A Platform to Study the Effects of Home Environment on Health and Wellbeing of Older Adults
Notice bibliographique
Résumé
Abstract While older adults’ living environment is rarely well-tuned to their specific needs, technological advances provide new opportunities to understand, and ultimately optimize, the relationship between the home environment and health outcomes. We aimed to establish proof-of-concept and feasibility of a platform enabling real-time, high-frequency, and simultaneous monitoring of environment, biological variables, and outcomes related to health and wellbeing in older adults. We recruited 7 participants (6 females, 1 male, aged 78-90, MoCA scores 14–28), installed environmental sensors measuring temperature, humidity, and CO2 inside their homes, provided them with wearables that measure sleep, activity, body temperature, and heart rhythms, and asked them to use a tablet to complete four sets of questionnaires and cognitive tests per day for three consecutive weeks. Environmental sensors collected data with no disruption or complaint from participants. Average compliance with the wearables was 81% (ring) and 60% (watch). All participants preferred the ring due to ease-of-use. Compliance was better in those with higher MoCA scores. Three participants were able to use the tablet successfully and completed 90% of prescribed questionnaires and cognitive tests. Cognitive and/or motor issues prevented the other participants from using the tablet. Exit interviews revealed that participants would prefer to complete a maximum of two sets of daily questionnaires and cognitive tests (five minutes each) in longer-term studies. These results suggest that it is feasible to study the impact of the environment on biological rhythms, cognition, and other outcomes in older adults and provide recommendations for ensuring long-term compliance with the protocol.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».