Using Accelerometer Data to Identify Physical Activity Profiles in the Osteoarthritis Initiative
Notice bibliographique
Résumé
Introduction: Osteoarthritis is a chronic joint disease with no current cure, affecting around 500 million people worldwide. Evidence suggests that physical activity has beneficial effects, but the ideal “prescription” of exercise remains unknown. The Osteoarthritis Initiative is a longitudinal, prospective, observational study with over 10 years of follow-up with accelerometer data from 2712 subjects. In this project, we used a data-driven approach to identify physical activity patterns based on daily accelerometer information. Using these patterns, we established profiles and determined if associations exist between the created profiles and known correlates and symptomatic outcomes of osteoarthritis such as pain.
 Methods: Physical activity curves for subjects with accelerometer data from the Osteoarthritis Initiative were aligned using curve registration methods. Once curves were aligned, subjects were grouped into profiles using k-medoid clustering. The outcome of pain was measured by the total Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC) score. A linear regression model was used to determine if an association exists between the defined profiles and the total WOMAC score.
 Results: K-medoid clustering of physical activity curves resulted in two profiles. However, there was no association between the defined profiles and the total WOMAC score at the alpha level of 0.05.
 Discussion: The developed profiles are not associated with the total WOMAC score. While the created profiles are not associated with symptomatic outcomes, it is of interest to explore if they provide prediction abilities for structural outcomes such as joint space width and radiographic classification of osteoarthritis such as the Kellgren-Lawrence score.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».