Preliminary feasibility and development of a heart rate-based mobility and activity scale for hospitalized older adults
Notice bibliographique
Résumé
BACKGROUND: Mobility is a key health indicator in hospitalized older adults, yet routine mobility tracking remains limited by lack of automated and standardized measurements. Advances in smartwatch technology and machine learning may enable mobility quantification using heart rate (HR) and HR variability data. METHODS: In this pilot study, we recruited 30 adults aged ≥ 65 years in a tertiary care geriatric ward to develop (n = 8) and validate (n = 30) the automated Mobility and Activity Scale (MAS). Twelve smartwatch-derived HR features were used in a random forest model to predict 5 activity levels (0 = sleep to 4 = walking with at least a moderate effort or >20 min). We examined concurrent validity with Hierarchical Assessment of Balance and Mobility (HABAM), gait speed, and functional status, as well as discriminant validity with frailty and multimorbidity. We assessed acceptability of smartwatch use. RESULTS: Participants' mean (SD) age was 86 years (8), 18 (60%) were female, and mean follow-up was 8.3 (5.2) days. Mean (SD) HABAM score was 36 (18) and gait speed was 0.53 (0.26) m/s. Across the cohort, mean (SD) MAS score was 1.2 (1.0) overall and 2.1 (0.7) for 10 most active hours. MAS scores were moderately correlated with HABAM (r = 0.43 [95% CI = 0.07,0.69]) and functional status (r = -0.31 [95% CI = -0.60,0.06]), but not with gait speed (r = 0.02 [95% CI = -0.39,0.42]). MAS scores had no association with frailty or multimorbidity. Smartwatch wearing was acceptable. CONCLUSIONS: Smartwatch-derived HR data may quantity hourly mobility and activity of hospitalized older adults, facilitating automated and real-time monitoring.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».