Detection of Gait Patterns in Challenging Environments
Notice bibliographique
Résumé
One in three individuals over the age of 65 years (elderly) will fall at least once a year (James, 1993). This probability increases to one in two adults over 80 years (DHA, 2005). Consequently, gait modifications associated with ageing have been linked with increased falls’ probability (Berg, Alessio, Mills, & Tong, 1997; Lord, Sherrington, & Menz, 2001). Despite an increasing research interest in recent times into the aetiology of falls, particularly in the elderly (>65 years), falls continue to be a major public health concern in Australia and worldwide. Fall-related injuries are the leading cause of accidental death in the elderly population, and account for the largest cause of hospitalisation for this population (Lord et al., 2001), with many elderly individuals experiencing physical, social, or functional ramifications following a fall. Consequently, the economic cost of falls to the public health system is escalating, with the total cost of fall injuries reported to be higher than road traffic injuries (DOH, 2004). The majority of falls associated costs include physician consultation, hospital stays, nursing homecare, rehabilitation, medical equipment, home modification and care, community based services, and prescription drugs and administration (DOH, 2004; Lord et al., 2001). Healthcare and related costs associated with falls are expected to double over the next 50 years (Close & Lord, 2006).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».