Facilitators and barriers to real-life mobility in community-dwelling older adults: a narrative review of accelerometry- and global positioning system-based studies
Notice bibliographique
Résumé
Real-life mobility, also called "enacted" mobility, characterizes an individual's activity and participation in the community. Real-life mobility may be facilitated or hindered by a variety of factors, such as physical abilities, cognitive function, psychosocial aspects, and external environment characteristics. Advances in technology have allowed for objective quantification of real-life mobility using wearable sensors, specifically, accelerometry and global positioning systems (GPSs). In this review article, first, we summarize the common mobility measures extracted from accelerometry and GPS. Second, we summarize studies assessing the associations of facilitators and barriers influencing mobility of community-dwelling older adults with mobility measures from sensor technology. We found the most used accelerometry measures focus on the duration and intensity of activity in daily life. Gait quality measures, e.g., cadence, variability, and symmetry, are not usually included. GPS has been used to investigate mobility behavior, such as spatial and temporal measures of path traveled, location nodes traversed, and mode of transportation. Factors of note that facilitate/hinder community mobility were cognition and psychosocial influences. Fewer studies have included the influence of external environments, such as sidewalk quality, and socio-economic status in defining enacted mobility. Increasing our understanding of the facilitators and barriers to enacted mobility can inform wearable technology-enabled interventions targeted at delaying mobility-related disability and improving participation of older adults in the community.
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 | 0,015 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».