MétaCan
Menu
Retour à la cohorte
Enregistrement W4406200999 · doi:10.1002/alz.089381

Health‐Related Behaviours in Octogenarians and Nonagenarians with Robust Cognitive Longevity: Progress and Initial Data from thee SuperAging Research Initiative

2024· article· en· W4406200999 sur OpenAlexaff
Angela Roberts, Karen Van Ooteghem, Bill McIlroy, Ivan Culum, Kit B. Beyer, Vanessa Thai, Nimrit Aulakh, John Li, Andrew Lim, Richard H. Swartz, Elizabeth Finger, Amanda Cook Maher, Ozioma C. Okonkwo, Felicia C. Goldstein, Matthew J. Huentelman, Changiz Geula, Emily Rogalskı

Notice bibliographique

RevueAlzheimer s & Dementia · 2024
Typearticle
Langueen
DomainePsychology
ThématiqueAging and Gerontology Research
Établissements canadiensHealth Sciences CentreUniversity of TorontoToronto Rehabilitation InstituteUniversity of WaterlooSunnybrook Health Science CentreWestern University
Organismes subventionnairesnon disponible
Mots-clésLongevityPsychologyGerontologyCognitionMedicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

Abstract Background SuperAgers—individuals age 80+ with episodic memory performance at least as good as those 20‐30 years younger—provide a unique perspective on cognitive resilience and resistance in aging. The SuperAging Research Initiative (SRI), spearheaded by The University of Chicago and involving multiple academic partners, investigates factors underpinning robust cognitive aging. One key SRI project, leverages a fully remote data collection paradigm to: 1) discern activity patterns that characterize SuperAgers and 2) explore the 'complexity hypothesis in aging'—whether dynamic physiological responsiveness is a hallmark of exceptional cognitive aging. Here we report on feasibility and initial outcomes from this project. Method Participants don wearable sensors, including an ECG sensor (chest) and two inertial measurement units (wrist, ankle), for a 10–12‐day period of continuous data collection whilst performing their usual daily activities. The protocol includes a virtual orientation and periodic check‐ins to ensure wear‐compliance and provide technical support. Structured sensor‐wear breaks facilitate protocol compliance and acceptance. Result To date, recruitment efforts have led to enrollment of 91 individuals (Mean age = 84.1 years; 62 women), which approximates half of the total SRI sample. Reasons for ineligibility or non‐enrollment include dermatological contraindications, ‘busy’ lifestyles, and perceived participation burden. Initial analyses of 44/58 participants who have completed data collection show exceptional adherence (>95% sensor wear compliance) (Table 1). Limited data loss due to sensor non‐wear and/or sensor failure demonstrates high data quality (Table 1). Notably, participants demonstrate a high level of independence, with study partner assistance required in < 5% of cases. Withdrawals have been minimal (3%) and primarily attributed to skin irritation due to undisclosed dermatological contraindications. Initial data are provided in Figure 1 and Table 2 including daily activity summary data and group comparisons between SuperAgers and Controls. Updated data will be presented at the conference. Conclusion Wearable technologies are feasible for remotely assessing daily activities of octogenarians and nonagenarians with high compliance. Objective quantitative data hold promise for expanding our understanding of lifestyle factors relevant to superior cognitive aging. Insights from this study may influence preventive intervention strategies against age‐associated neurological diseases and in support of enhancing cognitive longevity.

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)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,067

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,247
Tête enseignante GPT0,454
Écart entre enseignants0,207 · 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'étudeObservationnel
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAlzheimer s & DementiaMême sujetAging and Gerontology ResearchTravaux en français237 207