Digital Elder Abuse Intervention for Early Detection of Abuse in Older Adults Living with Dementia
Notice bibliographique
Résumé
Abstract Background Elder abuse (EA) is a major public health problem and older people living with dementia (PLWD) are not likely to self‐report EA. As a result, identification of EA remains low, and providers often miss the opportunity to identify EA during Emergency Department (ED) visits. We present a pilot study on adapting an evidence‐informed intervention to motivate PLWD to self‐report abuse despite existing cognitive challenges. Method Our tablet‐based digital health intervention, VOICES, was developed to increase self‐reporting of EA among PLWD. VOICES uses educational content, screening, multimedia elements, and brief psychoeducational interviewing with a digital coach to motivate PLWD to report abuse on their own. VOICES’ success was previously demonstrated with at least 1,000 cognitively intact participants (ages 60+) in the ED and primary care setting and piloted with PLWD at a geriatric memory clinic (N = 30). This study evaluated using VOICES among PLWD (ages 60+ years) in the ED setting (N = 101). Participants were recruited, consented, and enrolled at Yale New Haven Health System in New Haven, Connecticut, USA. We used the Montreal Cognitive Assessment (MoCA) to assess cognitive ability of participants, excluding those with severe cognitive impairments. Result Ninety‐nine older adults with MoCA scores between 14 and 25 used VOICES independently and completed post‐survey questions. Satisfaction was high across all participants. Of all participants, eight self‐reported EA. 75% of participants who self‐reported (6/8) were offered additional services following a social worker evaluation, and 12.5% of participants who self‐reported (1/8) were reported to Adult Protective Services for EA. Conclusion Our findings suggest that not only is VOICES feasible (i.e., acceptable, practical, and satisfactory) for detecting EA in PLWD (MoCA scores 14‐25), but can provide additional services to those who would have otherwise gone discharged without intervention. VOICES may be able to be used for early detection and prevention of severe abuse for this high‐risk population. More research is needed to determine efficacy and long‐term outcomes of the benefits and harms.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».