Smart Monitoring of Population Health Risk Behaviour
Notice bibliographique
Résumé
Monitoring population-level health-risk behaviour is integral to preventing chronic diseases (i.e., diabetes, cardiovascular disease, cancer, etc.). Physical activity and sleep are the key behaviours which influence human health. Smart technologies can be used to improve real-time monitoring of risky behaviours. The objective of this study is to explore population- and individual-level remote monitoring of sleep, indoor physical activity and sedentary behaviours in Canada using data from the Internet of Things (IoT) (ecobee smart thermostat) and fitness trackers. Method: 386 person-hours of data were collected in a pilot study (n =8) to validate the motion sensor data from ecobee smart thermostats. Then, using “Donate your Data” data from ecobee indicators of population-level health were calculated. Results: A positive Spearman correlation coefficient 0.8 (p>0.0001) was found between standard fitness tracker data and ecobee sensors validating its use for population-level analysis. Our results were similar to the Public Health Agency of Canada’s results derived from self-reported surveillance methods. Discussion: This project demonstrates the use of data from non-health sources, like ubiquitous IoT to curate population- and individual-level health indicators. We will deliver novel indicators and insights into health status through the creation of user-centered designed dashboards for individuals, researchers, and policy-makers.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».