Challenges and opportunities in sensor-based fall prevention for older adults: a bibliometric review
Notice bibliographique
Résumé
Purpose This bibliometric review examines the recent literature on sensor-based fall prevention for older adults. It analyzes publication trends, key researchers and institutions, major research themes, as well as gaps and opportunities in this field. Design/methodology/approach A comprehensive search was conducted in Scopus and Web of Science (WoS) databases for publications from 1990 to 2024. Bibliometric indicators including publication output, citation analysis and co-occurrence of keywords were used to map the research landscape. Network visualizations were employed to identify key thematic clusters. Findings The research on sensor-based fall prevention has grown rapidly, peaking in 2019. The USA, Australia and Canada lead this work, with universities and hospitals collaborating globally. Key themes include fall epidemiology, wearable sensors and AI for fall detection. Opportunities exist to better implement these sensor systems through large trials, user-centered design, hybrid sensors and advanced analytics. Research limitations/implications While comprehensive, the analysis focused primarily on publications indexed in Scopus and WoS, which may not capture all relevant literature. Future studies could expand the search to include other databases and conduct deeper analyses of highly influential studies. Practical implications The review provides an evidence-informed roadmap to accelerate the translation of sensor innovations into scalable and sustainable fall prevention practices for vulnerable older adult populations. Originality/value This is the first comprehensive bibliometric analysis to map the research landscape of sensor-based fall prevention, identifying key trends, themes and opportunities to advance this critical domain addressing a major global public health challenge.
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 | 0,030 | 0,159 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,142 | 0,146 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 ».