Fall Risk Classification in Community-Dwelling Older Adults Using a Smart Wrist-Worn Device and the Resident Assessment Instrument-Home Care: Prospective Observational Study
Notice bibliographique
Résumé
Background: Little is known about whether off-the-shelf wearable sensor data can contribute to fall risk classification or complement clinical assessment tools such as the Resident Assessment Instrument-Home Care (RAI-HC). Methods: A prospective, observational study was conducted among 3 faller groups (G0, G1, G2+) based on the number of previous falls (0, 1, ≥2 falls) in a sample of older community-dwelling adults. Each participant was requested to wear a smart wristband for 7 consecutive days while carrying out day-to-day activities in their normal lives. The wearable and RAI-HC assessment data were analyzed and utilized to create fall risk classification models, with 3 supervised machine learning algorithms: logistic regression, decision tree, and random forest (RF). Results: Of 40 participants aged 65 to 93 years, 16 (40%) had no previous falls, whereas 8 (20%) and 16 (40%) had experienced 1 and multiple (≥2) falls, respectively. Level of PA as measured by average daily steps was significantly different between groups (P=.04). In the 3 faller group classification, RF achieved the best accuracy of 83.8% using both wearable and RAI-HC data, which is 13.5% higher than that of using the RAI-HC data only and 18.9% higher than that of using wearable data exclusively. In discriminating between {G0+G1} and G2+, RF achieved the best area under the receiver operating characteristic curve of 0.894 (overall accuracy of 89.2%) based on wearable and RAI-HC data. Discrimination between G0 and {G1+G2+} did not result in better classification performance than that between {G0+G1} and G2+. Conclusions: Both wearable data and the RAI-HC assessment can contribute to fall risk classification. All the classification models revealed that RAI-HC outperforms wearable data, and the best performance was achieved with the combination of 2 datasets. Future studies in fall risk assessment should consider using wearable technologies to supplement resident assessment instruments.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».