Summary
Påtrengende sensorer og gjennomgående computing teknologi innlemmet i hjem dagliglivet eldre voksne kan meningsfull helse og aktivitetsendringer spilles kontinuerlig i måneder til år, gir økologisk gyldig, høyfrekvens, flere domener data for forskning eller klinisk bruk.
Abstract
En gjennomgående suite teknologier er etablert for påtrengende og kontinuerlig overvåking av helse og aktivitet endringene skjer i dagliglivet i eldre voksne over lengre tid. Teknologien er akkumuleres til et system som inkorporerer prinsipper i å være minimal påtrengende, mens generere sikre personvernet beskyttet, kontinuerlig objektive data i reelle (hjem-basert) innstillingene for måneder til år. Systemet omfatter Passiv Infrarød tilstedeværelse sensorer plassert i hjemmet, døren kontakt sensorer installert på ytterdører, tilkoblede fysiologiske overvåking enheter (for eksempel skala) bokser, medisiner og slitesterk actigraphs. Kjøring sensorer installeres også i deltakernes biler og bruk av datamaskinen (PC, tavle eller smartphone) spores. Data merkes via hyppige online egenrapportering alternativer som gir viktig informasjon med hensyn til dataene som er vanskelig å antyde via sensorer som interne tilstander (f.eks, smerte, humør, ensomhet), og data som aktivitet mønsteret tolkningen (f.eks, besøkende, omlegge møbler). Algoritmer er utviklet ved hjelp av data innhentet for å identifisere funksjonelle domenenøkkelen til helse eller sykdommen overvåking, inkludert mobilitet (f.eks, rom overganger, trinn, gangart hastighet), fysiologiske funksjon (f.eks, vekt, kroppen masse indeks, puls), sove atferd (f.eks, sove tid, turer til badet natten), overholdelse av medisiner (f.eks, tapte doser), sosiale engasjement (f.ekstidsbruk av hjem, tid par tilbringer sammen), og kognitive funksjonen (f.eks, tid på datamaskinen, musebevegelser, egenskaper av formular ferdigstillelse, kjøring evne). Endre påvisning av disse funksjonene gir en følsom markør for programmet i helseovervåking av akutte sykdommer (f.eks, virus-epidemi) til tidlig påvisning av prodromale demens syndromer. Systemet er spesielt egnet for effekten av kliniske tiltak i naturhistorie studier av geriatrisk syndromer og kliniske studier.
Introduction
Rådende klinisk forskning er fylt med begrensninger i det pålitelighet og holdbarhet datatypen på grunn av iboende svakhetene i vurderingen metodikk. Intervjuer er begrenset av times når det klinikerne og pasienten kan koordinere timeplaner. Fristen for eksamen er begrenset av det frivillig kan rimelig bli bedt om å gjøre i en enkelt økt. Disse korte, viden spredte økter - begrense selv om utvidet med sporadiske telefonsamtaler eller Internett søk - alvorlig potensial til å oppdage meningsfull forandring funksjon eller velvære over tid. Gjeldende treningene er stort sett består av forespørsler om informasjon som kan være vanskelig å huske og kontroller (f.eks"husker å ta medisiner?") eller kunstig oppgaver (f.eks, "stå opp og sitte ned så fort som du kan"; "Husk disse ti ord"). Vurderingene er ofte laget for å begrense test for å teste variasjon når faktisk variasjon i ytelse selv kan være en viktig diagnostisk funksjon. Disse korte biopsier tid utføres videre, under kunstig forhold og ikke i normal flyt av daglige liv. De er derfor begrenset økologiske gyldighet. Til slutt, gjeldende paradigmet iboende ikke gi direkte kobling mellom gjensidig avhengige viktige hendelser eller utfall (f.eks, søvn, sosialisering, fysisk aktivitet) fordi dataene ikke er tidspunkt enn som husket.
En tilnærming til å overvinne disse svakhetene ligger i utviklingen av systemer som kan bygges inn i hjem eller samfunnet som utnytter fremskritt innen gjennomgripende databehandling og sensing teknologi, trådløs kommunikasjon og høyfrekvent multi domenedata Analytics. Teknologien og erfaring på dette området er økende og mange systemer er utviklet, men har vært begrenset distribusjon, funksjoner eller langsgående erfaring1,2,3,4. I dette manuskriptet vi beskrive en protokoll utviklet å gi sanntids, sammenhengende og langsgående hjemme-basert vurdering av helse-relevante data for å forbedre begrensningene for gjeldende helse vurdering paradigmet. Oregon senter for aldring & amp; Teknologi (ORCATECH) har utviklet en hjemme-basert system basert på gjennomgripende databehandling og sensing teknologien for å gi kontinuerlig, sanntid vurdering av helse-relevante aktivitet og atferd. Bringe vurdering i hjemmet aktivere hovedsakelig påtrengende og kontinuerlig overvåking av virkelige aktiviteten betydelig overvinner nåværende begrensninger. Først, siden kjernen systemet er innebygd i livet-løpet av deltakerne som en del av ambient miljøet, det er iboende praktisk. Vurderinger krever separate svar kan hentes når en person er mest rolig og, når det gjelder passiv samling metoder, så ofte som nødvendig uten å belaste en deltaker. Andre, å være i personens normalt liv-plass gir mulighet til å samle inn data som er umiddelbart økologisk relevante, ikke bare tester konstruert av funksjonen, men hverdagslige erkjennelse. For eksempel potensielle minne feil, en felles klage vanskelig å naturalistically test i klinikken, kan vurderes hjemme av automatisk daglig sporing av medisiner å ta atferd, dermed trykke både hverdags kognisjon, samt en sentrale ytelsesindikatorer metrisk kjent for å være følsomme for kognitiv endring. Tredje, fordi dataene er digital og tidspunkt, måling av flere beslektede tiltak i gang er tilrettelagt. For eksempel tid på telefon og tid ut av hjemmet (måler sosiale engasjement eller uttak), bruk av datamaskinen (måle innvielsen, psykomotorisk aktivitet og kognitiv funksjon) og andre tiltak som har vist seg å endre med funksjonell nedgang ( søvn atferd, vekt, ganghastighet) kan legge til følsomheten til sensoren netto å skille subtile endringer som ikke kanskje ellers tilsynelatende. Viktigere, kan effekten av liv og helse hendelser på kognisjon og funksjon (f.eksukentlige rapporter om smerte, medisinering endring, lav humør) også være knyttet til denne datastrømmen som de oppstår. Til slutt, konvensjonelle testing og spørringer kan presenteres via datamaskin eller relaterte grensesnitt (f.eks, tavle, smarttelefonen), gir enestående muligheter til å samtidig sammenligne eldre test resultater romanen digitalt avledet tiltak fra de samme testene som svar eller pause ganger, læring kurver og intra-test variasjon. Denne nye tilnærmingen dermed forvandler gjeldende vurdering for å være mer praktisk, diskret, kontinuerlig, multi-domene og naturalistiske. Til slutt, den grunnleggende plattformen for hjemmet basert vurdering sensorteknologi og metodikk, gir et system som kan innstilt og skalert til adresse et bredt spekter av spesifikke problemstillinger relatert til helse og velvære med bemerket fordeler over de gjeldende aksepterte praksisen med sjeldne klinikk eller telefonbasert vurderinger.
