Background: Frailty has detrimental health impacts on older home care clients and is associated with increased hospitalization and long-term care admission. The prevalence of frailty among home care clients is poorly understood and ranges from 4.0% to 59.1%. Although frailty screening tools exist, their inconsistent use in practice calls for more innovative and easier-to-use tools. Owing to increases in the capacity of wearable devices, as well as in technology literacy and adoption in Canadian older adults, wearable devices are emerging as a viable tool to assess frailty in this population. Objective: The objective of this study was to prove that using a wearable device for assessing frailty in older home care clients could be possible. Methods: From June 2018 to September 2019, we recruited home care clients aged 55 years and older to be monitored over a minimum of 8 days using a wearable device. Detailed sociodemographic information and patient assessments including degree of comorbidity and activities of daily living were collected. Frailty was measured using the Fried Frailty Index. Data collected from the wearable device were used to derive variables including daily step count, total sleep time, deep sleep time, light sleep time, awake time, sleep quality, heart rate, and heart rate standard deviation. Using both wearable and conventional assessment data, multiple logistic regression models were fitted via a sequential stepwise feature selection to predict frailty. Results: A total of 37 older home care clients completed the study. The mean age was 82.27 (SD 10.84) years, and 76% (28/37) were female; 13 participants were frail, significantly older (P<.01), utilized more home care service (P=.01), walked less (P=.04), slept longer (P=.01), and had longer deep sleep time (P<.01). Total sleep time (r=0.41, P=.01) and deep sleep time (r=0.53, P<.01) were moderately correlated with frailty. The logistic regression model fitted with deep sleep time, step count, age, and education level yielded the best predictive performance with an area under the receiver operating characteristics curve value of 0.90 (Hosmer-Lemeshow P=.88). Conclusions: We proved that a wearable device could be used to assess frailty for older home care clients. Wearable data complemented the existing assessments and enhanced predictive power. Wearable technology can be used to identify vulnerable older adults who may benefit from additional home care services.

This is the abstract only. Read the full article on the JMIR site. JMIR is the leading open access journal for eHealth and healthcare in the Internet age.

