MétaCan
Menu
Retour à la cohorte
Enregistrement W3080875899 · doi:10.2196/19495

Motion-Based Technology for People With Dementia Training at Home: Three-Phase Pilot Study Assessing Feasibility and Efficacy

2020· article· en· W3080875899 sur OpenAlexvenueno aff
Jindong Ding Petersen, Eva Ladekjær Larsen, Karen la Cour, Cecilie von Bülow, Malene Skouboe, Jeanette Reffstrup Christensen, Frans Boch Waldorff

Notice bibliographique

RevueJMIR Mental Health · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueBalance, Gait, and Falls Prevention
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDementiaPhysical medicine and rehabilitationMedicineTraining (meteorology)Phase (matter)PsychologyPhysical therapyGeographyInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Persons with dementia tend to be vulnerable to mobility challenges and hence face a greater risk of fall and subsequent fractures, morbidity, and mortality. Motion-based technologies (MBTs), also called sensor-based technologies or virtual reality, have the potential for assisting physical exercise and training as a part of a disease management and rehabilitation program, but little is known about its' use for people with dementia. OBJECTIVE: The purpose of this pilot study was to investigate the feasibility and efficacy of MBT physical training at home for people with dementia. METHODS: A 3-phase pilot study: (1) baseline start-up, (2) 15 weeks of group training at a local care center twice a week, and (3) 12 weeks of group training reduced to once a week, supplemented with individual MBT training twice a week at home. A total of 26 people with dementia from a municipality in Southern Denmark were eligible and agreed to participate in this study. Three withdrew from the study, leaving 23 participants for the final analysis. Feasibility was measured by the percentage of participants who trained with MBT at home, and their completion rate of total scheduled MBT sessions. Efficacy was evaluated by physical function, measured by Sit-to-Stand (STS), Timed-Up-and-Go (TUG), 6-minute Walk Test (6MW), and 10-meter Dual-task Walking Test (10MDW); cognitive function was measured by Mini-Mental State Examination (MMSE) and Neuropsychiatric Inventory-Questionnaire (NPI-Q); and European Quality of Life 5 dimensions questionnaire (EQOL5) was used for measuring quality of life. Descriptive statistics were applied accordingly. Wilcoxon signed-rank and rank-sum tests were applied to explore significant differences within and between the groups. RESULTS: As much as 12 of 23 participants (52%) used the supplemental MBT training at home. Among them, 6 (50%) completed 75% or more scheduled sessions, 3 completed 25% or less, and 3 completed between 25% and 75% of scheduled sessions. For physical and cognitive function tests, supplementing with MBT training at home showed a tendency of overall stabilization of scores among the group of participants who actively trained with MBT; especially, the 10MDW test even showed a significant improvement from 9.2 to 7.1 seconds (P=.03). We found no positive effect on EQOL5 tests. CONCLUSIONS: More than half of the study population with dementia used MBT training at home, and among them, half had an overall high adherence to the home training activity. Physical function tended to remain stable or even improved among high-adherence MBT individuals. We conclude that MBT training at home may be feasible for some individuals with dementia. Further research is warranted.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: Essai non randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,004
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,098
Tête enseignante GPT0,438
Écart entre enseignants0,340 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Mental HealthMême sujetBalance, Gait, and Falls PreventionTravaux en français237 207