Consumer-Grade Wearable Device for Predicting Frailty in Canadian Home Care Service Clients: Prospective Observational Proof-of-Concept Study
Notice bibliographique
Résumé
BACKGROUND: Frailty has detrimental health impacts on older home care clients and is associated with increased hospitalization and long-term care admission. The prevalence of frailty among home care clients is poorly understood and ranges from 4.0% to 59.1%. Although frailty screening tools exist, their inconsistent use in practice calls for more innovative and easier-to-use tools. Owing to increases in the capacity of wearable devices, as well as in technology literacy and adoption in Canadian older adults, wearable devices are emerging as a viable tool to assess frailty in this population. OBJECTIVE: The objective of this study was to prove that using a wearable device for assessing frailty in older home care clients could be possible. METHODS: From June 2018 to September 2019, we recruited home care clients aged 55 years and older to be monitored over a minimum of 8 days using a wearable device. Detailed sociodemographic information and patient assessments including degree of comorbidity and activities of daily living were collected. Frailty was measured using the Fried Frailty Index. Data collected from the wearable device were used to derive variables including daily step count, total sleep time, deep sleep time, light sleep time, awake time, sleep quality, heart rate, and heart rate standard deviation. Using both wearable and conventional assessment data, multiple logistic regression models were fitted via a sequential stepwise feature selection to predict frailty. RESULTS: A total of 37 older home care clients completed the study. The mean age was 82.27 (SD 10.84) years, and 76% (28/37) were female; 13 participants were frail, significantly older (P<.01), utilized more home care service (P=.01), walked less (P=.04), slept longer (P=.01), and had longer deep sleep time (P<.01). Total sleep time (r=0.41, P=.01) and deep sleep time (r=0.53, P<.01) were moderately correlated with frailty. The logistic regression model fitted with deep sleep time, step count, age, and education level yielded the best predictive performance with an area under the receiver operating characteristics curve value of 0.90 (Hosmer-Lemeshow P=.88). CONCLUSIONS: We proved that a wearable device could be used to assess frailty for older home care clients. Wearable data complemented the existing assessments and enhanced predictive power. Wearable technology can be used to identify vulnerable older adults who may benefit from additional home care services.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».