Reduzindo a incapacidade relacionada ao COVID-19 em idosos residentes em comunidades rurais usando tecnologia inteligente
23 de julho de 2026 atualizado por: Rachel Proffitt, University of Missouri-Columbia
Os requisitos de distanciamento social para o COVID-19, juntamente com os impactos adversos do isolamento social e a diminuição do acesso aos cuidados de saúde nas áreas rurais, colocam os idosos com deficiência em uma situação terrível.
O sistema de sensor inteligente a ser implantado e estudado neste projeto visa reduzir a incapacidade de idosos residentes em comunidades rurais e melhorar a qualidade de vida relacionada à saúde, incluindo depressão e ansiedade.
Um guia de implementação será desenvolvido para aumentar o sucesso de futuras avaliações de ampliação.
Visão geral do estudo
Status
Concluído
Condições
Intervenção / Tratamento
Descrição detalhada
Mais de 85% do Missouri é rural e os indivíduos nessas áreas rurais são mais velhos e têm acesso reduzido a cuidados de saúde regulares em comparação com indivíduos que vivem em áreas urbanas do Missouri.
Pessoas com deficiência, principalmente idosos, correm maior risco de contrair a COVID-19.
Há uma necessidade crítica de reduzir a incapacidade e melhorar a qualidade de vida dos idosos com deficiência residentes na comunidade para um envelhecimento bem-sucedido no local durante a pandemia de COVID-19.
Desenvolvemos, com nossa empresa parceira Foresite Healthcare, uma solução comprovada de tecnologia baseada em sensores para monitorar comportamentos relacionados à saúde em casa.
Em um estudo controlado randomizado em vários locais, demonstramos que o sistema de sensor com coordenação de cuidados de enfermagem evita declínios na função de idosos que vivem em instalações de vida assistida.
O objetivo de longo prazo desta pesquisa é apoiar a vida independente para adultos mais velhos com deficiência pelo maior tempo possível.
O objetivo deste projeto é implantar o sistema de sensores nas residências de idosos com deficiência residentes em comunidades rurais e avaliar o efeito do sistema de sensores na redução da incapacidade e na melhoria da qualidade de vida relacionada à saúde.
Usando um estudo controlado randomizado de dois braços, o sistema de sensores será instalado nas casas de 64 idosos.
Os participantes randomizados para o braço de estudo 1 receberão uma intervenção de autogerenciamento multidisciplinar (enfermagem, terapia ocupacional e serviço social) emparelhada com o sistema de sensores.
Esta intervenção é baseada na abordagem de autogestão 5As e é uma tradução direta da coordenação do cuidado de enfermagem em nossa pesquisa anterior.
Os participantes randomizados para o braço de estudo 2 terão educação de saúde padrão emparelhada com o sistema de sensor.
Um guia de implementação para uso futuro com diferentes agências parceiras será desenvolvido usando dados individuais e de nível de estabelecimento coletados dos Objetivos 1, 2 e 3 usando a estrutura RE-AIM.
O projeto será realizado em três objetivos.
No Objetivo 1, avaliamos o efeito de um sistema de sensores emparelhado com uma intervenção de autogerenciamento multidisciplinar em comparação com o sistema de sensores emparelhado com cuidados de educação em saúde padrão sobre incapacidade e qualidade de vida relacionada à saúde após 1 ano.
No Objetivo 2, avaliaremos o efeito do sistema de sensores nos desfechos secundários de saúde (depressão, ansiedade, desempenho ocupacional e sobrecarga do cuidador), taxas de quedas e uso de assistência médica.
No objetivo 3, coletaremos dados individuais dos participantes para satisfação e adoção e dados das partes interessadas sobre o ambiente organizacional.
Os dados dos Objetivos 1, 2 e 3 serão analisados usando o RE-AIM para produzir orientações de implementação contextualizadas pelo cenário organizacional.
Para adultos mais velhos com deficiência que vivem em áreas rurais, o sistema de sensor tem o potencial de mudar a abordagem de cuidados de saúde e gestão de deficiência.
Tipo de estudo
Intervencional
Inscrição (Real)
58
Estágio
- Não aplicável
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Locais de estudo
-
-
Missouri
-
Columbia, Missouri, Estados Unidos, 65211
- University of Missouri
-
-
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
65 anos e mais velhos (Adulto mais velho)
Aceita Voluntários Saudáveis
Não
Descrição
Critério de inclusão:
- Mais de 65 anos, Morar em um condado rural definido, Ter dificuldade em pelo menos 1 tarefa de autocuidado ou 2 tarefas da vida diária, Ter acesso à Internet, Capaz de ficar de pé com ou sem ajuda
Critério de exclusão:
- Expectativa de vida inferior a um ano, Comprometimento cognitivo grave (pontuação do mini exame do estado mental <17), Viver em uma instalação que oferece serviços de assistência, Katz ADL Score de 6, Recebendo fisioterapia em casa, terapia ocupacional ou enfermagem, Foi hospitalizado mais de três vezes nos últimos 12 meses, planeja mudar de residência no próximo ano
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Tratamento
- Alocação: Randomizado
- Modelo Intervencional: Atribuição Paralela
- Mascaramento: Solteiro
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Experimental: Auto Gerenciamento
O Modo de Mudança de Comportamento do 5A [39] é a estrutura para a intervenção de autogestão.
