Innovation through Wearable Sensors to Collect Real-Life Data among Pediatric Patients with Cardiometabolic Risk Factors
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.
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 | 0,002 | 0,006 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».