Vermindering van aan COVID-19 gerelateerde handicaps bij oudere volwassenen die op het platteland wonen met behulp van slimme technologie
23 juli 2026 bijgewerkt door: Rachel Proffitt, University of Missouri-Columbia
De vereisten voor sociale afstand voor COVID-19, in combinatie met de nadelige gevolgen voor de gezondheid van sociaal isolement en verminderde toegang tot gezondheidszorg in plattelandsgebieden, brengen oudere volwassenen met een handicap in een penibele situatie.
Het slimme sensorsysteem dat in dit project wordt ingezet en bestudeerd, heeft tot doel de handicap van oudere volwassenen die op het platteland wonen te verminderen en de gezondheidsgerelateerde kwaliteit van leven, waaronder depressie en angst, te verbeteren.
Er zal een implementatiegids worden ontwikkeld om het succes van toekomstige opschalingsevaluaties te vergroten.
Studie Overzicht
Toestand
Voltooid
Interventie / Behandeling
Gedetailleerde beschrijving
Meer dan 85% van Missouri is landelijk en mensen in deze plattelandsgebieden zijn ouder en hebben minder toegang tot reguliere gezondheidszorg in vergelijking met mensen die in stedelijke gebieden van Missouri wonen.
Personen met een handicap, met name oudere volwassenen, lopen een groter risico om COVID-19 op te lopen.
Er is een kritieke behoefte om handicaps te verminderen en de kwaliteit van leven te verbeteren voor thuiswonende ouderen met een handicap voor succesvol ouder worden tijdens de COVID-19-pandemie.
Samen met ons partnerbedrijf Foresite Healthcare hebben we een beproefde, op sensoren gebaseerde technologische oplossing ontwikkeld voor het monitoren van gezondheidsgerelateerd gedrag in huis.
In een multi-site gerandomiseerde gecontroleerde studie hebben we aangetoond dat het sensorsysteem met verpleegkundige zorgcoördinatie functieverlies voorkomt bij ouderen die in assistentiewoningen wonen.
Het langetermijndoel van dit onderzoek is om zo lang mogelijk zelfstandig wonen voor ouderen met een handicap te ondersteunen.
Het doel van dit project is om het sensorsysteem in te zetten in de huizen van oudere volwassenen met een handicap die op het platteland wonen en om het effect van het sensorsysteem op het verminderen van handicaps en het verbeteren van de gezondheidsgerelateerde kwaliteit van leven te evalueren.
Met behulp van een gerandomiseerde gecontroleerde proef met twee armen zal het sensorsysteem worden geïnstalleerd in de huizen van 64 oudere volwassenen.
Deelnemers die zijn gerandomiseerd naar studiearm 1, krijgen een multidisciplinaire (verpleging, ergotherapie en maatschappelijk werk) zelfmanagementinterventie in combinatie met het sensorsysteem.
Deze interventie is gebaseerd op de 5As zelfmanagementbenadering en is een directe vertaling van de verpleegkundige zorgcoördinatie in ons eerdere onderzoek.
Deelnemers gerandomiseerd naar studiearm 2 krijgen standaard gezondheidsvoorlichting in combinatie met het sensorsysteem.
Er zal een implementatiegids voor toekomstig gebruik met verschillende partnerbureaus worden ontwikkeld met behulp van gegevens op individueel en instellingsniveau die zijn verzameld uit Doelstellingen 1, 2 en 3 met behulp van het RE-AIM-kader.
Het project zal worden uitgevoerd in drie doelstellingen.
In doel 1 evalueren we het effect van een sensorsysteem in combinatie met een multidisciplinaire zelfmanagementinterventie in vergelijking met het sensorsysteem in combinatie met standaard gezondheidseducatie op de handicap en gezondheidsgerelateerde kwaliteit van leven na 1 jaar.
In doel 2 evalueren we het effect van het sensorsysteem op secundaire gezondheidsuitkomsten (depressie, angst, werkprestaties en belasting van zorgverleners), het aantal valpartijen en het gebruik van gezondheidszorg.
In doel 3 verzamelen we gegevens van individuele deelnemers voor tevredenheid en acceptatie en gegevens van belanghebbenden over de organisatie-instelling.
Gegevens van doelen 1, 2 en 3 zullen worden geanalyseerd met behulp van RE-AIM om implementatierichtlijnen te produceren die zijn gecontextualiseerd door de organisatorische setting.
Voor oudere volwassenen met een handicap die op het platteland wonen, heeft het sensorsysteem het potentieel om de benadering van gezondheidszorg en handicapbeheer te veranderen.
