Zmniejszanie niepełnosprawności związanej z COVID-19 u starszych osób dorosłych zamieszkujących obszary wiejskie przy użyciu inteligentnych technologii
23 lipca 2026 zaktualizowane przez: Rachel Proffitt, University of Missouri-Columbia
Wymogi dotyczące dystansu społecznego w związku z COVID-19 w połączeniu z niekorzystnymi skutkami zdrowotnymi izolacji społecznej i ograniczonym dostępem do opieki zdrowotnej na obszarach wiejskich stawiają osoby starsze niepełnosprawne w tragicznej sytuacji.
Inteligentny system czujników, który ma zostać wdrożony i zbadany w ramach tego projektu, ma na celu zmniejszenie niepełnosprawności starszych osób dorosłych mieszkających w społecznościach wiejskich oraz poprawę jakości życia związanej ze zdrowiem, w tym depresji i lęku.
Opracowany zostanie przewodnik wdrożeniowy, aby zwiększyć powodzenie przyszłych ewaluacji na większą skalę.
Przegląd badań
Status
Zakończony
Warunki
Interwencja / Leczenie
Szczegółowy opis
Ponad 85% Missouri to tereny wiejskie, a osoby na tych obszarach wiejskich są starsze i mają ograniczony dostęp do regularnej opieki zdrowotnej w porównaniu z osobami mieszkającymi na obszarach miejskich Missouri.
Osoby niepełnosprawne, zwłaszcza starsze osoby dorosłe, są bardziej narażone na zarażenie się COVID-19.
Istnieje krytyczna potrzeba ograniczenia niepełnosprawności i poprawy jakości życia niepełnosprawnych osób starszych mieszkających w społeczności, aby pomyślnie starzenie się w miejscu podczas pandemii COVID-19.
Wraz z naszą firmą partnerską Foresite Healthcare opracowaliśmy sprawdzone rozwiązanie technologiczne oparte na czujnikach do monitorowania zachowań zdrowotnych w domu.
W wieloośrodkowym randomizowanym badaniu kontrolowanym wykazaliśmy, że system czujników z koordynacją opieki pielęgniarskiej zapobiega spadkowi funkcji osób starszych mieszkających w domach opieki.
Długoterminowym celem tych badań jest jak najdłuższe wspieranie samodzielnego życia osób starszych z niepełnosprawnością.
Celem tego projektu jest wdrożenie systemu czujników w domach starszych osób niepełnosprawnych mieszkających w społecznościach wiejskich i ocena wpływu systemu czujników na zmniejszenie niepełnosprawności i poprawę jakości życia związanej ze zdrowiem.
System czujników zostanie zainstalowany w domach 64 starszych osób, korzystając z dwuramiennej, randomizowanej, kontrolowanej próby.
Uczestnicy przydzieleni losowo do ramienia badania 1 otrzymają multidyscyplinarną (pielęgniarstwo, terapia zajęciowa i praca socjalna) interwencję w zakresie samodzielnego zarządzania połączoną z systemem czujników.
Ta interwencja opiera się na podejściu samozarządzania 5As i jest bezpośrednim przełożeniem koordynacji opieki pielęgniarskiej w naszych wcześniejszych badaniach.
Uczestnicy przydzieleni losowo do ramienia badania 2 będą mieli standardową edukację zdrowotną w połączeniu z systemem czujników.
Przewodnik wdrożeniowy do wykorzystania w przyszłości z różnymi agencjami partnerskimi zostanie opracowany z wykorzystaniem danych na poziomie indywidualnym i środowiskowym zebranych z Celów 1, 2 i 3 przy użyciu ram RE-AIM.
Projekt będzie realizowany w trzech celach.
W Celu 1 oceniamy wpływ systemu czujników w połączeniu z interdyscyplinarną interwencją samokontroli w porównaniu z systemem czujników w połączeniu ze standardową edukacją zdrowotną na niepełnosprawność i jakość życia związaną ze zdrowiem po 1 roku.
