Real-World Wrist-Derived Digital Mobility Outcomes in People with Multiple Long-Term Conditions: A Comparison of Algorithms
Notice bibliographique
Résumé
Digital Mobility outcomes can serve as objective biomarkers of health, but their validation in populations with multiple long-term conditions (MLTCs) based on wrist-worn devices remains unexplored. We refined, improved, and introduced novel algorithms, specifically tailored and adapted for (i) gait sequence detection, (ii) initial contact identification, and (iii) stride length estimation from a single wrist-worn device. Validation was performed using data from 28 participants with co-occurring MLTCs performing a 2.5 h real-world monitoring session. Reference data from an established multi-sensor system were used to assess algorithm performance across diverse gait patterns of co-occurring MLTCs. Twenty-eight participants (mean age 70.4 years, 43% females) had a median of three co-occurring MLTCs. Among six gait sequence detection methods, improved versions of the Kheirkhahan algorithm performed best (accuracy = 0.92, specificity = 0.96). For initial contact detection (nine methods tested), Shin's algorithm achieved the highest performance index (0.85) followed by McCamley (0.84). Stride length estimation was most accurate using novel approaches based on the Weinberg method (performance index > 0.70). The proposed fine-tuned algorithms, the newly developed adaptive variants, and the foot-length augmented versions demonstrated robust performance, surpassing many existing methods and addressing the complexity of gait patterns in MLTCs. These findings enable scalable, real-time mobility monitoring in complex clinical populations using accessible wearable technology.
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 ».