The Impact of Reducing the Number of Wearable Devices on Measuring Gait in Parkinson Disease: Noninterventional Exploratory Study
Notice bibliographique
Résumé
BACKGROUND: Measuring free-living gait using wearable devices may offer higher granularity and temporal resolution than the current clinical assessments for patients with Parkinson disease (PD). However, increasing the number of devices worn on the body adds to the patient burden and impacts the compliance. OBJECTIVE: This study aimed to investigate the impact of reducing the number of wearable devices on the ability to assess gait impairments in patients with PD. METHODS: A total of 35 volunteers with PD and 60 healthy volunteers performed a gait task during 2 clinic visits. Participants with PD were assessed in the On and Off medication state using the Movement Disorder Society version of the Unified Parkinson Disease Rating Scale (MDS-UPDRS). Gait features derived from a single lumbar-mounted accelerometer were compared with those derived using 3 and 6 wearable devices for both participants with PD and healthy participants. RESULTS: A comparable performance was observed for predicting the MDS-UPDRS gait score using longitudinal mixed-effects model fit with gait features derived from a single (root mean square error [RMSE]=0.64; R2=0.53), 3 (RMSE=0.64; R2=0.54), and 6 devices (RMSE=0.54; R2=0.65). In addition, MDS-UPDRS gait scores predicted using all 3 models differed significantly between On and Off motor states (single device, P=.004; 3 devices, P=.004; 6 devices, P=.045). CONCLUSIONS: We observed a marginal benefit in using multiple devices for assessing gait impairments in patients with PD when compared with gait features derived using a single lumbar-mounted accelerometer. The wearability burden associated with the use of multiple devices may offset gains in accuracy for monitoring gait under free-living conditions.
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 | 0,000 |
| 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 ».