Using Machine Learning to Identify Features from Home Sensors that Predict Care Partner Burden
Notice bibliographique
Résumé
BACKGROUND: Assessing care-related activities and burden most often involves self-report, without objective information on activities in the home. Previous work has demonstrated that home sensor data from daily activities can be collected over extended time periods and is acceptable, though it is unknown which activities in the home contribute to care partner burden. This project aims to develop a digital signature that identifies the level of care partner burden associated with PLWD/care partner dyads living in the community. METHOD: Clinical and sensor data from longitudinal studies involving the Oregon Center for Aging & Technology platform were analyzed using machine learning (ML). Participant dyads consisted of a care partner living with an individual with mild cognitive impairment (MCI) or dementia. Care partners completed the Zarit Burden Interview Short Form (ZBI-12) weekly for up to 18 months. Data analyzed from motion sensors placed in each room in a participant's home are presented here. Features from the sensor data (e.g., time spend in different rooms in the home, number of trips to each room) were evaluated with independent component analysis (ICA) and a decision tree ML model. SHAP values representing how much each feature contributed to the model were generated to identify the most relevant prediction of low versus high burden. RESULT: Data from 44 dyads contributed to the model. Using only data from the motion sensor, the model's accuracy was 69.8% to predict low versus high burden. ICA generated 3 components with a mix of sensor data features. SHAP value analysis identified one component that included features that more distinctly corresponded to low or high burden based on ZBI-12 scores. Features that more strongly contributed to high levels of burden included the number of trips to the bathroom and average time spend in the bathroom. CONCLUSION: Home sensors may provide a method to continuously assess daily activities that contribute to the stress level and burden of care partners. Novel ML analysis techniques could help to identify relevant outcome measures from the large amount of data collected by home sensors. Ongoing work is determining the combination of sensors from the technology platform that best predict burden level.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».