Følgende protokollen beskriver prosessen med å distribuere denne plattformen for påtrengende hjemmet atferds- og helsemessige datainnsamling. Utvikle denne plattformen, er et viktig mål å gi en grunnleggende pakke med vurdering funksjoner som kan gi de nødvendige å antyde både generelle domener av helse og velvære (fysiske, kognitive, sosiale, følelsesladet), samt mer spesifikk atferd (dataene f.eksmedisiner tar, gå, sove-relaterte aktiviteter, fysiologiske aktivitet). Utviklingen av plattformen har vært ledet av flere prinsipper inkludert bruke mest passiv påtrengende sensing tilnærminger, minimere direkte bruker engasjement med teknologi, som er teknologien 'agnostiker' (dvs., ansette de beste enhetene eller tekniske løsninger stedet krever en bestemt metode eller produkt), holdbar (for langsiktig vurdering) og skalerbare og minimere praktisk vedlikehold.
Plattformen beskrevet har utviklet seg over de siste tolv årene, viktigere informert av sluttbrukere, fra "digitalt naive" til tidlig adoptert. Periodiske undersøkelser og fokusgrupper har vært nøkkelen til å informere denne utviklingen5,6,7. Hundrevis av frivillige har tillatt systemene kan brukes kontinuerlig i sine hjem til elleve år med iterativ modifikasjoner introduseres basert på fremskritt innen teknologi, nye funksjonell kapasitet forespurt av forskning samfunnet, og nøkkel konstant input av individer lever i hjem hvor teknologien er distribuert. Samlet disse frivillige har dannet et "levende" laboratorium i samfunnet som vi kaller det "livet laboratorium" hvor deres hjem og kontinuerlig data hele dagen gi en unik nivå av detaljer om helse, aktivitet, og livsløp.
En grunnleggende plattform av sensorteknologi danner ryggraden i det overordnede systemet for å fange kontinuerlig hjemme-baserte data. Elementene i denne plattformen er beskrevet senere. Kjerneplattformen endres (elementer kan legges til eller fjernes) basert på opplysninger innhentet under prosessen med å samle bruker holdninger, og tro og utfallsmål rundt for å studere ved hjelp av forskning-plattformen. Fordi data kommunikasjonsprotokoller er standardisert, er systemet utviklet slik at alle enheter som følger disse protokollene skal innlemmes i nettverket.
Den grunnleggende plattformen beskrevet her er basert på bruk av frivillige i livet Laboratory (LL) som godtar å ha plattformen utplassert i sine hjem å samle naturalistiske aktivitet og data for brukeroppførsel deres normalt liv aktiviteter i mange år (lengste gjeldende kontinuerlig distribusjon = 11 år).
Hub datamaskinen og Ethernet/WiFi tilkoblingen tillater datainnsamling fra systemenheter og overføring til sikre servere på ORCATECH uten deltaker forstyrrelser. Hub datamaskinen er konfigurert til bestemt deltaker og hjem opp på systeminstallasjon bruker en bærbar PC eller tavle og et Kontrollpanel som kobles til en digital deltaker sentralisert system. Ekstra Datainnsamlingsenheter (som sensorer, MedTracker og skala) kan konfigureres ved å kommunisere med hub datamaskinen på samme måte.
ORCATECH konsollen og ekstern Technology Management System er en egendefinert digital teknologi og data management system kalt "Konsoll" som lar deltaker hjem teknologien konfigurasjon og systemkonfigurasjon, samt pågående ekstern teknologiledelse av hjem inkludert sikker datainnsamling og overvåking. I tillegg for å lette distribusjonen av systemet i samfunnet der hvert hjem kan ha en unik layout, brukes et grafisk verktøy basert på en tavle-grensesnitt til å automatisk registrere hvor ulike sensorer ligger og deres gyldige fysiske adjacencies til andre sensorer (figur 2). Dette er viktig for referanse under fjernovervåkning av systemet på hjem nivå.
Passiv Infrarød (PIR) bevegelsesdetektorer tilordnes digitalt et gitt hjem under systeminstallasjonen, kommuniserer med hub datamaskinen via en trådløs USB-Dongle. En sensor plasseres per rom å forstand bevegelse i rommet og deltaker overganger fra rom til rom. En rett "Sensor Line" i fire sensorer er plassert på taket av gangen eller annet område der deltakeren går regelmessig på en konsekvent tempo. Denne sensoren-linjen kan påtrengende samling av ganghastighet mange ganger per dag. Andre beregninger kan avledes fra disse aktivitet sensorer som bor tid eller antall rom overganger. Døren kontakt sensorer er plassert i hjemmet på alle utvendige Dorer å oppdage deltakernes kommer og går fra hjemmet, og på kjøleskapet for å bestemme generell hyppigheten av mat tilgang.
Online ukentlig helse og aktivitet Self-Reports må optimal fornuftig data fra passiv systemet samling enheter. Disse dataene er avgjørende for analyse av deltaker rapport av hendelsene i hjemmet i forhold til sensor samlet data. Online ukentlig egenrapportering undersøkelsen kan gjennomføres i en dataenhet (f.eks, bærbar PC, tavle, smarttelefonen) med Internett-tilkobling til spørringen deltakere om turer ut av hjem, besøkende i hjemmet, helse endringer, plass endringer i den hjem, ensomhet, depresjon og smertene. Ukentlig datainnsamling er avhengig av en relativt kort vindu av erindring, som gir mye høyere oppløsning av data og sannsynligheten for nøyaktighet enn, for eksempel, årlig eller semi-årlig sjekk-ups. Videre gir denne egenrapportering prosessen også etterforskere undersøke passiv indikatorer for potensielle kognitiv svekkelse, som variasjon i tid til å fullføre undersøkelsen, variasjon i antall klikk, økt vanskeligheter rapportering nøyaktig datoer eller verdifall indikatorer i fritekst svar. Som del av den grunnleggende plattformen installerer vi en syv dagers elektronisk pille boks som poster om utpekte dagens rommet ble åpnet og gang(er) som det ble åpnet hver dag. Dette gir informasjon om overholdelse av medisiner, samt en mulig indikasjon på kognitiv svikt hvis konsistensen av medisiner-tar reduseres.
