痴呆症护理研究和心理社会因素

科学领域:

• 老年学和衰老研究研究.
• 生物医学工程和健康信息学
• 医疗保健中的机器学习

背景情况:

• 护理伙伴负担评估传统上依赖于主观的自我报告,缺乏客观的家庭活动数据.
• 以前的研究证实了收集日常活动的长期家庭传感器数据的可行性.
• 确定与痴呆症患者的护理伙伴负担相关的特定家庭活动至关重要.

研究的目的:

• 开发一个数字签名,以量化社区居住的护理伙伴负担.
• 确定与不同程度的护理伙伴负担相关的客观家庭活动模式.

主要方法:

• 机器学习 (ML) 分析了从纵向研究中获得的临床和运动传感器数据.
• 参与者双组包括一个护理伙伴和一个患有轻度认知障碍 (MCI) 或痴呆症的个人.
• 独立组件分析 (ICA) 和决策树模型评估了传感器特征 (例如,房间占用率,旅行频率);SHAP值确定了负担的关键预测因素.

主要成果:

• 该ML模型在预测低 versus 高护理伴侣负担时达到69.8%的准确性,仅使用来自44个二极管的运动传感器数据.
• 国际航空局确定了三个组成部分;一个组成部分,包括与浴室相关的功能,与扎里特负担面试简单表格 (ZBI-12) 成绩有显著的相关性.
• 较高的护理伙伴负担与增加的洗手间访问频率和持续时间密切相关.

结论:

• 家庭传感器数据提供了一种有希望的客观方法,用于持续评估导致护理伙伴压力的活动.
• 新的ML技术可以从广泛的家庭传感器数据集中提取有意义的结果.
• 进一步的研究正在进行中,以优化传感器组合,以准确预测负载.