Testing the Feasibility of Remote Patient Monitoring in Prenatal Care Using a Mobile App and Connected Devices: A Prospective Observational Trial
Notice bibliographique
Résumé
BACKGROUND: Excessive weight gain and elevated blood pressure are significant risk factors for adverse pregnancy outcomes such as gestational diabetes, premature birth, and preeclampsia. More effective strategies to facilitate adherence to gestational weight gain goals and monitor blood pressure may have a positive health benefit for pregnant women and their babies. The impact of utilizing a remote patient monitoring system to monitor blood pressure and weight gain as a component of prenatal care has not been previously assessed. OBJECTIVE: The objective of this study is to determine the feasibility of monitoring patients remotely in prenatal care using a mobile phone app and connected digital devices. METHODS: In this prospective observational study, 8 women with low risk pregnancy in the first trimester were recruited at an urban academic medical center. Participants received a mobile phone app with a connected digital weight scale and blood pressure cuff for at-home data collection for the duration of pregnancy. At-home data was assessed for abnormal values of blood pressure or weight to generate clinical alerts to the patient and provider. As measures of the feasibility of the system, participants were studied for engagement with the app, accuracy of remote data, efficacy of alert system, and patient satisfaction. RESULTS: Patient engagement with the mobile app averaged 5.5 times per week over the 6-month study period. Weight data collection and blood pressure data collection averaged 1.5 times and 1.1 times per week, respectively. At-home measurements of weight and blood pressure were highly accurate compared to in-office measurements. Automatic clinical alerts identified two episodes of abnormal weight gain with no false triggers. Patients demonstrated high satisfaction with the system. CONCLUSIONS: In this pilot study, we demonstrated that a system using a mobile phone app coupled to remote monitoring devices is feasible for prenatal care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».