Trådløse digitale bioimpedence skala som samler også puls, kropp komposisjon beregninger, pulsen bølge hastighet, miljømessige temperatur og ambient karbondioksid nivået installeres på badet, gi data på deltakernes daglige vekt. Denne informasjonen kan deretter være korrelert med andre rapporterte hendelser (f.eks, helsetilstand, medisiner), samt andre passiv indikatorer på opptreden, som protokoll etterlevelse og bruksfrekvens over tid.
I tilfeller hvor våre deltakere stasjon, vi installerer en kjøring sensor i sine biler. Sensor gir informasjon om kjøring vaner som frekvens, timing, varighet og avstand på turer og hyppigheten av hard stopper eller vanskelig akselerasjoner.
En håndledd-Slitt bærbar enhet samler inn fysisk aktivitetsdata både inn og ut av hjemmet. Flere merker og modeller av wearables har brukt i livet laboratorium hjem.
Avhengig av prosjektet, kan en etterforsker bruker ORCATECH plattformen velge å supplere grunnleggende sensoren med ytterligere datainnsamling komponenter. Eksempler testet i siste er en telefon sensor for å overvåke sosialisering gjennom faste telefon virksomhet, utvikling og gjennomføring av en digital balanse-board for balanse testing, et bord med periodiske kognitive oppgaver for deltakeren å fullføre i sitt eget hjem, og en automatisert tekstil systemet å evaluere effekten av medisiner påminnelser via telefon.
For å håndtere ulike dataene som genereres ved ORCATECH livet Lab, skreddersydd informasjon og data systemet brukes til å samle, kommentere, vedlikeholde og analysere store aktivitet og helsedata. ORCATECH har utviklet en egendefinert system for deltaker ledelse, egenrapporterte datainnsamling og behandling og kontinuerlig datainnsamling fra alle systemenheter og sensorer. Systemet avhenger av en distribuert NoSQL Cassandra-serverklynge lagre sensordata og en lambda arkitektur ved hjelp av Kafka og Spark som lar våre databehandling evner til å flytte nærmere sanntid behandling. Bruker en REST API, overføres data til standard data analyse plattformer og statistisk programvare for dataanalyse.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle deltakerne gitt skriftlig samtykke. Livet laboratorium deltakerne blir bedt om å leve sine liv som de normalt ville for å tillate observasjonsstudier langtidsstudie deres liv aktiviteter og mønstre for resten av livet. De kan trekke tilbake når som helst hvis de ønsker. Studien protokollen ble godkjent av Oregon Health & amp; Science University (OHSU) institusjonelle Review Board (livet laboratorium OHSU IRB #2765).
1. forberedelse
- Før distribusjon, legge alt utstyr til konsollen lagersystemet online. Tilordne et navn til hver enhet eller sensor serienummer og MAC-adresse, slik at det lagres i konsollen lagersystemet.
- Plass en QR-kode kode på hvert stykke utstyr, aktivere bestemte tildelinger av hjemsted for sensorer og enheter utfoldet i hjemmet.
- Før distribusjon tilordnes sensorer og enheter som skal til hjemmet ved å skanne QR-kode på sensor eller enheten. Dette vil få opp et nettsted som lar sensor eller enheten tildeling til det bestemte hjemmet.
- Installere hub datamaskinen med et SD-kort som inneholder hub konfigurasjonen ledelse verktøyet.
- Pakk alle nå inventoried sensorer og utstyr, hub datamaskin med installert SD-kort i monteringssett (boks) for hjem distribusjon.
- Kontroller at deltakerens hjem har en Internett-leverandør.
2. hjem distribusjon
- Definere hub datamaskinen ved å sette inn trådløs dongle og primære ZigBee koordinator dongelen i hub datamaskinen. Ethernet-kabelen inn hub datamaskinen. Til slutt kobler huben datamaskinens strømledning til et sentralt rom stikkontakten og koble Ethernet-kabelen til hjemmet er Internett-tilkoblingen.
Merk: Konfigurasjonen ledelse verktøyet vil sikre at den bruker den nyeste versjonen av programvaren. - Koble en Internett-aktiverte enheter (bærbare, tablet, mobiltelefon) til hub computer'swireless nettverket tilgang til lokale kontrollpanelet nettstedet. Webområdet kontrollpanelet viser statusen til hub datamaskinen, samt noen sensorer installert i hjemmet (Figur 3).
- Kjøre verktøyet for konfigurasjon av programvare, er å sikre riktig programvare installert. Gjør dette ved å gå til kontrollpanelet og kjører oppdateringen.
- Gå til Kontrollpanel for å kontrollere at huben datamaskinen kommuniserer med de viktigste serverne. Kontroller at tjenestene at data skal samles inn fra hver installert enhet og sensor er oppe og går.
- Legge til sensorer i hjemmet, begynner med bevegelsessensorer. Start ved å åpne webområdet sensor plassering fra kontrollpanelet.
Merk: Hvis hjemmet krever mer enn 16 bevegelsesdetektorer, koble en ruter dongle i hub datamaskinen og legge den til i hjem eller personlig nettverk, også kalt "PAN." En gang forlengelsen dongler (hvis nødvendig) legges til PANNEN, fjern dem fra huben datamaskinen og plugin dem i uttak spredt over hele hjemmet, skape et nettverk i hjemmet som sender motion sensordata hub datamaskinen. - I sensor plassering nettsted, kan du opprette en virtuell plantegning i hjemmet, inkludert alle rommene og egress dører. Pass på å velge Sensor linjen som ett av områdene som legges til plantegningen. Legge til virtuelle representasjoner av sensorer plantegningen. Til slutt, koble virtuelle representasjoner av hjem områder til andre hverandre - på en måte som gjenspeiler det fysiske oppsettet av hjemme - og de virtuelle representasjonene av sensorer.