Studietype
Ingrijpend
Inschrijving (Werkelijk)
58
Fase
- Niet toepasbaar
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
Missouri
-
Columbia, Missouri, Verenigde Staten, 65211
- University of Missouri
-
-
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
65 jaar en ouder (Oudere volwassene)
Accepteert gezonde vrijwilligers
Nee
Beschrijving
Inclusiecriteria:
- Ouder dan 65 jaar, woonachtig in een landelijke provincie, moeite hebben met ten minste 1 zelfzorgtaak of 2 dagelijkse levenstaken, internettoegang hebben, in staat zijn om te staan met of zonder hulp
Uitsluitingscriteria:
- Levensverwachting van minder dan een jaar, Ernstige cognitieve stoornissen (mini-testscore voor mentale toestand <17), Leven in een instelling die zorg verleent, Katz ADL-score van 6, Thuis fysiotherapie, ergotherapie of verpleging ontvangen, In het ziekenhuis zijn opgenomen meer dan drie keer in de voorgaande 12 maanden Plan om binnen het komende jaar van woning te veranderen
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
- Primair doel: Behandeling
- Toewijzing: Gerandomiseerd
- Interventioneel model: Parallelle opdracht
- Masker: Enkel
Wapens en interventies
Deelnemersgroep / Arm |
Interventie / Behandeling |
|---|---|
|
Experimenteel: Zelfmanagement
De gedragsveranderingsmodus van de 5A [39] vormt het raamwerk voor de zelfmanagementinterventie.
Door de integratie van de zelfmanagementinterventie en het sensorsysteem worden de vijf A's aangepakt.
Er zijn minimaal vier interventiesessies met elk beroep in de gezondheidszorg (OT, RN en SW) voor 12 bezoeken per deelnemer.
|
De zelfmanagementinterventie wordt in de loop van een jaar uitgevoerd.
Er zijn minimaal vier interventiesessies met elk zorgberoep (OT, RN en SW) voor 12 bezoeken per deelnemer.
Het team (OT, RN en SW) komt gedurende de eerste 2 maanden twee keer bijeen om een leidende interventionist te bepalen op basis van de SMART-doelen en aandachtspunten van de deelnemer.
De leidende interventionist heeft drie extra sessies met de deelnemer en is de contactpersoon voor waarschuwingen en berichten van het sensorsysteem.
Goal Attainment Scaling [83] zal worden afgenomen tijdens het driemaandelijkse interview om de voortgang van de deelnemers op de SMART-doelen te beoordelen.
Deze maatregel wordt samen met de deelnemer afgenomen, zorgt voor verdere verantwoording, biedt de deelnemer gelegenheid tot reflectie op de voortgang en is een concrete maatstaf voor 'succes' van de zelfmanagementinterventie.
|
|
Actieve vergelijker: Gezondheidsopleiding
De deelnemer die is gerandomiseerd naar de standaardarm voor gezondheidseducatie, krijgt de interventie in maand 1 en vervolgens in maand 3, 6, 9 en 12.
|
Deelnemers die gerandomiseerd zijn naar de standaardarm voor gezondheidseducatie, krijgen de interventie in maand 1 en vervolgens in maand 3, 6, 9 en 12 (samenvallend met de driemaandelijkse interviews).
De deelnemer gebruikt de tablet en het telehealth-platform om het interview en de educatieve sessie met onderzoeksmedewerkers te voltooien.
De inhoud van deze sessies zal gericht zijn op het helpen van de deelnemer (en familielid/verzorger indien van toepassing) om hun gezondheidsgegevens te begrijpen, hen te helpen bij eventuele technologische problemen en de deelnemer voorlichting te geven over hun aandoening(en) en alle gevraagde hulpmiddelen.
Onderzoekspersoneel zal ook eventuele aanvullende gezondheidsvoorlichting geven als er veranderingen in de omstandigheden of nieuwe diagnoses zijn na een bezoek van een externe zorgverlener.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Change in Katz ADL Index
Tijdsspanne: 1 year
|
The Katz Index of Independence in Activities of Daily Living, commonly referred to as the Katz ADL, assesses functional status as a measurement of the client's ability to perform activities of daily living independently.
The Index ranks adequacy of performance in the six functions of bathing, dressing, toileting, transferring, continence, and feeding.
Clients are scored yes/no for independence in each of the six functions.
A score of 6 indicates full function, 4 indicates moderate impairment, and 2 or less indicates severe functional impairment.
This scale ranges from 0 to 6.
This measure is the calculated change in score from baseline to post-intervention.
|
1 year
|
|
Change in PROMIS-43
Tijdsspanne: 1 year
|
PROMIS® (Patient-Reported Outcomes Measurement Information System) is a set of person-centered measures that evaluates and monitors physical, mental, and social health in adults and children. The PROMIS-43 is a collection of 6-item short forms assessing anxiety, depression, fatigue, pain interference, physical function, sleep disturbance, and ability to participate in social roles and activities as well as a single pain intensity item. Each short form is scored as a T-score, with a score of 50 being average. This scale is 0 to 100. Higher scores indicate more (anxiety, depression, etc) and lower scores indicate less. This measure is the change in the T-score from baseline to post-intervention. A positive change in T-score is different for each sub-domain. Each will be indicated below in the row title. |
1 year
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Change in Hospital Anxiety and Depression Scale
Tijdsspanne: 1 year
|
The Hospital Anxiety and Depression Scale is a two dimension scale developed to identify depression and anxiety.
