Technology for home-based frailty assessment and prediction: A systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 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 découle