Smartphone-based continuous mobility monitoring of Parkinsons disease patients reveals impacts of ambulatory bout length on gait features
Notice bibliographique
Résumé
Smartphone-based remote monitoring is a potential solution for providing long-term, objective assessment of gait and mobility in patients with Parkinsons disease (PD). In the Multiple Ascending Dose study of PRX002/RG7935, forty-four mild to moderate PD patients from cohorts 4 to 6 were included in a smartphone-based assessment for up to 24 weeks, while in a separate control study, thirty-five age-and gender-matched healthy individuals performed the same assessment up to 6 weeks. In total, over 30,000 hours of sensor data from subjects' daily activities were collected. A convolutional recurrent neural network was used for human activity recognition and extracted gait-related activities, followed by a mobility analysis on extracted mobility features during ambulatory bouts and turns. The analysis revealed that PD patients showed significantly lower mobility in terms of average ambulatory bout length - length of time of one continuous ambulatory segment, average per-step power, turn speed, and number of turns per ambulatory minute. In addition, bout-length stratified analysis shows the between-group difference of multiple features is associated with bout lengths. These study results support the potential use of smartphones for long-term mobility monitoring in future clinical practice, and also shed lights on previously inaccessible relationships between bout length and gait features under free-living condition.
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 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) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».