User-centered design of feedback regarding health-related behaviors derived from wearables: An approach targeting older adults and persons living with neurodegenerative disease
Notice bibliographique
Résumé
Objective: There has been tremendous growth in wearable technologies for health monitoring but limited efforts to optimize methods for sharing wearables-derived information with older adults and clinical cohorts. This study aimed to co-develop, design and evaluate a personalized approach for information-sharing regarding daily health-related behaviors captured with wearables. Methods: A participatory research approach was adopted with: (a) iterative stakeholder, and evidence-led development of feedback reporting; and (b) evaluation in a sample of older adults (n = 15) and persons living with neurodegenerative disease (NDD) (n = 25). Stakeholders included persons with lived experience, healthcare providers, health charity representatives and individuals involved in aging/NDD research. Feedback report information was custom-derived from two limb-mounted inertial measurement units and a mobile electrocardiography device worn by participants for 7-10 days. Mixed methods were used to evaluate reporting 2 weeks following delivery. Data were summarized using descriptive statistics for the group and stratified by cohort and cognitive status. Results: Participants (n = 40) were 60% female (median 72 (60-87) years). A total of 82.5% found the report easy to read or understand, 80% reported the right amount of information was shared, 90% found the information helpful, 92% shared the information with a family member or friend and 57.5% made a behavior change. Differences emerged in sub-group comparisons. A range of participant profiles existed in terms of interest, uptake and utility. Conclusions: The reporting approach was generally well-received with perceived value that translated into enhanced self-awareness and self-management of daily health-related behaviors. Future work should examine potential for scale, and the capacity for wearables-derived feedback to influence longer-term behavior change.
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 | 0,017 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».