Correlations between Social Isolation and Functional Decline in Older Adults after Lower Limb Fractures Using Multimodal Sensors: A Pilot Study
Notice bibliographique
Résumé
Older adults (OAs) recovering from lower limb fractures experience social isolation (SI) and functional decline (FD) after they are discharged from inpatient rehabilitation due to reduced physical mobility. Our research used MAISON (Multimodal AI-based Sensor platform for Older iNdividuals), a multimodal sensor system comprising various smart devices collecting acceleration, heart rate, step count, frequency of indoor motion, GPS, and sleep metrics. This study aimed to investigate the correlations between SI and FD with multimodal sensor data from OAs following lower limb fractures. Multimodal sensor data from eight OAs (8 weeks per person) living at home were collected. Five clinical metrics were obtained via biweekly video calls, including three clinical questionnaires (Social Isolation Scale (SIS), Oxford Hip Score, Oxford Knee score) and two physical mobility assessments (Timed Up and Go, 30 s chair stand). From the sensor data collected, 53 statistical and domain features were extracted. Spearman correlation coefficients were calculated between the extracted features and clinical data. The results indicated strong correlations between various items of SIS and sleep metrics in OAs and various items of Oxford Knee Score with GPS and acceleration data. Strong correlations between the questions of the Oxford scores and sensor data highlight the direct impact of physical health status on measurable daily physical activities.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».