W Celu 2 ocenimy wpływ systemu czujników na drugorzędne wyniki zdrowotne (depresja, lęk, wydajność zawodowa i obciążenie opiekuna), wskaźniki upadków i korzystanie z opieki zdrowotnej.
W Celu 3 będziemy gromadzić dane poszczególnych uczestników w celu uzyskania satysfakcji i adopcji oraz dane interesariuszy dotyczące organizacji.
Dane z Celów 1, 2 i 3 zostaną przeanalizowane przy użyciu RE-AIM w celu opracowania wskazówek dotyczących wdrażania w kontekście organizacji.
W przypadku osób starszych niepełnosprawnych mieszkających na obszarach wiejskich system czujników może zmienić podejście do opieki zdrowotnej i zarządzania niepełnosprawnością.
Typ studiów
Interwencyjne
Zapisy (Rzeczywisty)
58
Faza
- Nie dotyczy
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
Missouri
-
Columbia, Missouri, Stany Zjednoczone, 65211
- University of Missouri
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
65 lat i starsze (Starszy dorosły)
Akceptuje zdrowych ochotników
Nie
Opis
Kryteria przyjęcia:
- Powyżej 65 roku życia, mieszka w hrabstwie wiejskim, ma trudności z co najmniej 1 czynnością samoobsługową lub 2 czynnościami życia codziennego, ma dostęp do internetu, jest w stanie stać z pomocą lub bez pomocy
Kryteria wyłączenia:
- Oczekiwana długość życia poniżej jednego roku, Ciężkie upośledzenie funkcji poznawczych (minimum ocena stanu psychicznego <17), Życie w placówce świadczącej usługi opiekuńcze, Katz ADL 6, Otrzymywanie fizjoterapii w domu, terapii zajęciowej lub pielęgniarskiej, Byli hospitalizowani więcej niż trzy razy w ciągu ostatnich 12 miesięcy Planują zmienić miejsce zamieszkania w ciągu najbliższego roku
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Leczenie
- Przydział: Randomizowane
- Model interwencyjny: Przydział równoległy
- Maskowanie: Pojedynczy
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
Eksperymentalny: Samozarządzanie
Tryb zmiany zachowania 5A [39] jest ramą dla interwencji samozarządzania.
Pięć „A” zostanie rozwiązanych poprzez integrację interwencji samozarządzania i systemu czujników.
Odbędą się co najmniej cztery sesje interwencyjne z każdym pracownikiem służby zdrowia (OT, RN i SW) dla 12 wizyt na uczestnika.
|
Interwencja samozarządzania zostanie przeprowadzona w ciągu roku.
Odbędą się co najmniej cztery sesje interwencyjne z każdym pracownikiem służby zdrowia (OT, RN i SW) dla 12 wizyt na uczestnika.
Zespół (OT, RN i SW) spotka się dwa razy w ciągu pierwszych 2 miesięcy, aby wybrać wiodącego interwencjonistę w oparciu o cele SMART uczestnika i obszary zainteresowania.
Główny interwencjonista przeprowadzi trzy dodatkowe sesje z uczestnikiem i będzie osobą odpowiedzialną za alerty i komunikaty systemu czujników.
Skalowanie realizacji celów [83] zostanie przeprowadzone podczas kwartalnej rozmowy w celu oceny postępów uczestników w realizacji celów SMART.
Środek ten jest administrowany wspólnie z uczestnikiem, zapewnia dalszą odpowiedzialność, daje uczestnikowi możliwość refleksji nad postępami i jest konkretną miarą „sukcesu” interwencji samozarządzania.
|
|
Aktywny komparator: Edukacja zdrowotna
Uczestnik przydzielony losowo do ramienia standardowej edukacji zdrowotnej otrzyma interwencję w miesiącu 1, a następnie w miesiącach 3, 6, 9 i 12.
|
Uczestnicy przydzieleni losowo do ramienia standardowej edukacji zdrowotnej otrzymają interwencję w miesiącu 1, a następnie w miesiącach 3, 6, 9 i 12 (co zbiega się z kwartalnymi wywiadami).
