Telerehabilitation with live-feed biomedical sensor signals for patients with heart failure: a pilot study
Notice bibliographique
Résumé
BACKGROUND: Integrating biomedical sensors to a telerehabilitation platform allowed clinicians to receive real-time transmissions of the electrocardiogram (ECG) signal, oxygen saturation, and heart rate during an exercise program. These clinical data could be helpful to adjust and personalize the intensity of exercises to each patient's condition. The purpose of this study was to evaluate the feasibility and usefulness of biomedical sensors in telerehabilitation in patients with heart failure (HF). METHODS: Four participants with HF (mean age 66 years) followed the 12-week cardiac program using telerehabilitation, including sensors to monitor real-time vital signs during sessions. The exercise program included cardiovascular, strengthening and flexibility exercises. Participants were evaluated before the intervention and one month after the end of the program. Functional capacity was measured with Cardiopulmonary Exercise Testing (CPX), the 6-minute walk test (6MWT), and the sit to stand test (STST). Quality of life was objectified using the Kansas City Cardiomyopathy Questionnaire (KCCQ). RESULTS: Our main objective demonstrated that real-time biomedical sensors can be safely used by clinicians during a telerehabilitation session. Most participants showed a tendency to improve their physical capacities such as walking distance and lower limb muscular strength. As a main outcome of cardiac rehabilitation (CR), quality of life seems to improve after the 12-week intervention. CONCLUSIONS: This study proved the feasibility of using telerehabilitation with real-time biomedical sensors as an alternative or a complement to the conventional CR program. Use of sensors allowed a safe environment for the patient and an adequate and personalized exercise prescription. Limitation in one-to-one supervision must be challenged in future clinical trials to demonstrate that telerehabilitation could be efficient for cardiac patients requiring more individual supervision than group sessions in a gymnasium.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».