Feasibility of Measuring Smartphone Accelerometry Data During a Weekly Instrumented Timed Up-and-Go Test After Emergency Department Discharge: Prospective Observational Cohort Study
Notice bibliographique
Résumé
Background: Older adults discharged from the emergency department (ED) face elevated risk of falls and functional decline. Smartphones might enable remote monitoring of mobility after ED discharge, yet their application in this context remains underexplored. Objective: This study aimed to assess the feasibility of having older adults provide weekly accelerometer data from an instrumented Timed Up-and-Go (TUG) test over an 11-week period after ED discharge. Methods: This single-center, prospective, observational, cohort study recruited patients aged 60 years and older from an academic ED. Participants downloaded the GaitMate app to their iPhones that recorded accelerometer data during 11 weekly at-home TUG tests. We measured adherence to TUG test completion, quality of transmitted accelerometer data, and participants' perceptions of the app's usability and safety. Results: Of the 617 approached patients, 149 (24.1%) consented to participate, and of these 149 participants, 9 (6%) dropped out. Overall, participants completed 55.6% (912/1639) of TUG tests. Data quality was optimal in 31.1% (508/1639) of TUG tests. At 3-month follow-up, 83.2% (99/119) of respondents found the app easy to use, and 95% (114/120) felt safe performing the tasks at home. Barriers to adherence included the need for assistance, technical issues with the app, and forgetfulness. Conclusions: The study demonstrates moderate adherence yet high usability and safety for the use of smartphone TUG tests to monitor mobility among older adults after ED discharge. Incomplete TUG test data were common, reflecting challenges in the collection of high-quality longitudinal mobility data in older adults. Identified barriers highlight the need for improvements in user engagement and technology design.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».