Technology for home-based frailty assessment and prediction: A systematic review
Notice bibliographique
Résumé
Background: The current clinical frailty assessments are time-consuming and subjective which can lead to inaccurate results and delayed medical attention.Sensor technology and artificial intelligence enable home-based frailty assessment; however, there are no systematic reviews of existing technological methods for home-based frailty assessment and prediction.Objective: To analyze and synthesize the frailty criteria, sensor technology, and the statistical or artificial intelligence methods used in home-based frailty assessment and prediction.Methods: An exhaustive database search was performed.Three reviewers screened all studies by following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines.The sensors and AI used for assessing frailty were synthesized with a particular focus on home-based technology.The Sackett's Level of Evidence Scale was also used to evaluate clinical evidence for the included studies.Results: Body-worn sensors were the most commonly used (72%) technology in homebased frailty assessment.All of the body-worn sensors were accelerometer-based. 88% of the included studies measured physical activity for assessing frailty commonly defined by Fried's Frailty Index (75%).Heterogenous machine learning algorithms have been applied for classifying frailty.However, none of the AI methods were tested for the predictability of frailty.Only one longitudinal study followed up older participants for 10 years and revealed a high odds ratio for the development of frailty using physical activity. Conclusion:The database search was limited to definitions of physical frailty and the English language.Various types of sensor technology with good accuracy are used to measure specific frailty criteria and functional tests.However, there is a lack of longitudinal studies for predicting frailty progression.To date, there is limited testing of the sensors using older populations with functional and cognitive comorbidities and because they are at higher risk of frailty they should be a priority moving forward.
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 | 0,008 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».