Markerless Motion Capture Parameters Associated with Fall Risk or Frailty: A Scoping Review
Notice bibliographique
Résumé
Frailty (a syndrome resulting in reduced physical function) assessments and fall risk assessments rely heavily on in-person evaluations and subjective interpretation, limiting scalability and access. Markerless motion capture (MMC) offers a promising solution for remote, objective assessment, but key kinematic parameters associated with frailty and fall risk remain unclear. This scoping review synthesized evidence from MEDLINE, Embase, Scopus, and CINAHL (inception to October 2024). Eligible studies used MMC to assess adults and compared outcomes to validated frailty or fall risk measures. Of 8048 studies, 39 met the inclusion criteria: 30 evaluated fall risk, 7 evaluated frailty, and 2 evaluated both, including 3114 participants (mean age 75.8; 42% male). Microsoft Kinect was used in 75% of the studies. An average of 23 features was extracted per study. Gait analysis was the most common MMC assessment for fall risk, identifying gait speed, stride length, and step width as key parameters. Frailty-related features were less consistent, with two studies identifying power, speed degradation, power reduction, range of motion, and elbow flexion time during a 20 s arm test. Future studies require standardization of methods and improved reporting of data loss. Despite the emerging nature of the field, MMC shows potential for the identification of fall risk and frailty.
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 | 0,006 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,015 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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.
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 ».