- Legge til hver etterfølgende sensor til PAN - kjent som Personal Area Network - ved å bruke plasseringsverktøyet sensor og fysisk trykke på en knapp i nærheten sensoren batteriet. Deretter start knytte hver sensor til rommet eller område i hjemmet som er representert i den virtuelle plantegningen.
- Fortsette fysiske sensorene vedlegges veggene i hjemmet. Plasser hver vegg sensor på hodet høyde i hvert rom (kjøkken, soverom, bad, stuer) sikre at sensoren bare fanger opp aktiviteten i rommet og ikke plukker opp aktiviteten fra et annet område (for eksempel unngå noen gå ned en gang som plukket opp av sensoren i et rom ved siden av gangen).
Merk: Sensor plasseringsverktøyet kan du identifisere og opprette veier mellom rommene. - Installere en rad med fire begrenset felt (tak) sensorer i en direkte gangvei (korridorer eller andre områder hvor deltakerne må gå forbi hver av de fire sensorene uten en endring i tempo) på taket til fange ganghastighet.
- Space disse vandre hastighetssensorer 61 cm (2 fot) fra hverandre.
- Registrere den nøyaktige avstanden mellom begrenset feltet sensorene i webområdet sensor plassering.
- Installere døren sensorer på hver egress dør, igjen med gulvet planen på webområdet sensor plassering for å indikere deres fysiske plassering.
- Legg pillbox i PANNEN, bekrefter at enheten er tilordnet inventarliste. Deretter aktivere enheten ved å åpne en av sine lokk. Fordi pillbox kommuniserer med hub datamaskinen, sikre det er nær nok til hub datamaskinen for et signal kan oppdages.
Merk: Pillbox er ofte holdt i kjøkken eller bad basert på deltaker preferanse. - For å sette omfanget, kan du gå til siden skala innenfor kategorien enheter i Kontrollpanel.
- På skalaen, trykker du på side-knappen i 10 sekunder. Skalaen skal vise en bekreftelsesmelding.
- Når omfanget vises i listen over enheter, Klikk Oppsett-knappen på høyre side av kontrollpanelet for å starte installasjonen.
- Angi deltakerens høyde og vekt når spørsmål i Kontrollpanel.
- Hvis deltakeren ikke har pacemaker, veksleknapp Pacemaker i kontrollpanelet varsle skalaen at det kan samle inn bioimpedence data.
- Plass skalaen i et sted som har en flat, solid overflate lett tilgjengelig for deltakeren (vanligvis i et bad).
- Har deltakeren veie selv, bekrefter skalaen er innspillingen sin første vekt som angis i kontrollpanelet.
- Satt opp håndleddet slitt bærbar enheten av åpningen bærbar installasjonen siden Kontrollpanel og trykke på reset-knappen plassert på baksiden av enheten ti ganger.
- Etter enheten vises i listen over enheter i Kontrollpanel, og klikk Oppsett -knappen på høyre side av kontrollpanelet for å starte installasjonen.
- Når kontoen er konfigurert, kan du kalibrere tiden ved hjelp av verktøyet hjulet på oppsettsiden.
- Fullfør installasjonen ved synkronisering av slitesterk med hub datamaskinen. Klikk synkronisering i Kontrollpanel for å kontrollere at enheten kobler riktig og tiden er satt til samme tid som hub.
- Angi konsollen på hvilke håndleddet i slitesterk skal bæres av deltakeren.
Merk: Forskjellige enheter krever ulike prosedyrer avhengig av produsenten. Flere sensorer og enheter kan også distribueres og integrert i datastrømmen som datamaskinen bruke programvare og kjøring sensorer. Prosedyrer for å legge dette gis neste.
- Installere kommersiell bruk overvåking programvaren på deltakerens datamaskin og registrere e-postadressen. Disse e-postadressene brukes til å sende og motta ukentlig online helse og aktivitet undersøkelser.
- Kontroller at deltakerens operativsystem er kompatibel med kommersiell bruk overvåkingsprogram.
- Installere programvaren på deltakerens datamaskin ved hjelp av installasjonsprogrammet på en USB glimtet kjøre.
- Kontroller at programvaren er operative på datamaskinen ved å åpne Oppgavebehandling og kontrollerer at programvaren er i listen over programmer.
- I konsollen lagersystemet, knytte programmet deltakerens profil.
Merk: Se Tabell for materiale til datamaskinen bruker programvaren som brukes (andre tilsvarede overvåkingsprogram kan erstattes).
- Oppsett en kjøring sensor for deltakere
- Kontroller at deltakerens bil ble gjort etter 1996 og at bilen støttes av kjøring sensor enhetsprogramvaren.
- Installere kjøring overvåking enhetens app på en mobil enhet og bruke programmet sette kortet.
- Med bilen deaktivert, koble kortet til bilens innebygde diagnoseverktøy (ODB)-porten.
- Vent til programmet å gjenkjenne og koble til kortet. Dette bør ta 2-4 min.
- Sett inn bilnøkkelen i tenningen. (Hvis bilen har keyless tenning, trykk bilens start-knappen). Vri nøkkelen til posisjonen hvor den går på elektrisk kraft uten å starte motoren.
- Vent til programmet å konfigurere kortet.
- I konsollen lagersystemet, legger du til deltakerens kontoinformasjon fra app slik at kortets data overføres til ORCATECH servere med kommersielle programvaren programmeringsgrensesnittet (API).
Merk: Se Tabell for materiale for spesifikke kjøring overvåking enheten brukes.
3. system bekreftelse
- Når alle enhetene er i sin endelige plass i hjemmet, bekrefte at huben datamaskinen fungerer riktig ved å gå til kontrollpanelet. Kontroller at huben datamaskinen kan kommunisere med de viktigste serverne til å overføre data og tjenester for å samle inn data for hver enhetstype kjører.
- Gjennomgang Hvis dataene er streaming fra hver enhet ved å navigere til siden dataene samling på kontrollpanelet.
- Gå nær bevegelsessensorer installert i alle rom i hjemmet for å bekrefte hver sensor samler data om siste bevegelser. Sjekk bevegelsesdetektorer ved å vise live grafen til motion sensordata aktivert ved å gå gjennom hjemmet.
