Can meditation improve attention in older adults? Study protocol for a 4-week proof-of-concept intervention
Notice bibliographique
Résumé
BACKGROUND: Falls are a major health care concern for our aging population. Previous research has identified impaired sustained attention as a risk factor for falls. Recently, meditation has been shown to improve different types of attention in various populations. However, there are no studies to date examining whether meditation training can improve sustained attention and mobility in older adults. METHODS: We are conducting a 4-week proof-of-concept meditation intervention. We will recruit community-dwelling older adults. Participants will be randomized into one of two groups: (1) meditation training or (2) music listening (control). All participants will complete three 20-min group sessions per week and will be encouraged to continue their practice independently on the remaining days each week. Our primary outcome measure is behavioral performance on the Sustained Attention to Response Task (SART). Our secondary and tertiary outcomes include electroencephalograms (EEG) to assess attention and cognitive processing, mobility, and executive function. DISCUSSION: Our proof-of-concept intervention aims to examine whether meditation training can improve sustained attention in older adults, who are known to be susceptible to falls. Importantly, our research has the potential to inform future clinical trials aimed at improving mobility and reducing falls risk in our aging population. TRIAL REGISTRATION: Clinicaltrials.gov ID NCT03417635.
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 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 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 ».