Notice bibliographique
Résumé
Frailty is a condition in which the individual is in a vulnerable state at increased risk of adverse health outcomes or dying when exposed to a stressor. Frailty can increase dependence and decrease the quality of life for older adults and family members. Early identification of frailty can reverse or delay the development of frailty. However, it is challenging to identify frailty early in clinical settings due to its hidden and gradually progressing nature, which is more reflected in daily life than during clinic visits. The recent development in sensors and artificial intelligence enables remote health sensing and advanced data analytics, allowing early identification of frailty by monitoring frailty indicators reflected in older adults' daily lives. The overall goal of this thesis is to design, develop and validate a multi-sensor-based system for assessing frailty in home settings. To achieve this goal, we first conducted a systematic review and a focus group study to understand gaps in home-based frailty screening technologies and older adults’ opinions on potential technologies. Guided by the review and focus group findings, a novel multi-sensor-based frailty monitoring system, Frailty Toolkit, was developed. The concurrent validity of the sensor measurements was validated. Additionally, machine learning algorithms were implemented on a large health survey dataset with more than 27,000 samples to classify frailty using the behavioral and physical health features. As a result, the system prototype showed excellent concurrent validity for all ambient sensors but the weight scale in lab tests. The gradient boosting classifier yielded the highest area under the receiver operating characteristic curve (0.95) for classifying frailty. The highest area under the precision-recall curve of 0.70 achieved with the gradient boosting classifier was a significant improvement over a no-skill classifier. In conclusion, this thesis developed and validated a multi-sensor-based system and machine learning models for assessing frailty in home settings. The proposed system is unique because it involves older adults’ voices in the design process and measures a novel set of behavioral and physical health signs of frailty using less invasive ambient sensors. This work has significant implications for home-based frailty 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 | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».