- Kontroller pillbox ved åpning og lukking hver av rom dørene av pillbox noen ganger. Se siden dataene samling på kontrollpanelet for å se om denne siste aktiviteten ble målt og samlet.
- Sjekk skalaen ved veiing selv eller deltakeren. Bekrefte denne informasjonen er riktig synkronisert og overført ved å navigere til kolonnen Synched innenfor skalaen enheter -siden i Kontrollpanel.
- Kontroller om den bærbare enheten er riktig synkronisert og overfører data ved å navigere til kolonnen Synched på bærbar enheter -siden i Kontrollpanel.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
ORCATECH suite-teknologi gjør det mulig å samle et unikt rik datasett om livet mønstre av folk som de går om sin vanlige aktiviteter. Sensoren systemet tillater påtrengende og kontinuerlig overvåking av frivillige i sine egne hjem. Systemet har blitt brukt i en rekke studier involverer hundrevis av frivillige i forskning viktige domener av helse og funksjon som gåing hastighet og mobilitet, medisiner tar atferd, humør, i eller ut av hjemmet, sove og datamaskinen bruk8 , 9 , 10 , 11 , 12 , 13 , 14 , 15 , 16 , 17 , 18. representant resultatene presenteres her.
Ganghastighet er et eksempel på en funksjon som er utfordrende å konvensjonelt vurdere ofte over tid i naturlige omgivelser. Det er også anerkjent som en viktig indikator for generell helse og en nyttig komponent i klinisk testing observert under kontor besøk. I klinikken vurdering av gangart har hastighet flere ulemper. Observasjoner er laget bare på det meste et par ganger i året. Pasienten å bli observert kan også gå med et atypisk tempo grunn til å være klar over vurderingen. Med den ORCATECH sensor suiten, er fire begrenset åker passiv infrarød sensor plassert en kjent distanse hver vanligvis i gangen av hjemmet. En algoritme anslår gangavstand hastigheten til en person walking under sensorer over tid8. Denne diskret overvåking metoden gjorde det mulig å samle 39,474 gå episoder i løpet av én måned av observasjon9. Gå hastigheter samlet hjemmet ble funnet for å korrelere med motor tiltak vurdert en personlig undersøkelse, i tillegg til kognitiv funksjon (figur 2). Denne teknikken gjør det mulig å observere gå funksjon jevnlig over lengre tid, måneder eller år. Dette gir mulighet til å observere endringer i gangart hastighet som er karakteristisk for forestående patologiske tilstander som mild kognitiv svikt eller demens (Figur 4)16.
Kontinuerlig aktivitetsdataene ved beliggenhet kombinert med selv-rapport og andre kjente miljødata gir mulighet til å observere endringer i forbindelse med mange fremtredende livshendelser. Dataene kan visualisere eller vises i en rekke måter. Spiral tomter er funnet for å være nyttig i denne sammenheng for å identifisere langsiktige trender i datastrømmen. Et eksempel er gitt i figur 5.
Figur 1 . ORCATECH plattform. Flere sensorer og enheter distribueres gjennom hjem, innstilt til bestemt utfallsmål rundt. Boksen angitt enhet/Sensor "X" representerer muligheten av systemet for å koble en rekke nye enheter eller teknologier behov over tid. Dataene som genereres følger standard sikkerhetsprotokoller og er tilgjengelig med passende gjennomgang for bruk av mange interesserte parter (Data forskere, University medarbeidere, FARMASØYTISK, helse industri, etc.). Hjem til venstre representerer kohorter i ulike studier bruker plattformen. Livet laboratorium - BC er en liten kohort ligger i British Columbia, Canada; MÅL overganger er en studie av bruk av ekstern overvåking data av omsorg å redusere uønskede overganger til avhengige nivåer av omsorg; EVALUER-AD er økologisk gyldig, Ambient, Longitudinal, objektiv vurdering av behandling effekt i Alzheimers sykdom; iCONECT er Conversational Engagement å forsinkelsen Alzheimers sykdom utbruddet studie utført i Oregon og Michigan; HANDLEKURV (aldring forskningssamarbeid med initiativ) har fire steder (lav inntekt eldster i Portland, veteraner i landlige nordvest, African American eldster i Chicago og Latino eldste i Miami); "Studier XYZ" betegner en rekke andre studier (ikke oppført her) som også bruker denne ORCATECH infrastruktur. Klikk her for å se en større versjon av dette tallet.
Figur 2 . Hvert rom i et hjem er knyttet til andre basert på mulig rom overganger. Sensorer er knyttet til rommene der de befinner seg. Gangavstand sensor linjen i et hjem består av fire begrenset åker passiv infrarød sensor knyttet sammen i rekkefølgen de er plassert. Gangavstand sensor linjen koblinger rom der sensorene er plassert. Grønn (eller røde prikker, ikke vises her) sensor nodene angi hvis sensoren er nå rapportering i sensoren nettverket. Klikk her for å se en større versjon av dette tallet.
Figur 3 . Kontrollpanelet viser statusen huben og alle sensorer installert i hjemmet. Klikk her for å se en større versjon av dette tallet.
Figur 4 . Plottet viser banen til endring innen hastighet variasjon definert som den koeffisient av variant (COV) i en kohort av 93 eldre voksne fulgt i sine hjem i over tre år. Time 0 er den første uken i overvåkede ganghastighet for hver deltaker. Latent bane modeller ble brukt til å identifisere fire ulike grupper:: gruppe 1, høyeste planlagte og økende COV etterfulgt av en kraftig fallende COV; Grupper 2 og 3, stabile relativt COV; og gruppe 4, laveste grunnlinjen og reduserer COV. Deltakerne med ikke-amnestic MCI (naMCI) var mer sannsynlig å være medlemmer av høyeste eller laveste planlagte COV grupper (grupper 1 eller 4), muligens som representerer banen gåing hastighet variasjon for tidlig og sen-stadium MCI, henholdsvis. Figuren endres fra Dodge HH, et al. 19. Klikk her for å se en større versjon av dette tallet.
