MétaCan
Menu
Retour à la cohorte
Enregistrement W7135270937

Characterising walking behaviours in aged residential care using accelerometery: a cross-sectional comparison of care level, cognitive status and physical function

2024· preprint· en· W7135270937 sur OpenAlexaboutno aff
Ríona Mc Ardle, Lynne Taylor, Alana Cavadino, Lynn Rochester, Silvia Del Din, Ngaire Kerse

Notice bibliographique

RevueResearchSpace (University of Auckland) · 2024
Typepreprint
Langueen
DomaineHealth Professions
ThématiqueBalance, Gait, and Falls Prevention
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCognitionResidential careDementiaAged careCognitive impairmentGeriatricsPreferred walking speedRehabilitationActivities of daily living
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Background: Walking is important for maintaining physical and mental wellbeing in aged residential care (ARC). Walking behaviours are not well characterised in ARC due to inconsistencies in assessment methods and metrics, and limited research regarding the impact of care environment, cognition or physical capacity on these behaviours. It is recommended that walking behaviours in ARC are assessed using validated digital methods which can capture low volumes of walking activity. Objective: This study aims to characterise and compare accelerometry-derived walking behaviours in ARC residents across different care levels, cognitive abilities, and physical capacities. Methods: 306 ARC residents were recruited from the Staying Upright RCT from three care levels: rest home (n=164), hospital (n=117), and dementia care (n=25). Participants’ cognitive status was classified as mild (n=87), moderate (n=128) or severe impairment (n=61), and physical capacity as moderate (n=60), low (n=107) or very low (n=115) using the Montreal Cognitive Assessment and the Short Physical Performance Battery cut-off scores respectively. To assess walking, participants wore an accelerometer (Axivity AX3, York, UK; 23x32.5x7.6mm, 11g; sampling rate: 100Hz, range ± 8 g, memory: 512 M) on their lower back for seven days. Outcomes included volume (daily time spent walking, steps, bouts), pattern (mean walking bout duration, alpha) and variability (of bout length) of walking. Analysis of covariance was used to assess differences in walking behaviours between groups as categorised level of care, cognition, or physical capacity, while controlling for age and sex. Tukey HSD tests for multiple comparisons were used to determine where significant differences occurred. Effect size of group differences were calculated using Hedges’ G. Results: Dementia care residents showed greater volumes of walking (p<.01), with longer (p<.01), more variable bouts (p<.01) compared to other care levels, with moderate-large effect sizes. Residents with severe cognitive impairment took longer (p<.01), more variable (p<.01) bouts with moderate-large effect sizes compared to those with mild cognitive impairment and small-moderate effect sizes compared to moderate cognitive impairment. Residents with very low physical capacity had lower walking volumes compared to moderate capacity (p<.001) with moderate effect sizes. Conclusions: ARC residents across different levels of care, cognition and physical capacity demonstrate different walking behaviours. However, ARC residents often present with varying levels of both cognitive and physical abilities, reflecting their complex multi-morbid nature, which should be considered in further work. This work has demonstrated the importance of considering a nuanced framework of digital outcomes relating to volume, pattern and variability of walking behaviours in ARC.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,119
Tête enseignante GPT0,438
Écart entre enseignants0,319 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearchSpace (University of Auckland)Même sujetBalance, Gait, and Falls PreventionTravaux en français237 207