There are 14 items.
The respondent rates each item on a 4 point scale ranging from 0 (absence) to 3 (extreme presence).
Some questions are inversely scored.
This outcome was assessed at baseline and post-intervention.
This measure is the change in score on the scale.
The overall range of scores is 0 to 42.
Anxiety and depression domains are reported separately below.
|
1 year
|
|
Change in Canadian Occupational Performance Measure
Tijdsspanne: 1 year
|
The COPM is administered by an occupational therapy practitioner.
The participant ranks their five most important occupations that they currently have difficulty with.
Then they rate their current performance and satisfaction with that performance on a scale of 1-10.
The score on those five occupations are averaged to get a score of self-rated occupational performance and self-rated satisfaction with performance.
The scores on both scales can range from 0 to 10.
This measure is the change from baseline to post-intervention on both scores, reported separately below.
|
1 year
|
|
Change in Patient Activation Measure
Tijdsspanne: 1 year
|
The Patient Activation Measure® is a 13-item survey that assesses an individual's knowledge, skills and confidence integral to managing one's own health and healthcare.
The participants rates how much they agree or disagree (1-4 scale) with 13 statements.
Using a licensed tool, a score ranging 0-100 is calculated.
This measure is the change in that score from baseline to post-intervention.
A positive change score means improvement.
|
1 year
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Rachel M Proffitt, OTD, University of Missouri-Columbia
Publicaties en nuttige links
De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.
Algemene publicaties
- Glasgow RE, Funnell MM, Bonomi AE, Davis C, Beckham V, Wagner EH. Self-management aspects of the improving chronic illness care breakthrough series: implementation with diabetes and heart failure teams. Ann Behav Med. 2002 Spring;24(2):80-7. doi: 10.1207/S15324796ABM2402_04.
- Gearing RE, El-Bassel N, Ghesquiere A, Baldwin S, Gillies J, Ngeow E. Major ingredients of fidelity: a review and scientific guide to improving quality of intervention research implementation. Clin Psychol Rev. 2011 Feb;31(1):79-88. doi: 10.1016/j.cpr.2010.09.007. Epub 2010 Oct 7.
- Snaith RP. The Hospital Anxiety And Depression Scale. Health Qual Life Outcomes. 2003 Aug 1;1:29. doi: 10.1186/1477-7525-1-29.
- Missouri Department of Health and Senior Services 2019. Health in rural Missouri: Biennial report 2018-2019. http://health.mo.gov/living/families/ruralhealth/pdf/biennial2019.pdf
- Research and Training Center on Disability in Rural Communities. 2020. Missouri State Profile. http://rtc.ruralinstitute.umt.edu/state-profile-map-series/missouri-state-profile/
- Kane, R, L, (1999). A new model of chronic care. Generations-Journal of the American Society on Aging, 23(2), 35-37
- Rantz M, Phillips LJ, Galambos C, Lane K, Alexander GL, Despins L, Koopman RJ, Skubic M, Hicks L, Miller S, Craver A, Harris BH, Deroche CB. Randomized Trial of Intelligent Sensor System for Early Illness Alerts in Senior Housing. J Am Med Dir Assoc. 2017 Oct 1;18(10):860-870. doi: 10.1016/j.jamda.2017.05.012. Epub 2017 Jul 12.
- Rantz MJ, Scott SD, Miller SJ, Skubic M, Phillips L, Alexander G, Koopman RJ, Musterman K, Back J. Evaluation of health alerts from an early illness warning system in independent living. Comput Inform Nurs. 2013 Jun;31(6):274-80. doi: 10.1097/NXN.0b013e318296298f.
- Rantz MJ, Skubic M, Miller SJ, Galambos C, Alexander G, Keller J, Popescu M. Sensor technology to support Aging in Place. J Am Med Dir Assoc. 2013 Jun;14(6):386-91. doi: 10.1016/j.jamda.2013.02.018. Epub 2013 Apr 3.
- Skubic M, Guevara RD, Rantz M. Automated Health Alerts Using In-Home Sensor Data for Embedded Health Assessment. IEEE J Transl Eng Health Med. 2015 Apr 10;3:2700111. doi: 10.1109/JTEHM.2015.2421499. eCollection 2015.
- Skubic, M., Guevara, R. D., & Rantz, M. (2012). Testing classifiers for embedded health assessment. Proc., International Conference on Smart Homes and Health Telematics, Artimino, Italy, pp. 198-205
- Jain, A., Keller, J., & Popescu, M. (2019, June 23-26). Explainable Al for dataset comparison, {Paper presentation}. 2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE).