Figur 5 . Spiral handlingen i seks måneder med hjem aktivitetsdata for et liv laboratorium frivillig. Dataene tegnes som en 24-timers klokke med midnatt øverst og noon nederst. Hver dag danner en sirkel. Solid blå sirkler markerer en måned grenser. Farget punkter angir sensor aktivitet etter Romplassering: rød = bad, grønn = soverom, rosa = kjøkkenet, blå = stue. Merk de tre-ukers perioden der frivillig hadde en live-in gjest som sov i stuen (natten aktivitet i stuen er tydelig, andre måned). 2-ukers perioden når frivillig ikke forlate leiligheten for måltider, er på grunn av en Noro virus epidemien som resulterte i en menighet begrensning i samfunnet (fjerde måned). Til slutt, Merk konsekvent mønstre av atferd: sengetid på 22:30, opp når de fleste netter mellom 2 am og 4 am, stige tid 06:00, et besøk fra husholdersken 5 PM annenhver uke. Klikk her for å se en større versjon av dette tallet.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vi har beskrevet en grunnleggende eller plattform aktivere hjem og community-baserte eksterne sensing og rapportering av fremtredende helse og velvære mål på en kontinuerlig basis. Systemet skal brukes primært i forskning på dette tidspunktet.
Der det er mulig, bruker systemet åpen kilde verktøy og sensorer eller enheter utnytter tilgjengelige APIer og software development Kit (SDK). Systemet er designet for å være teknologi "agnostiker" slik at en rekke sensorer eller enheter kan "plugget inn" eller innlemmet etter behov. Kjente domener valgt (f.eks, bevegelse-mobilitet tiltak, medisiner å ta aktivitet, databruk, etc.) vil avhenge klinisk relevante områdene funksjon som anses mest informative for en bestemt indikasjon. Dermed kan en sparsom matrise eller flere funksjoner rekke sensorer og enheter distribueres. Data generert vokser kontinuerlig, og dermed datasystemet har krevd modifisering å møte denne etterspørselen. Derfor har vi overført til en mer distribuerte Dataarkitektur for mer kapasitet og skalerbarhet. Systemet er designet for å kjøre i fellesskapet med daglig ekstern vurdering av tekniske helse hjem systemet. Selv om autonome, lav-touch betjening er nøkkelen, systemet krever sporadiske besøk hjemme som sensorer eller enheter kan mislykkes og må være fast eller skiftes ut.
Det finnes en rekke kritiske slik bruker dette systemet i forskning. Det første og viktigste er ikke "teknisk". Det er deltaker-basert - sikrer at deltakerne forstår protokollen og er komfortable med langsgående natur forskning. Dette sikrer tilslutning, for eksempel fylte ut ukentlige spørreskjemaet eller bruker en medisiner-sporing enhet. Sørger ikke bare skikkelig dokumentasjon av grunninstallasjonen av hjemmet (f.ekshvor sensorer ligger), men også endringer som gjøres av beboeren over tid er også en nøkkel til riktig datainnsamling og ledelse. Tilsvarende sikrer kontinuerlig overvåking av funksjonaliteten til systemet når installert at langsgående data er samlet inn med Hi-Fi over tid.
ORCATECH plattformen gjør mulig kontinuerlig, langsiktig og påtrengende datainnsamling med base i hjemmet miljøet. Populasjoner er heterogene deres komfort og aksept av teknologi i sine hjem. Dataene viser at en hovedgrunn motiverende aksept av bruke denne teknologien i forskningsstudier er deltaker oppfatning at de innsamlede dataene vil til slutt være nyttig (f.ekskan ta måter å lykkes alder på plass). Eldre, pensjonerte voksne en tendens til å tilbringe mesteparten av sin tid på Hjem (i gjennomsnitt ca 21,5 h en dag som vurderes med ORCATECH plattform), gjør det ideelt for observasjoner som reflekterer den sanne tilstanden av en persons helse i motsetning til klinikken miljøet20 . Yngre eller arbeider befolkninger kan bruke betydelig mindre tid hjemme. Men bruke enda yngre enkeltpersoner minst en tredjedel av dagen hjemme (vanligvis i kvelden og natten). I tillegg systemet er designet for å synkronisere med wearable teknologier og mobile enheter (f.eks, smartphones) og andre eksternt sensed data (f.ekskjører data), så mange typer out-of-home atferd og aktivitetene kan hentes også. Teknologien endrer, legger en utfordring til oppgaven med å opprettholde en stabil plattform av enheter og programvare som brukes til å samle data og sikre at det er sammenlignbare over epoker. Videre de eksterne dataene fanges unsupervised og til slutt krever validering på sin tiltenkte ekte aktivitet. Dette er det nødvendig å validere observasjoner gjort eller utledes ved hjelp ORCATECH data med "gold standard" eller "bakken sannheten" teknikker. For eksempel ble algoritmer brukes til å beregne søvn parametre som totaltiden sover bekreftet ved hjelp av press matter plassert under mattress11. Gangavstand hastigheter beregnet fra firings av en linje av passiv infrarød sensor var bekreftes med en gang mat8. Disse valideringer ikke bare gi observerbare forbindelse til kjente hendelsene, men en standard for å sammenlikne nye sensorer eller enheter som kan brukes til å måle åpenbart samme funksjon i fremtiden. Det er imidlertid noen godkjente standarder for virkelige validering på dette tidspunktet. Noen av instrumenter som har blitt brukt i ORCATECH systemet, som kommersiell actigraphs eller fitness bane, kan bruke proprietær spesifikasjoner eller algoritmene som ikke deles med forskere. Proprietære natur slik kommersiell teknologi og sine relaterte algoritmer gjør bruk av mange kommersielle sensing enheter eller teknologier en gjeldende relative begrensning av forskning innen mobil- og biomarkør generelt.
I innledningen understreket vi at muligheten til å samle kontinuerlig, ikke-påtrengende og økologisk gyldige data i hjem og samfunnet innstillinger kan være spillet endre for klinisk forskning som har all sparsom egenrapporterte og kort eksamener. Systemet er beskrevet i dette dokumentet gir en sti for forskningen fellesskapet å oppnå dette målet. Mange personlige vurdering teknologier (wearables, smartphone rapportering programmer, etc.) for overvåking folk i situ har vært beskrevet21. Langt færre, mer integrert "smart hjem" systemer har blitt rapportert at har mange av funksjonene beskrevet i dette papir22 . Dette er fortsatt et begynnende felt og få har utviklet og distribuert disse teknologiene som en ende-til-ende-system for forskning, distribuert i bredere samfunnet. Videre bruk av disse metodene er fokus for fremtiden.
