P171: Identifying pre-agitation biometric signature in dementia patients: A feasibility study
Notice bibliographique
Résumé
Objectives:Agitation and aggression (AA) occur frequently in patients with dementia (PwD), are challenging to manage, and are distressing for PwD, families, caregivers, and healthcare systems. Physiological parameters, such as Actigraphy, Heart Rate Variability, and Electrodermal Activity, measured via wearable sensors are correlated with AA in PwD. It is unclear whether these parameters could be compiled into an operational algorithm to create a pre-agitation biometric marker (i.e. parameters of Autonomous Nervous System’s arousal: elevated EDA, more frequent HR, lower heart rate variability (HRV), as well as higher motor activity) capable of predicting episodes of AA. This study will assess the feasibility and clinical utility of collecting physiological parameters via wearable multi-sensor Empatica E4 device in relation to clinically recorded episodes of AA in PwD.Methods:This study is leveraging a clinical trial (ClinicalTrials.gov/NCT04516057) taking place at Ontario Shores Centre for Mental Health Sciences. Participants are inpatients, males and females, 55-years old or older, with clinically significant AA, and a diagnosis of a Major Neurocognitive Disorder due to Alzheimer’s disease or multiple aetiologies. Participants wear the E4 device for 48 to 72 hours on three occasions during the 8-week study period. Participant demographics, and clinical measures used to assess behavior are collected at specific time intervals during the study period.Results:The study is ongoing and currently to-date we have been able to acquire approximately 240 hours of recordings from patients. We will be presenting feasibility data (proportion of participants successfully completing a minimum 48-hours of recordings), correlation analysis between physiological measures and clinical measures to identify pre-agitation triggers. Further, we will use generalized linear models to test whether physiological measures can predict pre-agitation triggers. This study will allow estimation of sample size needed to detect a meaningful effect size, which will be determined from the prediction model. Deep learning using Python will be used to create a predictive algorithm using the physiological data to profile participants’ behaviors and detect pre-agitation triggers.Conclusion:Early detection of AA in PwD will allow caregivers to offer timely, ndividualized, non-medical or medical interventions which will help avoid crises and critical incidents and improve quality of life of the 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 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 ».