wenn weder ADP noch BIA, also keine Information zur Körperzusammensetzung zur Verfügung stand), die dann 24,7 % bzw. 20,0 % der AEE-Varianz erklärten (in VM-Counts Modellen). Diese Ergebnisse weisen darauf hin, dass mittels Akzelerometrie geeignete Aktivitätsparameter (Einzelachsen-Counts, Raumvektor-Counts) zur Vorhersage von AEE abgeleitet werden können; und, dass durch zusätzliche Informationen zur Körperzusammensetzung (fettfreie Masse) oder Anthropometrie (Größe) die Vorhersage von AEE signifikant verbessert werden kann. Informationen über KA aus Fragebögen, Kohlenhydrataufnahme, und Ruhepuls können die Varianzerklärung von AEE zusätzlich verbessern, jedoch sollte der Aufwand diese Informationen zu erheben berücksichtigt werden angesichts des begrenzten Verbesserungspotentials. Die Teilnehmer der ActivE-Studie verbrachten durchschnittlich 130 Minuten pro Tag in KA mit geringer Intensität, 98 Minuten pro Tag in KA mit moderater Intensität, und 21 Minuten pro Tag in KA mit starker Intensität, was 250 Minuten pro Tag in Gesamtaktivität ergibt. Es zeigte sich ein inverser Zusammenhang von AEE, Zeit in Gesamtaktivität (unabhängig von Intensität) bzw. Zeit in KA mit moderater Intensität (mit und ohne Berücksichtigung der komplementären Intensitätskategorien) mit der Glucose-Konzentration; ein inverser Zusammenhang von Zeit in KA mit starker Intensität bzw. Zeit-Anteil von KA mit starker Intensität mit der (log)-CRP-Konzentration; und ein inverser Zusammenhang des (vorhergesagten) AEE mit dem (log)-HOMA-Index. Diese Ergebnisse deuten darauf hin, dass für die Erzielung positiver Effekte bei kardiometabolischen Faktoren im Zusammenhang mit der Glukosehomöostase die Gesamtaktivität unabhängig von der Intensität relevant sein könnte, wobei KA mit moderater Intensität einen vielversprechenden Beitrag leistet; hingegen könnte für Parameter im Zusammenhang mit Entzündungsreaktionen die Intensität der KA eine entscheidende Rolle spielen, wobei hier KA mit starker Intensität einen signifikanten Beitrag leisten könnte. Die Verbesserung der Abschätzung von KA unter Alltagsbedingungen mittels Akzelerometrie scheint vielversprechend angesichts der fortlaufenden Weiterentwicklung der Technologie und Datenverarbeitung, sowie des Einsatzes von modernen Modellierungsmethoden und Algorithmen, um auch die komplexeren "Roh"-Beschleunigungsdaten zu verarbeiten und zu analysieren. Allgemeingültige Vereinbarungen darüber wie Akzelerometerdaten verarbeitet und welche Daten veröffentlicht werden sollten, würden die Vergleichbarkeit von Studien und die Validität von gepoolten Analysen erhöhen. Letztendlich ermöglicht eine genaue quantitative Beurteilung von KA eine verbesserte Quantifizierung, Charakterisierung und Vorhersage des AEE, sowie eine verbesserte Quantifizierung von Dosis-Wirkungs-Beziehungen und (kausalen) Zusammenhängen zwischen Aktivitätsparametern (einschließlich AEE) und Gesundheitsparametern, was wiederum für die Erstellung von gesundheitsbezogenen Empfehlungen von wesentlicher Bedeutung ist.
Subject(s): prediction model
activity-related energy expenditure
physical activity
cardiometabolic factors
aktivitätsabhängiger Energieumsatz
körperliche Aktivität
kardiometabolische Faktoren
Issue Date: 2021
Date Available: 13-Oct-2021
Exam Date: 9-Dec-2020
Language Code: en
DDC Class: 610 Medizin und Gesundheit
TU Affiliation(s): Fak. 7 Wirtschaft und Management » Inst. Technologie und Management (ITM) » FG Management im Gesundheitswesen
Appears in Collections:Technische Universität Berlin » Publications

Files in This Item:
Format: Adobe PDF | Size: 10.71 MB
DownloadShow Preview

Item Export Bar

This item is licensed under a Creative Commons License Creative Commons