Step-Count Distribution as an Indicator of Walking Reserve in People with Gait Vulnerabilities
Notice bibliographique
Résumé
Background: Steps per day can provide a lot of information about the activity of the average person whose main source of activity is derived from walking. This study looks at the distribution of step-count data to identify different subgroups of people which could be used to indicate walking reserve. Methods: A time series design of a secondary data analysis was conducted to track the variability of daily step count for 44 seniors post-fracture. The mean age was 75.8 years (SD: 9.75). The full percentile distribution was used in a cluster analysis and group-based trajectory analysis was used for the longitudinal data. Ordinal regression was used to identify factors associated with cluster membership. Results: percentile of the step-count distribution. Cluster 1, with the lowest reserve would also be classified as sedentary based on median step count (1,555 step count; 1,314 reserve). Cluster 2 represented people with limited activity with low reserve (4,081 step count; 2,439 reserve). Cluster 3 represented active people with high reserve (7,197 step count; 4,370 reserve). Cluster 4, was very active with very high reserve (9,202 step count, 6,964 reserve).The factors associated with cluster membership were gait speed, sit-to-stand, and depression. Conclusions: percentile over a longer period indicates the potential "reserve" for participating in activities that demand additional walking.
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 | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».