A Digital Health Fall Prevention Program for Older Adults: Feasibility Study
Notice bibliographique
Résumé
BACKGROUND: About 1 in 3 adults aged 65 and older falls annually. Exercise interventions are effective in reducing the fall risk and fall rate among older adults. In 2020, startup company Age Bold Inc. disseminated the Bold Fall Prevention Program, aiming to reduce falls among older adults through a remotely delivered, digital exercise program. OBJECTIVE: We conducted a feasibility study to assess the delivery of the Bold Fall Prevention Program remotely and evaluate the program's impact on 2 primary outcomes-annualized fall rate and weekly minutes of physical activity (PA)-over 6 months of follow-up. METHODS: Older adults at high risk of falling were screened and recruited for the feasibility study via nationwide digital advertising strategies. Self-reported outcomes were collected via surveys administered at the time of enrollment and after 3 and 6 months. Responses were used to calculate changes in the annualized fall rate and minutes of PA per week. RESULTS: The remote delivery of a progressive digital fall prevention program and associated research study, including remote recruitment, enrollment, and data collection, was deemed feasible. Participants successfully engaged at home with on-demand video exercise classes, self-assessments, and online surveys. We enrolled 65 participants, of whom 48 (74%) were women, and the average participant age was 72.6 years. Of the 65 participants, 54 (83%) took at least 1 exercise class, 40 (62%) responded to at least 1 follow-up survey at either 3 or 6 months, 20 (31%) responded to both follow-up surveys, and 25 (39%) were lost to follow-up. Among all participants who completed at least 1 follow-up survey, weekly minutes of PA increased by 182% (ratio change=2.82, 95% CI 1.26-6.37, n=35) from baseline and annualized falls per year decreased by 46% (incidence rate ratio [IRR]=0.54, 95% CI 0.32-0.90, n=40). Among only 6-month survey responders (n=31, 48%), weekly minutes of PA increased by 206% (ratio change=3.06, 95% CI 1.43-6.55) from baseline to 6 months (n=30, 46%) and the annualized fall rate decreased by 28% (IRR=0.72, 95% CI 0.42-1.23) from baseline to 6 months. CONCLUSIONS: The Bold Fall Prevention Program provides a feasible strategy to increase PA and reduce the burden of falls among older adults.
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».