Exploring bed sensor technology: interdisciplinary insights in a geriatric assessment inpatient setting
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Sleep quality is a critical component of health and recovery for hospitalized older adults, yet current monitoring practices often lack the precision and detail required for effective intervention. This qualitative study aimed to evaluate the feasibility and acceptance of implementing the artificial intelligence-powered Sleepsense bed sensor for sleep monitoring in a geriatric inpatient hospital setting. RESEARCH DESIGN AND METHODS: This qualitative study involved interviews with 22 patients and focus groups with 33 interdisciplinary staff members. Data were analyzed using an interpretive description approach, guided by the technology acceptance model and unified theory of acceptance and use of technology, to explore the feasibility and acceptance of Sleepsense bed sensors in a geriatric inpatient setting. RESULTS: Key findings from thematic analysis emerged in three main themes representing the feasibility and acceptance of Sleepsense bed sensors among hospitalized older adults: user acceptance, integration with somnolog into clinical practice, and implementation barriers and practical challenges. Staff reported high acceptance of Sleepsense technology due to its nonintrusiveness and ability to reduce disruptive nighttime checks. However, challenges such as the need for consent, data interpretation, and occasional inaccuracies were also identified. Integrating Sleepsense with existing care practices was recommended to enhance patient care while maintaining staff confidence. DISCUSSION AND IMPLICATIONS: This study underscores the potential of advanced sleep monitoring technologies in subacute care settings and highlights the importance of addressing implementation barriers for effective adoption.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».