MétaCan
Menu
← Retour à la cohorte
Enregistrement W4403084993 · doi:10.2196/58110

Ability of Heart Rate Recovery and Gait Kinetics in a Single Wearable to Predict Frailty: Quasiexperimental Pilot Study

2024· article· en· W4403084993 sur OpenAlexvenueno aff
Reshma Aziz Merchant, Bernard Loke, Yiong Huak Chan

Notice bibliographique

RevueJMIR Formative Research · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueBalance, Gait, and Falls Prevention
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGaitMedicinePhysical therapyPhysical medicine and rehabilitationWearable computerPopulationFalls in older adultsPreferred walking speedRehabilitationPoison controlInjury preventionGerontologyMedical emergencyEngineering

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Aging is a risk factor for falls, frailty, and disability. The utility of wearables to screen for physical performance and frailty at the population level is an emerging research area. To date, there is a limited number of devices that can measure frailty and physical performance simultaneously. OBJECTIVE: The aim of this study is to evaluate the accuracy and validity of a continuous digital monitoring wearable device incorporating gait mechanics and heart rate recovery measurements for detecting frailty, poor physical performance, and falls risk in older adults at risk of falls. METHODS: This is a substudy of 156 community-dwelling older adults ≥60 years old with falls or near falls in the past 12 months who were recruited for a fall prevention intervention study. Of the original participants, 22 participants agreed to wear wearables on their ankles. An interview questionnaire involving demographics, cognition, frailty (FRAIL), and physical function questions as well as the Falls Risk for Older People in the Community (FROP-Com) was administered. Physical performance comprised gait speed, timed up and go (TUG), and the Short Physical Performance Battery (SPPB) test. A gait analyzer was used to measure gait mechanics and steps (FRAIL-functional: fatigue, resistance, and aerobic), and a heart rate analyzer was used to measure heart rate recovery (FRAIL-nonfunctional: weight loss and chronic illness). RESULTS: The participants' mean age was 74.6 years. Of the 22 participants, 9 (41%) were robust, 10 (46%) were prefrail, and 3 (14%) were frail. In addition, 8 of 22 (36%) had at least one fall in the past year. Participants had a mean gait speed of 0.8 m/s, a mean SPPB score of 8.9, and mean TUG time of 13.8 seconds. The sensitivity, specificity, and area under the curve (AUC) for the gait analyzer against the functional domains were 1.00, 0.84, and 0.92, respectively, for SPPB (balance and gait); 0.38, 0.89, and 0.64, respectively, for FRAIL-functional; 0.45, 0.91, and 0.68, respectively, for FROP-Com; 0.60, 1.00, and 0.80, respectively, for gait speed; and 1.00, 0.94, and 0.97, respectively, for TUG. The heart rate analyzer demonstrated superior validity for the nonfunctional components of frailty, with a sensitivity of 1.00, specificity of 0.73, and AUC of 0.83. CONCLUSIONS: Agreement between the gait and heart rate analyzers and the functional components of the FRAIL scale, gait speed, and FROP-Com was significant. In addition, there was significant agreement between the heart rate analyzer and the nonfunctional components of the FRAIL scale. The gait and heart rate analyzers could be used in a screening test for frailty and falls in community-dwelling older adults but require further improvement and validation at the population level.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: Essai non randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,050

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,010
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,121
Tête enseignante GPT0,481
Écart entre enseignants0,360 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetBalance, Gait, and Falls Prevention→Travaux en français237 207→