- Ibrahim, O. A., Keller, J., & Popescu, M. (2019) An unsupervised framework for detecting early signs of illness in eldercare. [Paper presentation}. 2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), San Diego, CA, USA
- Ibrahim, O.A., Keller, J.M., & Popescu, M. (2017). Context preserving representation of daily activities in elder care. {Paper presentation}. IEEE International Conference on Bioinformatics and Biomedicine (BIBM)
- Ibrahim, O.A., Popescu, M., & Keller, J.M. (2017). Unsupervised Analysis of Activity Patterns in Eldercare Monitoring. {Paper presentation}. American Medical Informatics Association (AMIA) Annual Symposium.
- Wu, W., Keller, J.M., Skubic, M., Popescu, M., & Lane, K.R. (in review). Early detection of health changes in the elderly using in-home multi-sensors data streams.
- Mishra, A.K., Skubic, M., Despins, L.A., Popescu, M., Rantz, M., Keller, J., & Lane, K. (2019). Development of a functional health index for older adults using the electronic health record. {Paper presentation}. IEEE EMBS International Conference on Biomedical & Health Informatics (BHI), Chicago, IL, United States.
- Robinson EL, Park G, Lane K, Skubic M, Rantz M. Technology for Healthy Independent Living: Creating a Tailored In-Home Sensor System for Older Adults and Family Caregivers. J Gerontol Nurs. 2020 Jul 1;46(7):35-40. doi: 10.3928/00989134-20200605-06.
- Shelani, S., Levins, T., Robinson, E.L., Lane, K., Park, G., & Skubic, M. (2019). Development and comparison of customized voice-assistant systems for independent living older adults {Paper presentation}. HCII conference, Orlando, FL, United States
- Federal Interagency Forum on Aging Related Statistics. (2016). Older Americans 2016: Key Indicators of Wellbeing. Washington DC: US Government Printing Office.
- He, W., Larsen, L. J., and U.S. Census Bureau. (2014, December). Older Americans with a disability. Washington, DC, U.S. Government Printing Office.
- Griffith L, Raina P, Wu H, Zhu B, Stathokostas L. Population attributable risk for functional disability associated with chronic conditions in Canadian older adults. Age Ageing. 2010 Nov;39(6):738-45. doi: 10.1093/ageing/afq105. Epub 2010 Sep 1.
- Fong JH. Disability incidence and functional decline among older adults with major chronic diseases. BMC Geriatr. 2019 Nov 21;19(1):323. doi: 10.1186/s12877-019-1348-z.
- Center for Disease Control and Prevention. (2012). Preventing Chronic disease. Multiple Chronic Conditions Among US Adults; A2012 Update. Retrieved from http://www.cdc.gov/pcd/issues/2014/13_0389.htm Accessed May 15, 2020.
- U.S. Administration on Aging. (2014). A Profile of Older Americans; 2014. Department of Health and Human Services Washington, DC, Retrieved from http://www.aoa.acl.gov/Aging_Statistics/Profile/2014/docs/2014-Profile.pdf. Accessed May 15, 2020.
- Herbert C, Molinsky JH. What Can Be Done To Better Support Older Adults To Age Successfully In Their Homes And Communities? Health Aff (Millwood). 2019 May;38(5):860-864. doi: 10.1377/hlthaff.2019.00203. Epub 2019 Apr 24.
- Santos-Eggimann B, Meylan L. Older Citizens' Opinions on Long-Term Care Options: A Vignette Survey. J Am Med Dir Assoc. 2017 Apr 1;18(4):326-334. doi: 10.1016/j.jamda.2016.10.010. Epub 2016 Dec 9.
- Skinner HG, Coffey R, Jones J, Heslin KC, Moy E. The effects of multiple chronic conditions on hospitalization costs and utilization for ambulatory care sensitive conditions in the United States: a nationally representative cross-sectional study. BMC Health Serv Res. 2016 Mar 1;16:77. doi: 10.1186/s12913-016-1304-y.
- Schoen C, Davis K, Willink A. Medicare Beneficiaries' High Out-of-Pocket Costs: Cost Burdens by Income and Health Status. Issue Brief (Commonw Fund). 2017 May;11:1-14.
- Banerjee D. The impact of Covid-19 pandemic on elderly mental health. Int J Geriatr Psychiatry. 2020 Dec;35(12):1466-1467. doi: 10.1002/gps.5320. Epub 2020 Jun 27. No abstract available.
- Armitage R, Nellums LB. COVID-19 and the consequences of isolating the elderly. Lancet Public Health. 2020 May;5(5):e256. doi: 10.1016/S2468-2667(20)30061-X. Epub 2020 Mar 20. No abstract available.
- Steinman MA, Perry L, Perissinotto CM. Meeting the Care Needs of Older Adults Isolated at Home During the COVID-19 Pandemic. JAMA Intern Med. 2020 Jun 1;180(6):819-820. doi: 10.1001/jamainternmed.2020.1661. No abstract available.