Os cinco “A”s serão abordados através da integração da intervenção de autogestão e do sistema de sensores.
Haverá um mínimo de quatro sessões de intervenção com cada profissional de saúde (OT, RN e SW) para 12 visitas por participante.
|
A intervenção de autogestão será realizada ao longo de um ano.
Haverá um mínimo de quatro sessões de intervenção com cada profissional de saúde (TO, RN e SW) para 12 visitas por participante.
A equipe (OT, RN e SW) se reunirá duas vezes durante os primeiros 2 meses para determinar um intervencionista líder com base nas metas SMART e áreas de interesse do participante.
O intervencionista principal terá três sessões adicionais com o participante e será o ponto de referência para alertas e mensagens do sistema de sensores.
Escala de alcance de metas [83] será administrada durante a entrevista trimestral para avaliar o progresso do participante nas metas SMART.
Esta medida é administrada coletivamente com o participante, fornece maior responsabilização, oferece oportunidades para o participante refletir sobre o progresso e é uma medida concreta de "sucesso" da intervenção de autogestão.
|
|
Comparador Ativo: Educação saudável
Os participantes randomizados para o braço de educação em saúde padrão receberão a intervenção no Mês 1 e depois nos meses 3, 6, 9 e 12.
|
Os participantes randomizados para o braço de educação em saúde padrão receberão a intervenção no mês 1 e depois nos meses 3, 6, 9 e 12 (coincidindo com as entrevistas trimestrais).
O participante usará o tablet e a plataforma de telessaúde para concluir a entrevista e a sessão de educação com a equipe de pesquisa.
O conteúdo dessas sessões será focado em ajudar o participante (e membro da família/cuidador, conforme apropriado) a entender seus dados de saúde, auxiliando-os com quaisquer problemas de tecnologia e fornecendo ao participante educação sobre sua(s) condição(ões) e quaisquer recursos solicitados.
A equipe de pesquisa também fornecerá qualquer educação de saúde adicional se houver alterações nas condições ou novos diagnósticos após uma visita de um provedor externo.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Change in Katz ADL Index
Prazo: 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
Prazo: 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
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Change in Hospital Anxiety and Depression Scale
Prazo: 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
Prazo: 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
Prazo: 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
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Rachel M Proffitt, OTD, University of Missouri-Columbia
Publicações e links úteis
A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.
Publicações Gerais
- 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.
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Real)
1 de junho de 2022
Conclusão Primária (Real)
31 de outubro de 2024
Conclusão do estudo (Real)
31 de outubro de 2024
Datas de inscrição no estudo
Enviado pela primeira vez
21 de março de 2022
Enviado pela primeira vez que atendeu aos critérios de CQ
16 de maio de 2022
Primeira postagem (Real)
18 de maio de 2022
Atualizações de registro de estudo
Última Atualização Postada (Real)
24 de julho de 2026
Última atualização enviada que atendeu aos critérios de controle de qualidade
23 de julho de 2026
Última verificação
1 de julho de 2026
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 2043542
- 1R01AG072935-01A1 (Concessão/Contrato do NIH dos EUA)
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
SIM
Descrição do plano IPD
Compartilharemos dados de resultados clínicos não identificados e parâmetros extraídos do sistema de sensores (por exemplo, densidade de movimento, velocidade de marcha) associados aos participantes do estudo, depositando esses dados no Arquivo Nacional de Dados Computadorizados sobre Envelhecimento (NACDA), que é um repositório financiado pelo NIH.
Os dados enviados serão confirmados com dados relevantes e padrões de terminologia.
Os dados serão desidentificados seguindo os procedimentos IRB da Universidade de Missouri.
Todos os parâmetros do sensor são armazenados no servidor seguro como dados não identificados, portanto, nenhum processamento adicional será necessário antes do depósito no NACDA.
Os identificadores serão removidos dos dados de resultados clínicos antes do depósito no NACDA.
Todas as informações pessoais e privadas dos participantes do estudo serão protegidas usando nosso sistema seguro de coleta de dados (RedCap) em uma rede criptografada.
Nenhuma informação pessoal ou privada será compartilhada.
Prazo de Compartilhamento de IPD
Os dados estarão disponíveis na conclusão do estudo e serão mantidos de acordo com os parâmetros do National Archive of Computerized Data on Aging (NACDA)
Critérios de acesso de compartilhamento IPD
Como usarei o National Archive of Computerized Data on Aging (NACDA), que é um repositório financiado pelo NIH, este repositório possui políticas e procedimentos que fornecerão acesso aos dados a pesquisadores qualificados, totalmente consistente com as políticas de compartilhamento de dados do NIH e aplicáveis Leis e regulamentos.
Tipo de informação de suporte de compartilhamento de IPD
- PROTOCOLO DE ESTUDO
- SEIVA
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
produto fabricado e exportado dos EUA
Não
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .