Unobtrusive Nighttime Movement Monitoring to Support Nursing Home Continence Care: Algorithm Development and Validation Study
Notice bibliographique
Résumé
Background: The rising prevalence of urinary incontinence (UI) among older adults, particularly those living in nursing homes (NHs), underscores the need for innovative continence care solutions. The implementation of an unobtrusive sensor system may support nighttime monitoring of NH residents' movements and, more specifically, the agitation possibly associated with voiding events. Objective: This study aims to explore the application of an unobtrusive sensor system to monitor nighttime movement, integrated into a care bed with accelerometer sensors connected to a pressure-redistributing care mattress. Methods: A total of 6 participants followed a 7-step protocol. The obtained dataset was segmented into 20-second windows with a 50% overlap. Each window was labeled with 1 of the 4 chosen activity classes: in bed, agitation, turn, and out of bed. A total of 1416 features were selected and analyzed with an XGBoost algorithm. At last, the model was validated using leave one subject out cross-validation (LOSOCV). Results: The trained model attained a trustworthy overall F1-score of 79.56% for all classes and, more specifically, an F1-score of 79.67% for the class "Agitation." Conclusions: The results from this study provide promising insights in unobtrusive nighttime movement monitoring. The study underscores the potential to enhance the quality of care for NH residents through a machine learning model based on data from accelerometers connected to a viscoelastic care mattress, thereby driving progress in the field of continence care and artificial intelligence-supported health care for 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 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 ».