- Beutel ME, Klein EM, Brahler E, Reiner I, Junger C, Michal M, Wiltink J, Wild PS, Munzel T, Lackner KJ, Tibubos AN. Loneliness in the general population: prevalence, determinants and relations to mental health. BMC Psychiatry. 2017 Mar 20;17(1):97. doi: 10.1186/s12888-017-1262-x.
- Boyle CA, Fox MH, Havercamp SM, Zubler J. The public health response to the COVID-19 pandemic for people with disabilities. Disabil Health J. 2020 Jul;13(3):100943. doi: 10.1016/j.dhjo.2020.100943. Epub 2020 May 24.
- Turk MA, McDermott S. The COVID-19 pandemic and people with disability. Disabil Health J. 2020 Jul;13(3):100944. doi: 10.1016/j.dhjo.2020.100944. Epub 2020 May 28. No abstract available.
- Rantz M, Skubic M, Abbott C, Galambos C, Popescu M, Keller J, Stone E, Back J, Miller SJ, Petroski GF. Automated In-Home Fall Risk Assessment and Detection Sensor System for Elders. Gerontologist. 2015 Jun;55 Suppl 1(Suppl 1):S78-87. doi: 10.1093/geront/gnv044.
- Rantz M, Lane K, Phillips LJ, Despins LA, Galambos C, Alexander GL, Koopman RJ, Hicks L, Skubic M, Miller SJ. Enhanced registered nurse care coordination with sensor technology: Impact on length of stay and cost in aging in place housing. Nurs Outlook. 2015 Nov-Dec;63(6):650-5. doi: 10.1016/j.outlook.2015.08.004. Epub 2015 Sep 8.
- Galambos C, Rantz M, Back J, Jun JS, Skubic M, Miller SJ. Older Adults' Perceptions of and Preferences for a Fall Risk Assessment System: Exploring Stages of Acceptance Model. Comput Inform Nurs. 2017 Jul;35(7):331-337. doi: 10.1097/CIN.0000000000000330.
- Connelly K, Molchan H, Bidanta R, Siddh S, Lowens B, Caine K, Demiris G, Siek K, Reeder B. Evaluation framework for selecting wearable activity monitors for research. Mhealth. 2021 Jan 20;7:6. doi: 10.21037/mhealth-19-253. eCollection 2021.
- Wagner EH, Davis C, Schaefer J, Von Korff M, Austin B. A survey of leading chronic disease management programs: are they consistent with the literature? Manag Care Q. 1999 Summer;7(3):56-66.
- Glasgow RE, Orleans CT, Wagner EH. Does the chronic care model serve also as a template for improving prevention? Milbank Q. 2001;79(4):579-612, iv-v. doi: 10.1111/1468-0009.00222.
- Rantz M, Popejoy LL, Galambos C, Phillips LJ, Lane KR, Marek KD, Hicks L, Musterman K, Back J, Miller SJ, Ge B. The continued success of registered nurse care coordination in a state evaluation of aging in place in senior housing. Nurs Outlook. 2014 Jul-Aug;62(4):237-46. doi: 10.1016/j.outlook.2014.02.005. Epub 2014 Feb 22.
- Boockvar KS, Lachs MS. Predictive value of nonspecific symptoms for acute illness in nursing home residents. J Am Geriatr Soc. 2003 Aug;51(8):1111-5. doi: 10.1046/j.1532-5415.2003.51360.x.
- Boockvar K, Brodie HD, Lachs M. Nursing assistants detect behavior changes in nursing home residents that precede acute illness: development and validation of an illness warning instrument. J Am Geriatr Soc. 2000 Sep;48(9):1086-91. doi: 10.1111/j.1532-5415.2000.tb04784.x.
- Hogan J. Why don't nurses monitor the respiratory rates of patients? Br J Nurs. 2006 May 11-24;15(9):489-92. doi: 10.12968/bjon.2006.15.9.21087.
- Ridley S. The recognition and early management of critical illness. Ann R Coll Surg Engl. 2005 Sep;87(5):315-22. doi: 10.1308/003588405X60669.
- Mann DM, Chen J, Chunara R, Testa PA, Nov O. COVID-19 transforms health care through telemedicine: Evidence from the field. J Am Med Inform Assoc. 2020 Jul 1;27(7):1132-1135. doi: 10.1093/jamia/ocaa072.
- Laver KE, Schoene D, Crotty M, George S, Lannin NA, Sherrington C. Telerehabilitation services for stroke. Cochrane Database Syst Rev. 2013 Dec 16;2013(12):CD010255. doi: 10.1002/14651858.CD010255.pub2.
- Varnfield M, Karunanithi M, Lee CK, Honeyman E, Arnold D, Ding H, Smith C, Walters DL. Smartphone-based home care model improved use of cardiac rehabilitation in postmyocardial infarction patients: results from a randomised controlled trial. Heart. 2014 Nov;100(22):1770-9. doi: 10.1136/heartjnl-2014-305783. Epub 2014 Jun 27.
