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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».