Assessing Upper Extremity Motion: An Innovative Method to Identify Frailty
Notice bibliographique
Résumé
OBJECTIVES: To objectively identify frailty using wireless sensors and an innovative upper extremity motion assessment routine that does not rely on gait. DESIGN: Validation study. SETTING: Southwestern tertiary academic medical center, Tucson, Arizona. PARTICIPANTS: Convenience subsample of the Arizona Frailty Cohort, a community-dwelling older adults (≥65; n = 117; 50 nonfrail, 51 prefrail, 16 frail). MEASUREMENTS: Wireless sensors were attached to the upper arm and forearm with bands, and subjects performed repetitive elbow flexion for 20 seconds on each side. Information was extracted on objective slowness, weakness, exhaustion, and flexibility measures, and associations between parameters and Fried frailty categories were determined. RESULTS: Speed of elbow flexion (slowness) was 29% less in prefrail and 59% less in frail than in nonfrail controls (P < .001), power of movement (weakness) was 61% less in prefrail and 89% less frail (P < .001), and speed variation (exhaustion) was 35% more in prefrail and 272% more in frail (P < .001). Using elbow flexion parameters in regression models, sensitivity and specificity of 100% were achieved in predicting frailty and sensitivity of 87% and specificity of 95% in predicting prefrailty compared to Fried frailty category. CONCLUSION: The suggested innovative upper extremity frailty assessment method integrates low-cost sensors, and the physical assessment is easily performed in less than 1 minute. The uniqueness of the proposed technology is its applicability in older nonambulatory individuals, such as those in emergency settings. Further improvement is warrant to make it suitable for routine clinical applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».