Evaluating predictability in outdoor mobility: A potential pathway to personalized assistance for people with dementia
Notice bibliographique
Résumé
Abstract Background People with dementia (PwD) often become lost, which is commonly attributed to spatial disorientation, one of the earliest symptoms of dementia, particularly of the Alzheimer’s disease type. Spatial disorientation can limit a person's ability to navigate in an outdoor environment. As a result, PwD experience outdoor mobility decline, which, in turn, can have a negative impact on their cognitive functions. Thus, enabling safe outdoor mobility is important for dementia research. Artificial Intelligence (AI) methods in conjunction with Global Positioning System (GPS) data show great potential for supporting the outdoor mobility needs of PwD. The objective of this work is to evaluate the extent to which we can predict future destinations of PwD by learning from their past mobility habits. Method Eight cognitively‐intact older adults (CTL) and seven older adults with dementia completed four weeks of GPS recording. Each participant’s stops and trips were extracted from their trajectories. We determined the predictability of each participant’s mobility patterns using three approaches. First, we assumed each stop is visited with equal probability, thus, disregarding temporal aspects of travel. Next, we built on the previous approach by including stop visitation probability, thus, capturing the heterogeneity of visitations. Finally, to capture the full spatiotemporal characteristics of mobility, we added in‐depth temporal characteristics including the visitation frequency, the order in which the stops were visited, and the time spent at each stop. Result Relying solely on the spatial dimension of mobility yielded no predictive power across the two groups. Adding the heterogeneity of visitation patterns, we observed an increase in the predictability power; PwD displayed a trend toward higher predictability compared to the CTLs, but the student’s t‐test did not reach statistical significance (0.833±0.085vs.0.768±0.029, t(13)=‐2.06, p=0.06; d=‐1.07). Finally, relying on full spatiotemporal characteristics, a 4‐week record of mobility patterns displayed 95% (SD=2%) and 92% (SD=1%) predictability among PwD and CTLs, respectively. This value was significantly higher among PwD, t(13) = ‐3.39, p<.01; d=‐1.75. Conclusion Our findings offer new perspectives on the predictive mobility models based on GPS data and AI that can be used to provide personalized assistance for outdoor navigation of people with dementia.
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 | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».