Assessment of Wearable Device Adherence for Monitoring Physical Activity in Older Adults: Pilot Cohort Study
Notice bibliographique
Résumé
Background: Physical activity has emerged as a modifiable behavioral factor to improve cognitive function. However, research on adherence to remote monitoring of physical activity in older adults is limited. Objective: This study aimed to assess adherence to remote monitoring of physical activity in older adults within a pilot cohort from objective user data, providing insights for the scalability of such monitoring approaches in larger, more comprehensive future studies. Methods: This study included 22 participants from the Boston University Alzheimer's Disease Research Center Clinical Core. These participants opted into wearing the Verisense watch as part of their everyday routine during 14-day intervals every 3 months. Eighteen continuous physical activity measures were assessed. Adherence was quantified daily and cumulatively across the follow-up period. The coefficient of variation was used as a key metric to assess data consistency across participants over multiple days. Day-to-day variability was estimated by calculating intraclass correlation coefficients using a 2-way random-effects model for the baseline, second, and third days. Results: Adherence to the study on a daily basis outperformed cumulative adherence levels. The median proportion of adherence days (wearing time surpassed 90% of the day) stood at 92.1%, with an IQR spanning from 86.9% to 98.4%. However, at the cumulative level, 32% (7/22) of participants in this study exhibited lower adherence, with the device worn on fewer than 4 days within the requested initial 14-day period. Five physical activity measures have high variability for some participants. Consistent activity data for 4 physical activity measures might be attainable with just a 3-day period of device use. Conclusions: This study revealed that while older adults generally showed high daily adherence to the wearable device, consistent usage across consecutive days proved difficult. These findings underline the effectiveness of wearables in monitoring physical activity in older populations and emphasize the ongoing necessity to simplify usage protocols and enhance user engagement to guarantee the collection of precise and comprehensive data.
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 | 0,000 | 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 | 0,000 |
| 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 ».