Utilization of Wearable Devices as means for Remote Digital Biometric Data Collection in a community‐based, rural randomized controlled trial among Alzheimer’s disease dyads
Notice bibliographique
Résumé
Abstract Background Use of remote measurement of physiological parameters using digital biometrics (i.e., Electro Dermal Activities, heart rate, oxygen saturation, blood volume pulse, etc.) has a multitude of opportunities in rural contexts that have not yet fully been explored in Alzheimer’s disease (AD) clinical research. This study assessed feasibility and acceptability of advanced digital biometric data collection among rural, community‐dwelling adults living with Alzheimer’s disease with support from primary caregivers (dyad). Methods Initial feasibility and acceptability of a wrist‐worn wearable device (Empatica E4) as means for digital biometric data collection were assessed among participants of a larger randomized controlled trial which was aimed to assess a non‐pharmacological care intervention improving behavioral symptoms of AD. Following consent, dyads were mailed an E4 device and behavior tracking journal to companion digital recordings for one week of data collection. Caregivers assisted the person with AD in wear and care of the E4 device and completed time‐stamped behavior tracking. Feasibility was assessed based on completeness of digital biometric data recordings and acceptability was determined based on wear schedules for the device in participants with AD (worn >50% of allotted time). Results Digital biometric data collection via remote, wearable devices is feasible and acceptable among participants with AD in rural settings among 16 dyads (person with AD age x̄=77±2.4 years, 10 female; caregiver age years x̄=57±2.9 years, 8 female). The E4 correctly captured biometric signals (Electro Dermal Activities, blood volume pulse, Skin Temperature, etc.). The device was acceptable as 14 of the 16 participants with AD wore the device >50% of allotted time with proper completion of the caregiver‐reported behavior tracking. Further, we observed that unsupervised machine learning models were able to create digital biometrics that mirrored caregivers’ notes. Conclusion Advances in technology, evolution of health status surveillance, and vast needs in rural areas create an ideal scenario to advance research in digital biometrics. With goals to use digital biometrics as primary outcome measures in AD clinical trials, the findings presented here illustrate feasibility and acceptability among geographically remote communities. Additional research is needed to assess context‐aware machine learning applicability in intervention‐based clinical research.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».