Evaluating the Utility of mHealth ECG Heart Monitoring for the Detection and Management of Atrial Fibrillation in Clinical Practice
Notice bibliographique
Résumé
BACKGROUND: Little attention has focused on the integration of mobile health (mHealth) technology with self-management approaches to improve the detection and management of atrial fibrillation (AF) in clinical practice. OBJECTIVE: The objective of this study was to investigate the differences between mHealth and usual care over a 6-month follow-up period among patients with a known history of atrial fibrillation. METHODS: QoL assessments were administered at baseline and 6 months to a subset of the patients undergoing daily ECG monitoring. Differences between groups were assessed by t-test, Fisher's exact test, and Cox proportional hazard models. RESULTS: Among the 23 patients with smartphone ECG monitors (16 males and 7 females, mean age 55 ± 10), 14 (61%) had detection of recurrent AF/AFL versus 30% of controls. During the follow-up period, patients given smartphone ECG monitors were more than twice as likely to have an episode of recurrent AF/AFL detected (hazard ratio: 2.55; 95% CI: 1.06 - 6.11; p = 0.04). Among the 13 patients with baseline and 6 month QoL assessments, significant improvements were observed in the physical functioning (p = 0.009), role physical (p = 0.007), vitality (p = 0.03), and mental health domains (p = 0.02). CONCLUSIONS: Cardiac mHealth self-monitoring is a feasible and effective mechanism for enhancing AF/AFL detection that improves quality of life.
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 | 0,014 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».