MétaCan
Menu
Retour à la cohorte
Enregistrement W4392199824 · doi:10.1038/s41514-024-00141-9

Your move: A precision medicine framework for physical activity in aging

2024· article· en· W4392199824 sur OpenAlexafffund
Adrián Noriega de la Colina, Timothy P. Morris, Arthur F. Kramer, Navin Kaushal, Maiya R. Geddes

Notice bibliographique

Revuenpj Aging · 2024
Typearticle
Langueen
DomaineMedicine
ThématiquePhysical Activity and Health
Établissements canadiensMcGill UniversityMcGill University Health CentreMontreal Neurological Institute and Hospital
Organismes subventionnairesNational Institute on AgingFonds de Recherche du Québec - SantéRéseau québécois de recherche sur le vieillissementHealth CanadaFonds de Recherche du Québec-Société et CultureAlzheimer's SocietyCanadian Institutes of Health ResearchNatural Sciences and Engineering Research Council of CanadaFondation Brain CanadaCIHR Skin Research Training CentreCanadian Bee Research FundU.S. Department of Health and Human ServicesNational Institutes of HealthGovernment of Canada
Mots-clésPsychological interventionPrecision medicineWearable computerIntervention (counseling)Wearable technologyBaseline (sea)Healthy agingPhysical activityComputer scienceDigital healthHuman–computer interactionPsychologyData sciencePhysical medicine and rehabilitationGerontologyMedicineHealth carePolitical scienceEmbedded systemNursing

Résumé

récupéré en direct d'OpenAlex

The accelerating digital health landscape, coupled with the proliferation of wearable devices and advanced neuroimaging, offers an unprecedented avenue to develop precision interventions for enhancing physical activity in aging. This approach requires deep baseline phenotyping to match older adults with the intervention poised to yield maximal health benefits. However, building sufficient evidence to translate precision physical activity recommendations into clinical practice requires a collaborative effort that includes accessible open data. We propose a strategic roadmap to design and implement personalized programs, effectively decreasing physical inactivity and bolstering adherence among older adults.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,902
Score d'incertitude au seuil0,473

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,081
Tête enseignante GPT0,438
Écart entre enseignants0,357 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuenpj AgingMême sujetPhysical Activity and HealthTravaux en français237 207