Interpretation of Health-Smart Home Data and Implications for Clinical Decision-Making: Inductive Content Analysis
Notice bibliographique
Résumé
Background: Health-smart home technologies offer real-time sensor-based monitoring of older adult activities of daily living, allowing for early detection of changes in health. The way clinicians interpret and use this data, particularly in visualized formats, such as bar, line, and pie graphs, remains underexplored. Objective: A qualitative descriptive study design with a quantitative component was used to explore how nurses interpret sensor-derived health data from health-smart homes in 3 cases. Methods: Using an inductive content analysis approach, we analyzed nurses' qualitative interpretations of existing sensor-derived health data from health-smart homes from 3 older adults living with ambient whole-home sensing. Nurses provided structured written feedback on visualized trends in sensor-derived health data, including activity, sleep, and mobility patterns. Results: The findings highlight both opportunities and challenges of using sensor-derived health data in older adults' care. Nurses identified key patterns in sleep, mobility, and home engagement, but interpretation difficulties, such as unclear sleep metrics and lack of clinical context, hindered decision-making. Nurses preferred bar and line graphs over pie charts for interpreting these data. Survey results show a statistically significant difference in how nurses rated different graph types (χ²2=17.1, P<.001), with pie charts rated significantly lower than both bar and line graphs (P<.001 and P=.008, respectively). These findings underscore the need for improved data visualization and integration to enhance the clinical utility of sensor-derived health data from health-smart homes. Conclusions: Findings indicate that nurses were able to provide accurate interpretations of the sensor-derived health data from health-smart homes. However, there is a need for improved visualization techniques and clinician training to optimize health-smart home data for early intervention. Standardized approaches to data representation could enhance nurses' ability to detect and act on subtle yet important information about older adults' health changes occurring in home settings.
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 | 0,133 | 0,189 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,016 |
| Communication savante | 0,012 | 0,008 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».