中文翻译：

---

用于预测加拿大家庭护理服务客户脆弱性的消费者等级可穿戴设备：前瞻性观察概念验证研究。

背景：身体虚弱会对老年家庭护理客户的健康产生不利影响，并与住院和长期护理增加有关。对家庭护理客户中虚弱的患病率了解甚少，范围从4.0％到59.1％。尽管存在脆弱的筛选工具，但它们在实践中的不一致使用要求使用更具创新性且更易于使用的工具。由于可穿戴设备的容量以及加拿大老年人的技术素养和采用程度的提高，可穿戴设备正在成为评估这一人群脆弱性的可行工具。目的：本研究的目的是证明使用可穿戴设备评估老年家庭护理客户的身体虚弱是可能的。方法：2018年6月至2019年9月，我们招募了55岁以上的家庭护理客户，并使用可穿戴设备对他们进行至少8天的监控。收集了详细的社会人口学信息和患者评估，包括合并症程度和日常生活活动。脆弱性使用油炸脆弱指数来测量。从可穿戴设备收集的数据用于得出变量，包括每日步数，总睡眠时间，深度睡眠时间，轻度睡眠时间，清醒时间，睡眠质量，心率和心率标准偏差。使用可穿戴和常规评估数据，通过顺序逐步特征选择来拟合多个逻辑回归模型以预测脆弱。结果：总共37位老年家庭护理客户完成了这项研究。平均年龄为82.27（SD 10.84）岁，女性为76％（28/37）；13名参与者身体虚弱，年龄较大（P <.01），使用了更多的家庭护理服务（P = .01），走路少（P = .04），睡得更长（P = .01）和更长的深度睡眠时间（P <.01）。总睡眠时间（r = 0.41，P = .01）和深度睡眠时间（r = 0.53，P <.01）与体弱相关。符合深度睡眠时间，步数，年龄和教育水平的逻辑回归模型在接收器工作特性曲线值小于0.90的区域内（Hosmer-Lemeshow P = .88）产生了最佳的预测性能。结论：我们证明了可穿戴设备可用于评估老年家庭护理客户的身体虚弱。可穿戴数据补充了现有评估并增强了预测能力。可穿戴技术可用于识别可能从其他家庭护理服务中受益的脆弱的老年人。年龄较大（P <.01），使用更多的家庭护理服务（P = .01），走路少（P = .04），睡得更长（P = .01），深睡眠时间更长（P <.01） ）。总睡眠时间（r = 0.41，P = .01）和深度睡眠时间（r = 0.53，P <.01）与体弱相关。符合深度睡眠时间，步数，年龄和教育水平的逻辑回归模型在接收器工作特性曲线值小于0.90的区域内（Hosmer-Lemeshow P = .88）产生了最佳的预测性能。结论：我们证明了可穿戴设备可用于评估老年家庭护理客户的身体虚弱。可穿戴数据补充了现有评估并增强了预测能力。可穿戴技术可用于识别可能从其他家庭护理服务中受益的脆弱的老年人。年龄较大（P <.01），使用更多的家庭护理服务（P = .01），走路少（P = .04），睡得更长（P = .01），深睡眠时间更长（P <.01） ）。总睡眠时间（r = 0.41，P = .01）和深度睡眠时间（r = 0.53，P <.01）与体弱相关。符合深度睡眠时间，步数，年龄和教育水平的逻辑回归模型在接收器工作特性曲线值小于0.90的区域内（Hosmer-Lemeshow P = .88）产生了最佳的预测性能。结论：我们证明了可穿戴设备可用于评估老年家庭护理客户的身体虚弱。可穿戴数据补充了现有评估并增强了预测能力。可穿戴技术可用于识别可能从其他家庭护理服务中受益的脆弱的老年人。使用更多的家庭护理服务（P = .01），较少走步（P = .04），睡得更长（P = .01）和更长的深度睡眠时间（P <.01）。总睡眠时间（r = 0.41，P = .01）和深度睡眠时间（r = 0.53，P <.01）与体弱相关。符合深度睡眠时间，步数，年龄和教育水平的逻辑回归模型在接收器工作特性曲线值小于0.90的区域内（Hosmer-Lemeshow P = .88）产生了最佳的预测性能。结论：我们证明了可穿戴设备可用于评估老年家庭护理客户的身体虚弱。可穿戴数据补充了现有评估并增强了预测能力。可穿戴技术可用于识别可能从其他家庭护理服务中受益的脆弱的老年人。使用更多的家庭护理服务（P = .01），更少的步行（P = .04），睡眠时间更长（P = .01）和更长的深度睡眠时间（P <.01）。总睡眠时间（r = 0.41，P = .01）和深度睡眠时间（r = 0.53，P <.01）与体弱相关。符合深度睡眠时间，步数，年龄和教育水平的逻辑回归模型在接收器工作特性曲线值小于0.90的区域内（Hosmer-Lemeshow P = .88）产生了最佳的预测性能。结论：我们证明了可穿戴设备可用于评估老年家庭护理客户的身体虚弱。可穿戴数据补充了现有评估并增强了预测能力。可穿戴技术可用于识别可能从其他家庭护理服务中受益的脆弱的老年人。并且具有更长的深度睡眠时间（P <.01）。总睡眠时间（r = 0.41，P = .01）和深度睡眠时间（r = 0.53，P <.01）与体弱相关。符合深度睡眠时间，步数，年龄和教育水平的逻辑回归模型在接收器工作特性曲线值小于0.90的区域内（Hosmer-Lemeshow P = .88）产生了最佳的预测性能。结论：我们证明了可穿戴设备可用于评估老年家庭护理客户的身体虚弱。可穿戴数据补充了现有评估并增强了预测能力。可穿戴技术可用于识别可能从其他家庭护理服务中受益的脆弱的老年人。并且具有更长的深度睡眠时间（P <.01）。总睡眠时间（r = 0.41，P = .01）和深度睡眠时间（r = 0.53，P <.01）与体弱相关。符合深度睡眠时间，步数，年龄和教育水平的逻辑回归模型在接收器工作特性曲线值小于0.90的区域内（Hosmer-Lemeshow P = .88）产生了最佳的预测性能。结论：我们证明了可穿戴设备可用于评估老年家庭护理客户的身体虚弱。可穿戴数据补充了现有评估并增强了预测能力。可穿戴技术可用于识别可能从其他家庭护理服务中受益的脆弱的老年人。符合深度睡眠时间，步数，年龄和教育水平的逻辑回归模型在接收器工作特性曲线值小于0.90的区域内（Hosmer-Lemeshow P = .88）产生了最佳的预测性能。结论：我们证明了可穿戴设备可用于评估老年家庭护理客户的虚弱程度。可穿戴数据补充了现有评估并增强了预测能力。可穿戴技术可用于识别可能从其他家庭护理服务中受益的脆弱的老年人。符合深度睡眠时间，步数，年龄和教育水平的逻辑回归模型在接收器工作特性曲线值小于0.90的区域（Hosmer-Lemeshow P = .88）产生了最佳的预测性能。结论：我们证明了可穿戴设备可用于评估老年家庭护理客户的虚弱程度。可穿戴数据补充了现有评估并增强了预测能力。可穿戴技术可用于识别可能从其他家庭护理服务中受益的脆弱的老年人。我们证明了可穿戴设备可用于评估老年家庭护理客户的虚弱程度。可穿戴数据补充了现有评估并增强了预测能力。可穿戴技术可用于识别可能从其他家庭护理服务中受益的脆弱的老年人。我们证明了可穿戴设备可用于评估老年家庭护理客户的虚弱程度。可穿戴数据补充了现有评估并增强了预测能力。可穿戴技术可用于识别可能从其他家庭护理服务中受益的脆弱的老年人。

这仅仅是抽象的。阅读JMIR网站上的全文。JMIR是互联网时代电子健康和医疗保健领域领先的开放获取期刊。