Evaluation of Falls Risk in Community-Dwelling Older Adults Using Body-Worn Sensors
Notice bibliographique
Résumé
BACKGROUND: Falls are the most common cause of injury and hospitalization and one of the principal causes of death and disability in older adults worldwide. This study aimed to determine if a method based on body-worn sensor data can prospectively predict falls in community-dwelling older adults, and to compare its falls prediction performance to two standard methods on the same data set. METHODS: Data were acquired using body-worn sensors, mounted on the left and right shanks, from 226 community-dwelling older adults (mean age 71.5 ± 6.7 years, 164 female) to quantify gait and lower limb movement while performing the 'Timed Up and Go' (TUG) test in a geriatric research clinic. Participants were contacted by telephone 2 years following their initial assessment to determine if they had fallen. These outcome data were used to create statistical models to predict falls. RESULTS: Results obtained through cross-validation yielded a mean classification accuracy of 79.69% (mean 95% CI: 77.09-82.34) in prospectively identifying participants that fell during the follow-up period. Results were significantly (p < 0.0001) more accurate than those obtained for falls risk estimation using two standard measures of falls risk (manually timed TUG and the Berg balance score, which yielded mean classification accuracies of 59.43% (95% CI: 58.07-60.84) and 64.30% (95% CI: 62.56-66.09), respectively). CONCLUSION: Results suggest that the quantification of movement during the TUG test using body-worn sensors could lead to a robust method for assessing future falls risk.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».