Measuring Repositioning in Home Care for Pressure Injury Prevention and Management
Notice bibliographique
Résumé
Abstract A critical best practice for prevention and management of pressure injuries is regularly repositioning individuals who are at risk of these injuries are when they are in bed. However, despite the widespread agreement of the need for regular repositioning (typically every two hours), adherence to repositioning schedules remains poor in the clinical environment and there are some indications that the situation in home environment is even worse. Our team has recently developed a non-contact system that can continuously determine an individual’s position in bed (left-side lying, right-side lying or supine) using data from a set of inexpensive load cells placed under the bed frame. A proof of principle study showed that our system was able to detect whether healthy participants were supine, left-side lying or right-side lying with 94.2% accuracy in the lab environment. The objective of the present work was to deploy our system into the home environment to evaluate how well the system was able to detect the position of individuals sleeping in their own beds overnight by comparing to ground truth time-lapse camera images using eight machine learning classifiers. Nine participants were recruited for this study and we found our system was able to detect an individual’s position in bed with 98.1% accuracy and an F1 score of 0.982 using the XGBoost classifier. Future work will include using this system to evaluate interventions focused on improving adherence to 2-hour repositioning schedules for pressure injury prevention or management as well as incorporating this technology in a repositioning prompting system to alert caregiver when a patient has remained in the same position for too long.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».