Biophysical versus machine learning models for predicting rectal and skin temperatures in older adults
Notice bibliographique
Résumé
This study compares the efficacy of machine learning models to traditional biophysical models in predicting rectal (T re ) and skin (T sk ) temperatures of older adults (≥60 years) during prolonged heat exposure. Five machine learning models were trained on data using 4-fold cross validation from 162 day-long (8–9h) sessions involving 76 older adults across six environments, from thermoneutral to heatwave conditions. These models were compared to three biophysical models: the JOS-3 model, the Gagge two-node model, and an optimised two-node model. Our findings show that machine learning models, particularly ridge regression, outperformed biophysical models in prediction accuracy. The ridge regression model achieved a Root-Mean Squared Error (RMSE) of 0.27 °C for T re , and 0.73 °C for T sk . Among the best biophysical models, the optimised two-node model achieved an RMSE of 0.40 °C for T re , while JOS-3 achieved an RMSE of 0.74 °C for T sk . Of all models, ridge regression had the highest proportion of participants with T re RMSEs within clinically meaningful thresholds at 70% (<0.3 °C) and the highest proportion for T sk at 88% (<1.0 °C), tied with the JOS-3 model. Our results suggest machine learning models better capture the complex thermoregulatory responses of older adults during prolonged heat exposure. The study highlights machine learning models' potential for personalised heat risk assessments and real-time predictions. Future research should expand upon training datasets, incorporate more dynamic conditions, and validate models in real-world settings. Integrating these models into home-based monitoring systems or wearable devices could enhance heat management strategies for older adults. • Evaluated core and skin prediction model performance under various heat conditions. • Used 162 heat exposure sessions (up to 540 min) in 76 older adults. • Machine learning models outperform biophysical models for core and skin predictions.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».