Can a Body-Fixed Sensor Reduce Heisenberg’s Uncertainty When It Comes to the Evaluation of Mobility? Effects of Aging and Fall Risk on Transitions in Daily Living
Notice bibliographique
Résumé
BACKGROUND: Functional performance-based tests like the Timed Up and Go test (TUG) and its subtasks have been associated with fall risk, future disability, nursing home admission, and other poor outcomes in older adults. However, a single measurement in the laboratory may not fully reflect the subject's condition and everyday performance. To begin to validate an approach based on long-term, continuous monitoring, we investigated the sit-to-walk and walk-to-sit transitions performed spontaneously and naturally during daily living. METHODS: Thirty young adults, 38 older adults, and 33 elderly (idiopathic) fallers were studied. After evaluating mobility and functional performance in the laboratory, participants wore an accelerometer on their lower back for 3 days. We analyzed the sit-to-walk and walk-to-sit transitions using temporal and distribution-related features. Machine learning algorithms assessed the feature set's ability to discriminate between the different cohorts. RESULTS: 5,027 transitions were analyzed. Significant differences were observed between the young and older adults (p < .044) and between the fallers and older adults (p < .032). Machine learning algorithms classified the young and older adult with an accuracy of about 98% and the fallers and the older adults at 88%, which was better than the results achieved using traditional laboratory assessments (~72%). CONCLUSIONS: Features extracted from the multiple transitions recorded during daily living apparently reflect changes associated with aging and fall risk. Long-term monitoring of temporal features and their distribution may be helpful to provide a more complete and accurate assessment of the effects of aging and fall risk on daily function and mobility.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».