How do Body Mass Index (BMI) and Gender Affect Time-Up-and-Go Measurements
Notice bibliographique
Résumé
Time-Up-and-Go (TUG) is a commonly used clinical test to evaluate an individual's gait and frailty state. By combining TUG data with other knowledge, e.g., nutrition and daily habits, informed decisions can be made to delay the progression of or alleviate chronic diseases, such as Parkinson's. Scheduling TUG tests in clinics requires assisted transportation and appointment. With the increasingly overloaded healthcare system, recent advances in e-Health provide an alternative solution. Research studies suggest that it is feasible to perform tests at home and automate gait analysis using intelligent software to classify frailty levels in a remote setting. This allows more frequent monitoring, and clinical appointments are made only to patients at higher risk or those in need. However, conducting the TUG test at home comes with challenges. In this paper, we discuss these challenges, e.g., cluttered environment, and propose solutions. In addition, we investigate whether Body Mass Index (BMI) and gender can affect gait measurement. Our experimental results demonstrate that some machine learning models perform better and the choice of input parameters plays an important role in the classification accuracy. Our experimental results demonstrate that high BMI can be reflected in an individual's TUG, if a robust machine learning model is deployed, while men and women in general show distinct gait measurements. Based on this finding, different thresholds should be defined when making the frail, pre-frail and healthy assessment.
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 | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».