Surveillance passive par maison intelligente pour la détection d'anomalies liées au délire chez les personnes atteintes de démence : étude de preuve de conceptPassive Smart Home Monitoring for Delirium-Relevant Anomaly Detection in People Living With Dementia: Proof-of-Concept Study.
- Utilisation de capteurs passifs domestiques pour détecter des anomalies liées au délire chez des personnes atteintes de démence.
- Deux algorithmes (Isolation Forest et LSTM) ont identifié des taux d'anomalies similaires (environ 15,8 %).
- Les caractéristiques clés incluent l'entropie d'activité (désorientation), la qualité du sommeil et les scores d'alerte précoce.
Article de preuve de concept sans validation clinique, mais pertinent pour la surveillance à domicile des troubles cognitifs. Note de 70 car l'approche est innovante et utile pour une veille clinique, mais les preuves restent limitées.
Absence de vérité terrain (diagnostic clinique de délire confirmé) pour valider les anomalies détectées. Échantillon de petite taille (13 patients) et courte période d'analyse (10 jours par fenêtre). Faible concordance entre les deux méthodes de détection (0-40 %), indiquant une incertitude sur la robustesse.
Cette étude de preuve de concept utilise des capteurs passifs domestiques (capteurs de mouvement, de porte, etc.) pour détecter des anomalies comportementales évocatrices de délire chez des personnes atteintes de démence vivant à domicile. Des algorithmes de détection d'anomalies (Isolation Forest et LSTM) ont été appliqués aux données de 13 patients. Les caractéristiques prédictives les plus importantes étaient l'entropie d'activité, la qualité du sommeil et les scores d'alerte précoce. Les anomalies détectées montrent des corrélations inter-caractéristiques plus fortes pendant les périodes d'anomalie. L'absence de validation clinique par un diagnostic de délire confirmé limite la portée des résultats.
Utilisation de capteurs passifs domestiques pour détecter des anomalies liées au délire chez des personnes atteintes de démence. Deux algorithmes (Isolation Forest et LSTM) ont identifié des taux d'anomalies similaires (environ 15,8 %). Les caractéristiques clés incluent l'entropie d'activité (désorientation), la qualité du sommeil et les scores d'alerte précoce. Les anomalies apparaissent en grappes temporelles courtes, avec une faible concordance entre les méthodes (0-40 %).
Approche prometteuse pour la détection précoce du délire à domicile, permettant une intervention rapide en milieu communautaire. Pourrait réduire la sous-détection du délire superposé à la démence en dehors de l'hôpital. Nécessite une validation future avec des diagnostics cliniques de délire pour confirmer l'efficacité.
Faible