Technologies targeting walking capacity and performance in people with gait vulnerabilities: time for a business model
Bibliographic record
Abstract
La prévalence des problèmes de santé invalidants et les incapacités liés à la mobilité augmente dans le monde entier. Ceci est dû au vieillissement et de l’augmentation de la longévité des personnes atteintes de maladies chroniques. Des traitements efficaces et accessibles pour les troubles de la marche seront de plus en plus nécessaires. Beaucoup de personnes vulnérables à la démarche se tourneront vers des solutions technologiques. La croissance des interventions technologiques en santé, développées dans les établissements de recherche universitaire apparaît dans les articles scientifiques et ne sont pas diffusée aux patients qui en ont besoin. La conception de modèles organisationnels de gestion et d’affaires serait nécessaire. Cette thèse applique une perspective entrepreneuriale au développement et à la commercialisation de technologies visant à améliorer la qualité de la marche. Elle démontrera comment une réflexion entrepreneuriale s’applique à l’acheminement des produits aux gens. Le premier manuscrit a identifié, via un sondage transversale menée auprès de 649 Canadiens âgés, les perceptions de la qualité de la marche et les contributeurs et conséquences à la qualité de la marche perçue. Les éléments les plus importants de la qualité de la marche étaient la mobilité du pied, de la cheville, de la hanche et du genou avec peu de différence dans les rangs selon la perception de la marche (Fr χ2 = 5,0, df 12, p > 0,05). La maladie pulmonaire a montré l’association la plus élevée avec une perception de ne pas bien marcher (POR:7.2; 95%CI: 3.7, 14.2). Les chances d’être prêt à payer plus pour une technologie permettant d’améliorer la marche étaient toujours plus grandes pour ceux qui avaient une perception inférieure de leur capacité à marcher. Le deuxième manuscrit a estimé dans quelle mesure la distribution des données sur le nombre de pas sur une période de semaines à mois identifie différents sous-groupes de personnes. Ceci pourrait être utilisés pour indiquer la réserve de marche. J’ai examiné la différence entre le 90e centile et le 50e centile (médiane) pour indiquer la réserve. La distribution du centile (10e à 90e) a été analysée en grappes. 44 aînés vivant dans la communauté ont fourni 4180 personnes par jour de données. Quatre grappes ont été identifiées : (1) sédentaire, réserve faible; (2) activité limitée, réserve faible; (3) actif, réserve élevée; et (4) très actif, réserve très élevée. La mauvaise humeur était associée dans un groupe de faible actif. Le troisième manuscrit a identifié les défis liés à la mise en œuvre d’une nouvelle technologie pour améliorer la marche chez les personnes atteintes de la maladie de Parkinson où les défis découlent de l’appareil, de l’engagement, de la perception de la convivialité du client et du besoin de soutien informationnel/technologique. Celle-ci rend compte de la facilité d’utilisation du capteur Heel2Toe. L’échelle d’utilisabilité du système, administrée uniquement aux personnes ayant terminé l’intervention (n = 14), a donné 182 réponses-personnes. Le taux d’approbations positives, neutres et négatives était de 0,41, 0,34, 0,25, respectivement. Le nombre total d’appels parmi les 18 participants du groupe Heel2Toe sur l’ensemble de la période d’intervention était de 117, allant de 1 à 29 appels, soit une moyenne de 7 par personne et le temps total était de 344 minutes, allant de 2 à 70 minutes pour une moyenne de 22 minutes par personne. Toutes les personnes sauf une ont eu des défis avec le Heel2Toe. L’appareil testé dans cette étude pilote a été classé comme la deuxième révision, REV-B. À la fin de l’étude, l’appareil était en REV-D et maintenant en REV-E. Malgré les défis liés à la convivialité du Heel2Toe, il y a eu des commentaires positifs liés aux avantages du capteur Heel2Toe. Cette thèse a fourni les méthodes et les connaissances nécessaires à l’élaboration d’un plan d’affaires viable pour promouvoir l’adoption de technologies
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".