Innovation through Wearable Sensors to Collect Real-Life Data among Pediatric Patients with Cardiometabolic Risk Factors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background. While increasing evidence links environments to health behavior, clinicians lack information about patients' physical activity levels and lifestyle environments. We present mobile health tools to collect and use spatio-behavioural lifestyle data for personalized physical activity plans in clinical settings. Methods. The Dyn@mo lifestyle intervention was developed at the Sainte-Justine University Hospital Center to promote physical activity and reduce sedentary time among children with cardiometabolic risk factors. Mobility, physical activity, and heart rate were measured in free-living environments during seven days. Algorithms processed data to generate spatio-behavioural indicators that fed a web-based interactive mapping application for personalised counseling. Proof of concept and tools are presented using data collected among the first 37 participants recruited in 2011. Results. Valid accelerometer data was available for 5.6 (SD = 1.62) days in average, heart rate data for 6.5 days, and GPS data was available for 6.1 (2.1) days. Spatio-behavioural indicators were shared between patients, parents, and practitioners to support counseling. Conclusion. Use of wearable sensors along with data treatment algorithms and visualisation tools allow to better measure and describe real-life environments, mobility, physical activity, and physiological responses. Increased specificity in lifestyle interventions opens new avenues for remote patient monitoring and intervention.
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 |
| 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 découle