Identifying pre-agitation biometric signature in patients with dementia: A feasibility study
Notice bibliographique
Résumé
Background:Agitation and aggression (AA) occur frequently in patients with dementia (PwD), and cause distress to PwD and caregivers. This study will investigate whether physiological parameters, such as actigraphy, heart rate variability, temperature, and electrodermal activity, measured via wearable sensors, correlate with AA in PwD. It will also explore whether these parameters could be compiled to create a pre-agitation biometric marker capable of predicting episodes of AA in PwD.Methods:This study will take place at Ontario Shores Centre for Mental Health Sciences. Thirty inpatient participants who are inpatients, males, and females, aged 60 or older, with clinically significant AA, and diagnosis of Major Neurocognitive Disorder will be recruited. Participants will wear the device for 48 to 72 hours on three occasions during an 8-week study period. Participant demographics and clinical measures used to assess behavior will be collected at specific time intervals during the study period.Ceiling mounted cameras and clinical data are collected to annotate episodes of AA, which will allow identification of peripheral physiological markers “signature” unique to the patientResults:the algorithm connecting wearable devices, cloud and cameras was tested on healthy volunteers and demonstrated feasibility and reliability. The feasibility of implementation in PwD has been demonstrated in our sample of PwD previously in a sample of 6 participants. Feasibility in this larger sample will be assessed. Correlation analysis between physiological measures, camera capture of agitation onset and clinical measures will be calculated to identify agitation events and pre-agitation triggers. Various machine learning and features extraction/exploration techniques will be used to test whether physiological measures can detect exact time of agitation and predict pre-agitation triggers. This study will provide a reasonable estimation of sample size needed to detect a meaningful effect size, which will be determined from the prediction model.Conclusion:Early detection of AA in PwD will allow caregivers to offer timely and personalized interventions which will help avoid crises and critical incidents and improve quality of life in PwD and their caregivers.
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 | 0,002 | 0,006 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».