MétaCan
Menu
Retour à la cohorte
Enregistrement W4416327451 · doi:10.2196/80584

Associations of Wearable-Measured Sleep and Physical Activity With Memory Performance in Older Adults: Cross-Sectional Study With Actigraphy and MRI

2025· article· en· W4416327451 sur OpenAlexvenueno aff
Geng-Hao Liu, Yueh-Hsiang Huang, Yueh-Peng Chen, Jung‐Lung Hsu, Shwu‐Hua Lee, Chih-Ming Lin, Cheng‐Hong Toh, Ji‐Tseng Fang, Shih‐Wei Lin, Li‐Pang Chuang, Ning‐Hung Chen

Notice bibliographique

RevueJMIR Aging · 2025
Typearticle
Langueen
DomainePsychology
ThématiqueSleep and related disorders
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésActigraphySleep (system call)Physical activityMotor activityPhysical exercise

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Cognitive decline is a common aspect of aging, and identifying modifiable lifestyle factors, such as physical activity and sleep, is crucial for promoting healthy brain aging. While both are individually linked to cognition, few studies have simultaneously assessed their independent and combined effects using objective wearable-based data, particularly in older Asian populations. OBJECTIVE: This study aimed to examine the independent and interactive effects of wearable-assessed sleep and physical activity parameters on memory performance in healthy older adults. We also explored whether age and hippocampal volume moderated these associations. METHODS: This prospective cross-sectional analysis included 88 cognitively healthy community-dwelling adults (≥60 years of age) from the Integrating Systematic Data of Geriatric Medicine to Explore the Solution for Healthy Aging cohort in Taiwan. Participants underwent 12-day wrist-worn actigraphy, brain magnetic resonance imaging, and neuropsychological assessments. Light-intensity physical activity (LPA) and wake after sleep onset (WASO) were selected based on age-adjusted partial correlations with Consortium to Establish a Registry for Alzheimer's Disease Neuropsychological Battery memory scores. Multivariate regressions, age-stratified models (cutoff=72 years), and PROCESS moderation and mediation analyses were conducted, adjusting for age, education, daytime sleepiness, and hippocampal volume. RESULTS: Partial correlation analyses adjusting for age showed that higher LPA (r=0.260; P=.02) and lower WASO (r=-0.251; P=.02) were significantly associated with better memory scores. Age significantly moderated both effects: LPA was beneficial beyond 73.8 years of age, and WASO was detrimental beyond 71.1 years of age. Multivariate regression models confirmed that both WASO (β=-.044; P=.04) and LPA (β=.042; P=.01) were significant predictors of memory. In subgroup analyses (age ≥72 years), both LPA (β=.054; P=.04) and WASO (β=-.111; P=.01) remained significant predictors. Moderated mediation analyses showed that WASO was associated with reduced LPA (β=-.325; P=.03), but the indirect effect on memory via LPA was not significant. Instead, WASO exerted a direct and age-moderated effect on memory performance. Hippocampal volume moderated both associations, supporting the brain reserve hypothesis. CONCLUSIONS: Our findings highlight WASO and LPA, as measured by wearable devices, as modifiable behavioral factors linked to memory function in older adults. The impact of these factors intensifies with advancing age and may be influenced by hippocampal reserve. Promoting daily light physical activity and maintaining sleep continuity may serve as accessible, age-tailored strategies for preserving cognitive health in aging populations. TRIAL REGISTRATION: ClinicalTrials.gov NCT04207502; https://classic.clinicaltrials.gov/ct2/show/NCT04207502.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,354

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,299
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR AgingMême sujetSleep and related disordersTravaux en français237 207