Do Extreme Values of Daily-Life Gait Characteristics Provide More Information About Fall Risk Than Median Values?
Notice bibliographique
Résumé
BACKGROUND: Gait characteristics estimated from daily-life trunk accelerations reflect gait quality and are associated with fall incidence in older adults. While associations are based on median values of these gait characteristics, their extreme values may reflect either high-risk situations or steady-state gait and may thus be more informative in relation to fall risk. OBJECTIVE: The objective of this study was to improve fall-risk prediction models by examining whether the use of extreme values strengthens the associations with falls. METHODS: Trunk acceleration data (Dynaport MoveMonitor) were collected from 202 older adults over a full week. From all walking episodes, we estimated the median and, as reliable estimates of the extremes, the 10th and 90th percentiles of gait characteristics, all over 10-second epochs. In addition, the amount of daily activities was derived from the acceleration data, and participants completed fall-risk questionnaires. Participants were classified as fallers based on one or more falls during 6 months of follow-up. Univariate analyses were performed to investigate whether associations with falls were stronger for the extremes than for the medians. Subsequently, three fall-risk models were compared: (1) using questionnaire data only, (2) adding the amount of activities and medians of gait characteristics, and (3) using extreme values instead of medians in the case of stronger univariate associations of the extremes. RESULTS: Stronger associations were found for the extreme characteristics reflecting high regularity, low frequency variability, and low local instability in anterior-posterior direction, for high symmetry in all directions and for low entropy in anterior-posterior and vertical directions. The questionnaire-only model improved significantly by adding activities and gait characteristics' medians. Replacing medians by extremes with stronger associations did improve the fall prediction model, but not significantly. CONCLUSIONS: Associations were stronger for extreme values, indicating "high gait quality" situations (ie, 10th and 90th percentiles in case of positive and negative associations, respectively) and not for "low gait quality" situations. This suggests that gait characteristics during optimal performance gait provide more information about the risk of falling than high-risk situations. However, their added value over medians in prediction is limited.
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 | 0,007 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».