- Piotrowicz E, Baranowski R, Bilinska M, Stepnowska M, Piotrowska M, Wojcik A, Korewicki J, Chojnowska L, Malek LA, Klopotowski M, Piotrowski W, Piotrowicz R. A new model of home-based telemonitored cardiac rehabilitation in patients with heart failure: effectiveness, quality of life, and adherence. Eur J Heart Fail. 2010 Feb;12(2):164-71. doi: 10.1093/eurjhf/hfp181. Epub 2009 Dec 30.
- Little, L., Wallisch, A., Pope, E., & Dunn, W. (2018). Acceptability and cost comparison of telehealth intervention for families of children with autism.
- Little, L., Wallisch, A., Pope, El, & Dunn, W. (2018). Acceptability and cost comparison of a telehealth intervention for families of children with autism. Infants and Young Children. 31(4), 275-286
- Weisz, J.R. (2015). Bridging the research-practice divide in youth psychotherapy. The deployment-focused model and transdiagnostic treatment. Verhaltenstherapie, 25(2), 129-132
- Wainer, A.L., Dvortcsak, A., & Ingersoll, B. (2018). Designing for Dissemination: The Utility of the Deployment. Handbook of Parent-implemented interventions for a Very Young Children with Autism, 425
- Wang, S. (2011). Change Detection for Eldercare Using Passive Sensing. PhD. Thesis, Electrical and Computer Engineering Dept., University of Missouri, Columbia, MO
- Wang S, Skubic M, Zhu Y. Activity density map visualization and dissimilarity comparison for eldercare monitoring. IEEE Trans Inf Technol Biomed. 2012 Jul;16(4):607-14. doi: 10.1109/TITB.2012.2196439. Epub 2012 Apr 25.
- Wang S, Skubic M, Zhu Y, Galambos C. Using Passive Sensing to Estimate Relative Energy Expenditure for Eldercare Monitoring. Proc IEEE Int Conf Pervasive Comput Commun. 2011 Mar 21:642-648. doi: 10.1109/PERCOMW.2011.5766968.
- Heise D, Skubic M. Monitoring pulse and respiration with a non-invasive hydraulic bed sensor. Annu Int Conf IEEE Eng Med Biol Soc. 2010;2010:2119-23. doi: 10.1109/IEMBS.2010.5627219.
- Heise D, Rosales L, Skubic M, Devaney MJ. Refinement and evaluation of a hydraulic bed sensor. Annu Int Conf IEEE Eng Med Biol Soc. 2011;2011:4356-60. doi: 10.1109/IEMBS.2011.6091081.
- Rosales, L., Bo-Yu, S., Skkubic, M. & Ho, K.C. (2017). Heart rate estimation from hydraulic bed sensor ballistocardiogram. Journal of Ambient Intelligence and Smart Environments, 9(2), 193-207
- Lydon K, Su BY, Rosales L, Enayati M, Ho KC, Rantz M, Skubic M. Robust heartbeat detection from in-home ballistocardiogram signals of older adults using a bed sensor. Annu Int Conf IEEE Eng Med Biol Soc. 2015;2015:7175-9. doi: 10.1109/EMBC.2015.7320047.
- Starr, I., Rawson, A., Schroeder, H., & Joseph, N. (1939). Studies on the estimation of cardiac output in man, and of abnormalities in cardiac function , from the heart's recoil and the blood's impacts; the ballistocardiogram, American Journal of Physiology--Legacy Content, 127 (1), 1-28
- Stone, E., & Skubic, M. (2011). Evaluation of an inexpensive depth camera for in-home gait assessment. Journal of Ambient Intelligence and Smart Environments, 3(4), 349-361.
- Stone EE, Skubic M. Unobtrusive, continuous, in-home gait measurement using the Microsoft Kinect. IEEE Trans Biomed Eng. 2013 Oct;60(10):2925-32. doi: 10.1109/TBME.2013.2266341. Epub 2013 Jun 5.
- Stone EE, Skubic M, Back J. Automated health alerts from Kinect-based in-home gait measurements. Annu Int Conf IEEE Eng Med Biol Soc. 2014;2014:2961-4. doi: 10.1109/EMBC.2014.6944244.
- Banerjee T, Keller JM, Skubic M. Resident identification using kinect depth image data and fuzzy clustering techniques. Annu Int Conf IEEE Eng Med Biol Soc. 2012;2012:5102-5. doi: 10.1109/EMBC.2012.6347141.
- Shumway-Cook A, Brauer S, Woollacott M. Predicting the probability for falls in community-dwelling older adults using the Timed Up & Go Test. Phys Ther. 2000 Sep;80(9):896-903.
- Stone E, Skubic M, Rantz M, Abbott C, Miller S. Average in-home gait speed: investigation of a new metric for mobility and fall risk assessment of elders. Gait Posture. 2015 Jan;41(1):57-62. doi: 10.1016/j.gaitpost.2014.08.019. Epub 2014 Sep 6.
