Review of fall risk assessment in geriatric populations using inertial sensors
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: Falls are a prevalent issue in the geriatric population and can result in damaging physical and psychological consequences. Fall risk assessment can provide information to enable appropriate interventions for those at risk of falling. Wearable inertial-sensor-based systems can provide quantitative measures indicative of fall risk in the geriatric population. METHODS: Forty studies that used inertial sensors to evaluate geriatric fall risk were reviewed and pertinent methodological features were extracted; including, sensor placement, derived parameters used to assess fall risk, fall risk classification method, and fall risk classification model outcomes. RESULTS: Inertial sensors were placed only on the lower back in the majority of papers (65%). One hundred and thirty distinct variables were assessed, which were categorized as position and angle (7.7%), angular velocity (11.5%), linear acceleration (20%), spatial (3.8%), temporal (23.1%), energy (3.8%), frequency (15.4%), and other (14.6%). Fallers were classified using retrospective fall history (30%), prospective fall occurrence (15%), and clinical assessment (32.5%), with 22.5% using a combination of retrospective fall occurrence and clinical assessments. Half of the studies derived models for fall risk prediction, which reached high levels of accuracy (62-100%), specificity (35-100%), and sensitivity (55-99%). CONCLUSIONS: Inertial sensors are promising sensors for fall risk assessment. Future studies should identify fallers using prospective techniques and focus on determining the most promising sensor sites, in conjunction with determination of optimally predictive variables. Further research should also attempt to link predictive variables to specific fall risk factors and investigate disease populations that are at high risk of falls.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découle