P2‐387: Daily Routine Monitoring in Older Adults through a Lightweight Sensor, Non‐Intrusive Infrastructure
Notice bibliographique
Résumé
The avoidance of institutionalization in older adults with or without cognitive decline is of paramount importance from a public health perspective (Piau, Campo et al. 2014). One of the challenges of assistive technology is to effectively monitor Activities of Daily Living (ADLs) in order to ensure that they are performed adequately. This is an important step toward preventing incidents (e.g. fall or intrusion) and detecting eventual functional decline through longitudinal observations. Twenty community-dwelling older adults were recruited. Participants were all aged 70 over (m=81 yo), with a score over 25 on the Mini-Mental Examination State, and were moderate to fully autonomous (GIR 4-6: an autonomy scale used in France). Participants were asked to sketch their daily ADLs routine (time at which they wake up, eat, shower, etc.). A set of 11 sensors (motion, contact, and electric) were installed, for 5 to 12 months in each participant’s home (see Caroux, Consel, Dupuy, Sauzéon, 2014 for details). Then, we calculated the most probabilistic routine for each selected ADLs based solely on the data collected, with minimal a priori on time frames or durations for each ADL. Reported routine was compared to the observed routine to validate formulas. For all ADLs mixed together, reported and observed routines strongly correlated, r(113) = .978, p < .001. Moreover, significant correlations were observed for each respective ADLs, despite moderate inter-subject variability (waking up: r(19)=.652, breakfast: r(18)=.652, dressing/showering: r(19)=.819, lunch: r(20)=.534, dinner: r(20) = .550, going to sleep: r(20)=.485).
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,008 | 0,002 |
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 ».