- Stone EE, Skubic M. Fall detection in homes of older adults using the Microsoft Kinect. IEEE J Biomed Health Inform. 2015 Jan;19(1):290-301. doi: 10.1109/JBHI.2014.2312180. Epub 2014 Mar 17.
- Phillips LJ, DeRoche CB, Rantz M, Alexander GL, Skubic M, Despins L, Abbott C, Harris BH, Galambos C, Koopman RJ. Using Embedded Sensors in Independent Living to Predict Gait Changes and Falls. West J Nurs Res. 2017 Jan;39(1):78-94. doi: 10.1177/0193945916662027. Epub 2016 Jul 28.
- Proffitt R, Glegg S, Levac D, Lange B. End-user involvement in rehabilitation virtual reality implementation research. J Enabling Technol. 2019;13(2):92-100. doi: 10.1108/JET-10-2018-0050. Epub 2019 Jun 17.
- Proffitt R, Lange B, Chen C, Winstein C. A comparison of older adults' subjective experiences with virtual and real environments during dynamic balance activities. J Aging Phys Act. 2015 Jan;23(1):24-33. doi: 10.1123/japa.2013-0126. Epub 2013 Dec 11.
- Proffitt R, Lange B. Feasibility of a Customized, In-Home, Game-Based Stroke Exercise Program Using the Microsoft Kinect(R) Sensor. Int J Telerehabil. 2015 Nov 20;7(2):23-34. doi: 10.5195/ijt.2015.6177. eCollection 2015 Fall.
- Reeder B, Chung J. Joe J, Lazar A, Thompson HJ, Demiris G. Understanding Older Adults' Perceptions of IN-Home Sensors Using an Obtrusiveness Framework. HCI International 2016; July 17-22, 2016; Toronto CA: Springer; 2016
- Reeder B, Chung J, Le T, Thompson H, Demiris G. Assessing older adults' perceptions of sensor data and designing visual displays for ambient environments. An exploratory study. Methods Inf Med. 2014;53(3):152-9. doi: 10.3414/ME13-02-0009. Epub 2014 Apr 14.
- Reeder B, Chung J, Lazar A, Joe J, Demiris G, Thompson HJ. Testing a theory-based mobility monitoring protocol using in-home sensors: a feasibility study. Res Gerontol Nurs. 2013 Oct;6(4):253-63. doi: 10.3928/19404921-20130729-02. Epub 2013 Aug 5.
- Pak, R, & McLaughlin, A. (2010). Designing displays for older adults: CRC Press
- Fisk AD, Rogers WA, Charness N, Czaja SJ, & Sharit J. (2009). Designing for older adults: Principles and creative human factors approaches. Boca Raton, FL: CRC press
- Shelkey M, Wallace M. Katz Index of Independence in Activities of Daily Living (ADL). Director. 2000 Spring;8(2):72-3. No abstract available.
- Suijker JJ, Buurman BM, ter Riet G, van Rijn M, de Haan RJ, de Rooij SE, Moll van Charante EP. Comprehensive geriatric assessment, multifactorial interventions and nurse-led care coordination to prevent functional decline in community-dwelling older persons: protocol of a cluster randomized trial. BMC Health Serv Res. 2012 Apr 1;12:85. doi: 10.1186/1472-6963-12-85.
- Szanton, S.L., & Gitlin, L.N. (2016). Meeting the health care financing imperative through focusing on function. The CAPABLE studies. Public Policy & Aging Report. 26(3), 106-110
- Hays RD, Spritzer KL, Schalet BD, Cella D. PROMIS(R)-29 v2.0 profile physical and mental health summary scores. Qual Life Res. 2018 Jul;27(7):1885-1891. doi: 10.1007/s11136-018-1842-3. Epub 2018 Mar 22.
- Lewis, T.F., Larson, M.F., & Korcuska, J.S. (2017). Strengthening the planning process of motivational interviewing using goal attainment scaling. Journal of Mental Health Counseling, 39(3), 195-210
- Cup EH, Scholte op Reimer WJ, Thijssen MC, van Kuyk-Minis MA. Reliability and validity of the Canadian Occupational Performance Measure in stroke patients. Clin Rehabil. 2003 Jul;17(4):402-9. doi: 10.1191/0269215503cr635oa.
- Hibbard JH, Stockard J, Mahoney ER, Tusler M. Development of the Patient Activation Measure (PAM): conceptualizing and measuring activation in patients and consumers. Health Serv Res. 2004 Aug;39(4 Pt 1):1005-26. doi: 10.1111/j.1475-6773.2004.00269.x.
- Barg-Walkow, L.H., Mitzner, T.L., & ROgers, W.A. (2014). Technology Experience Profile (TEP): Assessment and Scoring Guide. HFA-TR-1402). Atlanta, GA: Georgia Institute of Technology, School of Psychology, Human Factors and Aging Laboratory.