Det finnes mange potensielle programmer for denne plattformen. For eksempel kan systemet brukes for folkehelse overvåkningsorgan som overvåking samfunn for smittsomme sykdommer utbrudd der relativt akutte endringer i rommet overganger angi personer som utviklet viral symptomer23. Samtidig, informasjon fra denne tilnærmingen kan forståelse for effektiviteten av en karantene eller aktivitet begrensning på kommunalt nivå ved å bestemme hvor mange forble i sine hjem over tid.
På en mer grunnleggende nivå, kan systemet brukes til å informere forskere om grunnleggende aspekter av menneskelig atferd i den virkelige verden. Således, det har vært ansatt undersøke forutsigbarheten av menneskelig aktivitet i personlige plass, et viktig aspekt for generalizability av alle prediktiv modellering av forskning på folk i deres hjem eller innendørs miljøer24, 25. resultatene antydet at menneskelige mobilitet i personlige plass er svært stereotype og at overvåking avbrudd i rutinemessig rom-nivå mobilitet mønstre kan gi en mulighet til å forutsi personlige helse og funksjonelle statusen eller oppdage uønskede hendelser og trender.
Andre programmer kan mer direkte påvirke diagnose og sykdom progresjon bestemmelser som er svært relevante for pasienter, familier og helse. I denne sammenheng er ORCATECH systemet ofte brukt til å undersøke relevante aktiviteter og atferd som angir relativ bevaring av kognisjon og helse i aldring populasjoner. Systemet er spesielt tilpasset alder-relaterte endringer i kognitive og fysiske helse som er utfordrende å vurdere med tradisjonelle verktøy og metoder der gjeldende vurdering og omsorg paradigme består av korte klinikk-baserte besøk noen ganger en fjor, ofte ved hjelp av kvalitative varelager for å vurdere fysiske, kognitive, og neurobehavioral symptomer. Disse varelager er basert på subjektive minner og/eller visninger av en caregiver26,27 eller selv-rapport av pasienten, som kan være upålitelig. En studie sammenligne egenrapporterte aktivitet med objektive aktivitetsdata samlet inn fra ORCATECH sensorene hjemme fant avtalen bare på 25% på gang28. Kontinuerlig objektive observasjon kan forbedre gjenkjenning av endringer i helse og vurdering av behandlinger spesielt for progressiv eller kroniske tilstander som humørsvingninger, mobilitet lidelser eller demens der det er utfordrende for personer eller familiene nøyaktig observere og husker sakte og varierende endringer over tid.
Plattformens variert utvalg av potensielle datakanalene tilbyr mange vinduer observasjon og resulterende vurderinger av meningsfull forandring å forhøre hvordan enkelte eller flere funksjoner kan endres i en bestemt tilstand. For eksempel har flere plattformen funksjoner blitt brukt til å lage endre forbundet med mild kognitiv svekkelse (MCI) over tid. Dermed ble ganghastighet, som beregnes ut fra passiv infrarød sensor firings, funnet for å redusere med mild MCI, mens variasjon i ganghastighet økt over tid i denne befolkningen16. Hvile og aktivitet mønstre var avledet fra soverommet sensor firings med å finne at søvn blir mer forstyrret som kognitiv svekkelse utvikler11. Redusert medisiner etterlevelse, ble som fulgte med MedTracker pillbox, også funnet for å være en markør for tidlig kognitiv endre12,17. Computer behandling sporing ble brukt til å oppdage at datamaskinen reduseres med MCI og mønstre i bruk av en mus kan også gjenspeile kognitiv svikt13,14.
Oppsummert har det ORCATECH paradigmet for innsamling av data mange sterke sider sammenlignet med tradisjonelle klinisk forskning data anskaffelsesmetoder. Dataene samles i stor grad diskret i den kjente hjemmemiljø. Informasjonen er samlet på høy frekvens, på et minutt eller daglig nivå over lang tid, gjør økologisk gyldig longitudinelle studier av helse og velvære mulig. ORCATECH systemet er velegnet for et bredt utvalg av forskning domener: grunnleggende menneskelig aktivitet og opptreden oppdagelsen, folkehelse overvåkningsorgan, og sykdom eller tilstand-spesifikk sporing. Det kan være spesielt nyttig som gjelder intervensjoner og kliniske studier forskning for følsom deteksjon for meningsfull reell endring. I dette programmet, finnes det flere potensielle fordeler inkludert: 1) tillater forskere å forbedre studien resultater objektivitet og pålitelighet; 2) utvalgsstørrelser og redusere tid til et svar på grunn av den timelige høyoppløselig data; 3) avdekke skjulte bivirkninger som kan oppdages subtilt, men kunne ha gått urapporterte av deltakeren; 4) tilrettelegge langsiktige kontinuerlig post-rettssaken eller etter markedet vurdering av en mål intervensjon. Det er forventet at denne metodikken vil vesentlig forhånd klinisk forskning som det blir mer distribuert og kontinuerlig forbedrer med uunngåelig fremskritt innen teknologi og tilhørende programmer.
Ulike data kanaler og domener produsert av systemet tilbyr et unikt vindu i hverdagen til deltakerne en rekke forskningsmiljøer som kan dra nytte av høy frekvens, langsiktig, og økologisk gyldig datafangst. Det er forventet at denne tilnærmingen vil være av verdi for mange forskergrupper. Fremtidige planer inkluderer utvidelse av denne plattformen å aktivere en omfattende samarbeid distribusjon til tusenvis av hjem tilrettelagt av siste samarbeidsprosjekter de aldring bruker teknologi av forskning (CART, www.carthome.org) initiativet NIH og VA. Denne nye data vil bli kombinert med mer enn ti årene igjen informasjon allerede samlet for å opprette en stor ressurs for å forstå kognitive og funksjonell endring med aldring over forskjellige befolkningsgrupper.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne ikke avsløre.
Acknowledgments
Forskningen beskrevet her ble støttet av tilskudd fra National Institutes of Health, National Institute on Aging (U2CAG054397, P30 AG024978, P30 AG008017, R01 AG042191, R01 AG024059), Intel, grunnlaget for National Institutes of Health og Robert Wood Johnson Foundation.
