Bidragande faktorer som påverkar patientens följsamhet i ögondroppsbehandlingen vid glaukomsjukdom – en litteraturstudie

Bakgrund: Glaukom är en kronisk progressiv ögonsjukdom och en av den främsta orsaken till blindhet i världen. Intraockulärt trycksänkande ögondroppar är den vanligaste behandlingsmetoden och följsamhet är mycket viktigt för att minska progression av sjukdomen och risken att bli blind. Tidigare studier har visat att det finns en bristande följsamhet hos patienter med denna behandling. Syfte: Att belysa de faktorer som påverkar patientens följsamhet så att sjuksköterskan ska få en bättre förståelse och kunna vägleda patienten till en bättre följsamhet. Metod: En systematisk litteraturstudie genomfördes baserad på 14 vetenskapliga artiklar med både kvalitativ och kvantitativ ansats. Resultat: Det finns många olika faktorer som påverkar patientens följsamhet i behandlingen med ögondroppar. Det kan vara faktorer som är orsakade av sjukvårdspersonal, av patienten själv samt av miljö/socioekonomiska skäl. Slutsats: Det är viktigt att fortsätta forska på de faktorer som påverkar patienters följsamhet vid ögondroppsbehandling för att sjuksköterskan ska kunna vägleda till en ökad följsamhet.

A Computer Vision Framework For Finger-Tapping Evaluation In Parkinson's Disease

Objective: To define and evaluate a Computer-Vision (CV) method for scoring Paced Finger-Tapping (PFT) in Parkinson's disease (PD) using quantitative motion analysis of index-fingers and to compare the obtained scores to the UPDRS (Unified Parkinson's Disease Rating Scale) finger-taps (FT). Background: The naked-eye evaluation of PFT in clinical practice results in coarse resolution to determine PD status. Besides, sensor mechanisms for PFT evaluation may cause patients discomfort. In order to avoid cost and effort of applying wearable sensors, a CV system for non-invasive PFT evaluation is introduced. Methods: A database of 221 PFT videos from 6 PD patients was processed. The subjects were instructed to position their hands above their shoulders besides the face and tap the index-finger against the thumb consistently with speed. They were facing towards a pivoted camera during recording. The videos were rated by two clinicians between symptom levels 0-to-3 using UPDRS-FT. The CV method incorporates a motion analyzer and a face detector. The method detects the face of testee in each video-frame. The frame is split into two images from face-rectangle center. Two regions of interest are located in each image to detect index-finger motion of left and right hands respectively. The tracking of opening and closing phases of dominant hand index-finger produces a tapping time-series. This time-series is normalized by the face height. The normalization calibrates the amplitude in tapping signal which is affected by the varying distance between camera and subject (farther the camera, lesser the amplitude). A total of 15 features were classified using K-nearest neighbor (KNN) classifier to characterize the symptoms levels in UPDRS-FT. The target ratings provided by the raters were averaged. Results: A 10-fold cross validation in KNN classified 221 videos between 3 symptom levels with 75% accuracy. An area under the receiver operating characteristic curves of 82.6% supports feasibility of the obtained features to replicate clinical assessments. Conclusions: The system is able to track index-finger motion to estimate tapping symptoms in PD. It has certain advantages compared to other technologies (e.g. magnetic sensors, accelerometers etc.) for PFT evaluation to improve and automate the ratings