- Green LW, Glasgow RE, Atkins D, Stange K. Making evidence from research more relevant, useful, and actionable in policy, program planning, and practice slips "twixt cup and lip". Am J Prev Med. 2009 Dec;37(6 Suppl 1):S187-91. doi: 10.1016/j.amepre.2009.08.017. No abstract available.
- Glasgow RE, Klesges LM, Dzewaltowski DA, Bull SS, Estabrooks P. The future of health behavior change research: what is needed to improve translation of research into health promotion practice? Ann Behav Med. 2004 Feb;27(1):3-12. doi: 10.1207/s15324796abm2701_2.
- Boyatzis RE. Thematic analysis and code development: Transforming qualitative information. London and New Delhi: Sage Publications. 1998
- Turner AM, Reeder B, Ramey J. Scenarios, personas and user stories: user-centered evidence-based design representations of communicable disease investigations. J Biomed Inform. 2013 Aug;46(4):575-84. doi: 10.1016/j.jbi.2013.04.006. Epub 2013 Apr 22.
- Reeder B, Turner AM. Scenario-based design: a method for connecting information system design with public health operations and emergency management. J Biomed Inform. 2011 Dec;44(6):978-88. doi: 10.1016/j.jbi.2011.07.004. Epub 2011 Jul 23.
- Reeder B, Zaslavksy O, Wilamowska KM, Demiris G, Thompson HJ. Modeling the oldest old: personas to design technology-based solutions for older adults. AMIA Annu Symp Proc. 2011;2011:1166-75. Epub 2011 Oct 22.
- Reeder B, Hills RA, Turner AM, Demiris G. Participatory design of an integrated information system design to support public health nurses and nurse managers. Public Health Nurs. 2014 Mar-Apr;31(2):183-92. doi: 10.1111/phn.12081. Epub 2013 Sep 30.
- Reeder B, Demiris G. Building the PHARAOH framework using scenario-based design: a set of pandemic decision-making scenarios for continuity of operations in a large municipal public health agency. J Med Syst. 2010 Aug;34(4):735-9. doi: 10.1007/s10916-009-9288-3. Epub 2009 Apr 23.
- Deyo RA, Katrina Ramsey, Buckley DI, Michaels L, Kobus A, Eckstrom E, Forro V, Morris C. Performance of a Patient Reported Outcomes Measurement Information System (PROMIS) Short Form in Older Adults with Chronic Musculoskeletal Pain. Pain Med. 2016 Feb;17(2):314-24. doi: 10.1093/pm/pnv046.
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (Werkelijk)
1 juni 2022
Primaire voltooiing (Werkelijk)
31 oktober 2024
Studie voltooiing (Werkelijk)
31 oktober 2024
Studieregistratiedata
Eerst ingediend
21 maart 2022
Eerst ingediend dat voldeed aan de QC-criteria
16 mei 2022
Eerst geplaatst (Werkelijk)
18 mei 2022
Updates van studierecords
Laatste update geplaatst (Werkelijk)
24 juli 2026
Laatste update ingediend die voldeed aan QC-criteria
23 juli 2026
Laatst geverifieerd
1 juli 2026
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 2043542
- 1R01AG072935-01A1 (Subsidie/contract van de Amerikaanse NIH)
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
JA
Beschrijving IPD-plan
We zullen geanonimiseerde gegevens over klinische resultaten en parameters die uit het sensorsysteem zijn gehaald (bijv. is een door de NIH gefinancierde repository.
Ingediende gegevens worden bevestigd met relevante gegevens en terminologiestandaarden.
Gegevens worden geanonimiseerd volgens de IRB-procedures van de University of Missouri.
Alle sensorparameters worden op de beveiligde server opgeslagen als geanonimiseerde gegevens, dus er is geen verdere verwerking vereist voordat ze bij NACDA worden gedeponeerd.
Identificatiegegevens worden verwijderd uit klinische uitkomstgegevens voordat ze bij NACDA worden gedeponeerd.
Alle persoonlijke en privé-informatie van studiedeelnemers wordt beschermd met behulp van ons beveiligde gegevensverzamelingssysteem (RedCap) op een gecodeerd netwerk.
Er wordt geen persoonlijke of privé-informatie gedeeld.
IPD-tijdsbestek voor delen
Gegevens zullen beschikbaar zijn na voltooiing van het onderzoek en zullen worden bewaard volgens parameters voor het National Archive of Computerized Data on Aging (NACDA)
IPD-toegangscriteria voor delen
Aangezien ik het National Archive of Computerized Data on Aging (NACDA) zal gebruiken, een door de NIH gefinancierde repository, heeft deze repository beleid en procedures die toegang tot gegevens zullen bieden aan gekwalificeerde onderzoekers, volledig in overeenstemming met het NIH-beleid voor het delen van gegevens en toepasselijke Wet en regelgeving.
IPD delen Ondersteunend informatietype
- LEERPROTOCOOL
- SAP
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
product vervaardigd in en geëxporteerd uit de V.S.
Nee
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .