痴呆症护理研究和心理社会因素

科学领域:

• 老年学和健康信息学
• 医疗保健中的人工智能
• 生物医学数据科学 生物医学数据科学

背景情况:

• 阿尔茨海默病患者有漫游和迷失方向的高风险,需要持续监测.
• 目前用于跟踪患者运动的方法缺乏实时精度,并且无法解释个体行为.
• 早期发现不寻常的运动模式对于护理人员的干预和患者安全至关重要.

研究的目的:

• 为监测阿尔茨海默病患者的移动性开发一个动态的,针对患者的概率框架.
• 改进检测不寻常的运动过渡,并预测随后的患者位置.
• 为护理人员提供可操作的洞察力,用于早期干预和增强患者安全.

主要方法:

• 使用技术综合健康管理 (TIHM) 数据集,其中包含时空移动数据.
• 使用马尔科夫链模型和平滑技术分析患者运动序列的概率方法.
• 实现了动态值,以提高灵敏度识别不规则的过渡,并预测可能的下一个位置.

主要成果:

• 该框架准确地预测了可能的患者位置,并检测了不规则的过渡,标志着潜在的风险.
• 过渡概率矩阵和网络图可视化了运动趋势,关键路径和动态.
• 热图揭示了每小时的活动模式,运动高峰期和异常,提供了全面的行为分析.

结论:

• 开发的框架为跟踪阿尔茨海默病患者移动性的传统方法提供了一个动态的,针对患者的替代方案.
• 预测能力提高了护理人员的决策能力,使实时安全干预和降低风险成为可能.
• 与智能医疗保健系统的整合可以显著改善阿尔茨海默病患者的护理,促进一个更安全的环境.