Materials
| Name | Company | Catalog Number | Comments |
| Raspberry Pi 3 Model B | Raspberry Pi Foundation | Raspberry Pi 3 Model B | |
| Motion Sensor | NYCE Sensors Inc | NCZ-3041-HA | |
| Door/Window Sensor | NYCE Sensors Inc | NCZ-3011-HA | |
| Curtain Motion Sensor | NYCE Sensors Inc | NCZ-3045-HA | |
| iSort | TimerCap | iSort | |
| Home Stealth USB Phone Recorder | Fiho | Fi3001B | |
| Automatic Pro | Automatic | AUT-350C | |
| Body Cardio Scale | Nokia | WBS04 | |
| Activite/Steel Activity Monitor | Nokia | HWA01 STEEL | |
| Alta 2 | Fitbit | FB406 | |
| Charge 2 | Fitbit | FB407 | |
| Flex 2 | Fitbit | FB403 | |
| Zigbee USB Stick | Silicon Labs | ETRX3USB | |
| WorkTime | Nestersoft | WorkTime Corporate |
References
- Peetoom, K. K., Lexis, M. A., Joore, M., Dirksen, C. D., De Witte, L. P. Literature review on monitoring technologies and their outcomes in independently living elderly people. Disabil Rehabil Assist Technol. 10 (4), 271-294 (2015).
- Liu, L., Stroulia, E., Nikolaidis, I., Miguel-Cruz, A., Rios Rincon, A. Smart homes and home health monitoring technologies for older adults: A systematic review. Int J Med Inform. 91, 44-59 (2016).
- Kim, K. I., Gollamudi, S. S., Steinhubl, S. Digital technology to enable aging in place. Exp Gerontol. 88, 25-31 (2017).
- Kaye, J. Making pervasive computing technology pervasive for health & wellness in aging. Public Policy & Aging Report. 27 (2), 53-61 (2017).
- Wild, K., Boise, L., Lundell, J., Foucek, A. Unobtrusive in-home monitoring of cognitive and physical health: Reactions and perceptions of older adults. Journal of Applied Gerontology. 27 (2), 181-200 (2008).
- Wild, K., Boise, L. In-Home Monitoring Technologies: Perspectives and Priorities of Older Adults. , (2012).
- Boise, L., et al. Willingness of older adults to share data and privacy concerns after exposure to unobtrusive in-home monitoring. Gerontechnology: international journal on the fundamental aspects of technology to serve the ageing society. 11 (3), 428 (2013).
- Hayes, T. L., Hagler, S., Austin, D., Kaye, J., Pavel, M. Engineering in Medicine and Biology Society, 2009. EMBC 2009. Annual International Conference of the IEEE. , 7248-7251 (2009).
- Kaye, J., et al. One walk a year to 1000 within a year: Continuous in-home unobtrusive gait assessment of older adults. Gait & posture. 35 (2), 197-202 (2012).
- Petersen, J., Austin, D., Mattek, N., Kaye, J. Time out-of-home and cognitive, physical, and emotional wellbeing of older adults: A longitudinal mixed effects model. PloS one. 10 (10), 0139643 (2015).
- Hayes, T. L., Riley, T., Mattek, N., Pavel, M., Kaye, J. A. Sleep habits in mild cognitive impairment. Alzheimer disease and associated disorders. 28 (2), 145 (2014).
- Hayes, T. L., Larimer, N., Adami, A., Kaye, J. A. Medication adherence in healthy elders: small cognitive changes make a big difference. Journal of aging and health. , (2009).
- Kaye, J., et al. Unobtrusive measurement of daily computer use to detect mild cognitive impairment. Alzheimer's & Dementia. 10 (1), 10-17 (2014).
- Seelye, A., et al. Computer mouse movement patterns: A potential marker of mild cognitive impairment. Alzheimer's & Dementia: Diagnosis, Assessment & Disease Monitoring. 1 (4), 472-480 (2015).
- Seelye, A., et al. Embedded online questionnaire measures are sensitive to identifying mild cognitive impairment. Alzheimer Dis Assoc Disord. 30 (2), 152-159 (2016).
- Dodge, H., Mattek, N., Austin, D., Hayes, T., Kaye, J. In-home walking speeds and variability trajectories associated with mild cognitive impairment. Neurology. 78 (24), 1946-1952 (2012).
- Austin, J., Klein, K., Mattek, N., Kaye, J. Variability in medication taking is associated with cognitive performance in nondemented older adults. Alzheimer's & Dementia: Diagnosis, Assessment & Disease Monitoring. 6, 210-213 (2017).
- Austin, J., et al. A smart-home system to unobtrusively and continuously assess loneliness in older adults. IEEE Journal of Translational Engineering in Health and Medicine. 4, 1-11 (2016).
- Dodge, H. H., Mattek, N. C., Austin, D., Hayes, T. L., Kaye, J. A. In-home walking speeds and variability trajectories associated with Mild Cognitive Impairment. Neurology. 78 (24), 1946-1952 (2012).
- Kaye, J. A., et al. Intelligent systems for assessing aging changes: home-based, unobtrusive, and continuous assessment of aging. The Journals of Gerontology Series B: Psychological Sciences and Social Sciences. 66, suppl 1 180-190 (2011).
- Wang, Z., Yang, Z., Dong, T. A Review of Wearable Technologies for Elderly Care that Can Accurately Track Indoor Position, Recognize Physical Activities and Monitor Vital Signs in Real Time. Sensors. 17 (341), (2017).
- Skubic, M., Alexander, G., Popescu, M., Rantz, M., Keller, J. A smart home application to eldercare: Current status and lessons. Technol. Health Care. 17 (3), 183-201 (2009).
- Campbell, I. H., et al. Engineering in Medicine and Biology Society, EMBC, 2011. Annual International Conference of the IEEE. , 6793-6796 (2011).
- Austin, D., Cross, R. M., Hayes, T., Kaye, J. Regularity and predictability of human mobility in personal space. PloS one. 9 (2), 90256 (2014).
- Buysse, D. J., Reynolds, C. F., Monk, T. H., Berman, S. R., Kupfer, D. J. The Pittsburgh Sleep Quality Index: a new instrument for psychiatric practice and research. Psychiatry research. 28 (2), 193-213 (1989).
- Cummings, J. L. The Neuropsychiatric Inventory Assessing psychopathology in dementia patients. Neurology. 48, 5 Suppl 6 10-16 (1997).
- Teng, E., et al. Utility of the Functional Activities Questionnaire for distinguishing mild cognitive impairment from very mild Alzheimer's disease. Alzheimer disease and associated disorders. 24 (4), 348 (2010).
- Wild, K. V., Mattek, N., Austin, D., Kaye, J. A. "Are You Sure?" Lapses in Self-Reported Activities Among Healthy Older Adults Reporting Online. Journal of Applied Gerontology. , (2015).