Uczestnik użyje tabletu i platformy telezdrowia, aby przeprowadzić wywiad i sesję edukacyjną z pracownikami naukowymi.
Treść tych sesji będzie koncentrować się na pomaganiu uczestnikowi (oraz członkowi rodziny/opiekunowi w stosownych przypadkach) w zrozumieniu danych dotyczących ich zdrowia, pomaganiu im we wszelkich kwestiach technologicznych oraz zapewnianiu uczestnikowi edukacji na temat jego stanu(ów) i wszelkich wymaganych zasobów.
Personel badawczy zapewni również dodatkową edukację zdrowotną w przypadku zmiany warunków lub nowych diagnoz po wizycie zewnętrznego usługodawcy.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Change in Katz ADL Index
Ramy czasowe: 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
Ramy czasowe: 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
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Change in Hospital Anxiety and Depression Scale
Ramy czasowe: 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
Ramy czasowe: 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
Ramy czasowe: 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
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Współpracownicy
Śledczy
- Główny śledczy: Rachel M Proffitt, OTD, University of Missouri-Columbia
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- 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.
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
1 czerwca 2022
Zakończenie podstawowe (Rzeczywisty)
31 października 2024
Ukończenie studiów (Rzeczywisty)
31 października 2024
Daty rejestracji na studia
Pierwszy przesłany
21 marca 2022
Pierwszy przesłany, który spełnia kryteria kontroli jakości
16 maja 2022
Pierwszy wysłany (Rzeczywisty)
18 maja 2022
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
24 lipca 2026
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
23 lipca 2026
Ostatnia weryfikacja
1 lipca 2026
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 2043542
- 1R01AG072935-01A1 (Grant/umowa NIH USA)
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
TAK
Opis planu IPD
Udostępnimy zdeidentyfikowane dane dotyczące wyników klinicznych i parametry wyodrębnione z systemu czujników (np. gęstość ruchu, prędkość chodu) związane z uczestnikami badania poprzez zdeponowanie tych danych w National Archive of Computerized Data on Aging (NACDA), które jest repozytorium finansowanym przez NIH.
Przesłane dane będą zgodne z odpowiednimi standardami danych i terminologii.
Dane zostaną pozbawione elementów umożliwiających identyfikację zgodnie z procedurami University of Missouri IRB.
Wszystkie parametry czujnika są przechowywane na bezpiecznym serwerze jako dane pozbawione elementów umożliwiających identyfikację, więc żadne dalsze przetwarzanie nie będzie wymagane przed złożeniem ich w NACDA.
Identyfikatory zostaną usunięte z danych dotyczących wyników klinicznych przed złożeniem ich w NACDA.
Wszystkie dane osobowe i prywatne uczestników badania będą chronione za pomocą naszego bezpiecznego systemu gromadzenia danych (RedCap) w zaszyfrowanej sieci.
Żadne dane osobowe ani prywatne nie będą udostępniane.
Ramy czasowe udostępniania IPD
Dane będą dostępne po zakończeniu badania i będą przechowywane zgodnie z parametrami Narodowego Archiwum Skomputeryzowanych Danych o Starzeniu (NACDA)
Kryteria dostępu do udostępniania IPD
Ponieważ będę korzystać z National Archive of Computerized Data on Aging (NACDA), które jest repozytorium finansowanym przez NIH, to repozytorium posiada zasady i procedury, które zapewnią dostęp do danych wykwalifikowanym naukowcom, w pełni zgodne z zasadami udostępniania danych NIH i obowiązującymi prawa i regulacje.
Typ informacji pomocniczych dotyczących udostępniania IPD
- PROTOKÓŁ BADANIA
- SOK ROŚLINNY
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
produkt wyprodukowany i wyeksportowany z USA
Nie
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .