Developing Smart Technology for Dementia Care in Transitional Care Units: Barriers to Participant Engagement & Alternative Strategies
Notice bibliographique
Résumé
With an aging population, anticipated increase in dementia cases and the emergence of transitional care units (TCU) serving these individuals, healthcare providers are looking to the future of smart technologies (DementiaTech) to assist in providing care to persons living with dementia (PLWD). Our research aimed to understand how DementiaTech can be effectively implemented and evaluated in a hospital transitional care setting to enhance the quality of life of dementia patients. This paper outlines the challenges we faced in implementing methods to suit the nuances of this context, recovery strategies to adapt the study to probe the research objective, and the results of our adaptations. The study had 2 phases: 1) analyze nighttime workflows in a TCU to implement a sensor-based motion monitoring system that can track patient activity overnight to enhance staff situation awareness (SA) of risk factors related to care; 2) develop a mobile application (app) based on information from patient’s caregivers/family members what they feel is important to know about the daily activity of the patient to involve them in care. During Phase 2, recruiting participants in TCUs presented multifaceted challenges such as staff member turnover, lost participants due to the linear approach of the study and the long lead times with recruitment over time. In response, our team developed alternative methods to explore the research objective which included involving subject matter experts from the steering committee and TCU management to provide their perspectives to develop a preliminary understanding from a clinical perspective. Our results highlight the insights gained from these ‘alternative’ participant groups, followed by a discussion of lessons learned to address engagement challenges. Despite recruitment difficulties, the study provides preliminary insights on developing apps to support caregivers/family members in staying connected to patients in TCUs.
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 ».