Sleep monitoring challenges in patients with neurocognitive disorders: A cross‐sectional analysis of missing data from activity trackers
Notice bibliographique
Résumé
Abstract Background and Aims Activity monitors, such as Fitbits®, are being used increasingly for research purposes and data have been validated in healthy community‐dwelling older adults. Given the lack of research in older adults with neurocognitive disorders, we investigated the consistency of sleep data recorded from a wrist‐worn activity monitor in this population. Methods Fitbit® activity monitors were worn by hospitalized older adults as part of a parent study investigating sleep and step count in patients recovering from hip fracture surgery in a tertiary care academic hospital in Hamilton, Canada between March 2018 and June 2019. In this secondary analysis, we compared the proportion of missing sleep data between participants with and without a neurocognitive disorder and used a multivariable model to assess the association between neurocognitive disorder and missing sleep data. Results Of 67 participants included in the analysis, 22 had a neurocognitive disorder (median age: 86.5 years). Sleep data were missing for 47% of the neurocognitive disorder group and 23% of the non‐neurocognitive disorder group. The presence of a neurocognitive disorder was associated with an increased likelihood of missing sleep data using the Fitbit® activity monitors (adjusted odds ratio: 3.41; 95% confidence interval: 1.06–11.73, p = 0.04). Conclusion The inconsistent nature of sleep data tracking in hospitalized older adults with neurocognitive disorders highlights the challenges of using interventions in patient populations who are often excluded from validation studies. As opportunities expand for activity monitoring in persons with neurocognitive disorders, novel technologies not previously studied in this group should be used with caution.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».