AI-Assisted Dynamic Postural Control Screening to Improve Functional Mobility in Older Adult Populations: Quasi-Experimental Study
Notice bibliographique
Résumé
Background: Falls are a major cause of disability among older adults, and early identification of functional decline is essential for prevention. Artificial intelligence (AI) systems may enhance mobility screening by providing objective, real-time feedback. Objective: This study aimed to evaluate whether AI-assisted dynamic postural control screening combined with adaptive training improves functional mobility outcomes in older adult populations. Methods: A quasi-experimental study was conducted with 2005 older adults recruited from community centers and health care institutions in Keelung, Taiwan. Participants were assigned to either an experimental group (n=1451), which underwent AI-assisted screening with adaptive exercise prescriptions, or a control group (n=554), which completed follow-ups through regular physical assessments with standard care without AI-tailored training. The AI system integrated skeletal tracking with the Short Physical Performance Battery to assess balance, gait speed (4-m walk), and sit-to-stand performance. Independent-samples 2-tailed t tests and repeated-measures ANOVA were applied, and effect sizes (Cohen d and η²) with 95% CIs were reported. Results: The experimental group demonstrated significantly greater improvements compared with the control group in Short Physical Performance Battery scores (Δ=0.8 vs 0.3; t2003=3.41; P=.001; Cohen d=0.45, 95% CI 0.18-0.72), gait speed (Δ=15 cm/s vs 5 cm/s; t2003=4.85; P<.001; Cohen d=0.62, 95% CI 0.35-0.88), and sit-to-stand time (Δ=-1.4 s vs -0.6 s; t2003=3.12; P=.002; Cohen d=0.39, 95% CI 0.12-0.65). Here "Δ" refers to the change score, calculated as post-intervention minus baseline (ie, the amount of improvement during the study period). Participation rate was strongly associated with outcomes, with 1-way ANOVA showing significant group differences (F2,1448=8.74-12.21; P<.001; η²=0.07-0.10). Conclusions: AI-assisted dynamic postural control screening combined with adaptive training substantially improved functional performance in mobility, balance, and gait among older adults. While fall incidence was not directly measured, these functional gains may have implications for fall risk reduction. Future longitudinal studies with extended follow-up (12-24 mo) and prospective fall incidence tracking across diverse populations are required to validate whether these improvements translate into actual reductions in fall risk.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».