Accuracy and Usability of a Novel Algorithm for Detection of Irregular Pulse Using a Smartwatch Among Older Adults: Observational Study
Notice bibliographique
Résumé
BACKGROUND: Atrial fibrillation (AF) is often paroxysmal and minimally symptomatic, hindering its diagnosis. Smartwatches may enhance AF care by facilitating long-term, noninvasive monitoring. OBJECTIVE: This study aimed to examine the accuracy and usability of arrhythmia discrimination using a smartwatch. METHODS: A total of 40 adults presenting to a cardiology clinic wore a smartwatch and Holter monitor and performed scripted movements to simulate activities of daily living (ADLs). Participants' clinical and sociodemographic characteristics were abstracted from medical records. Participants completed a questionnaire assessing different domains of the device's usability. Pulse recordings were analyzed blindly using a real-time realizable algorithm and compared with gold-standard Holter monitoring. RESULTS: The average age of participants was 71 (SD 8) years; most participants had AF risk factors and 23% (9/39) were in AF. About half of the participants owned smartphones, but none owned smartwatches. Participants wore the smartwatch for 42 (SD 14) min while generating motion noise to simulate ADLs. The algorithm determined 53 of the 314 30-second noise-free pulse segments as consistent with AF. Compared with the gold standard, the algorithm demonstrated excellent sensitivity (98.2%), specificity (98.1%), and accuracy (98.1%) for identifying irregular pulse. Two-thirds of participants considered the smartwatch highly usable. Younger age and prior cardioversion were associated with greater overall comfort and comfort with data privacy with using a smartwatch for rhythm monitoring, respectively. CONCLUSIONS: A real-time realizable algorithm analyzing smartwatch pulse recordings demonstrated high accuracy for identifying pulse irregularities among older participants. Despite advanced age, lack of smartwatch familiarity, and high burden of comorbidities, participants found the smartwatch to be highly acceptable.
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 | 0,003 | 0,014 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».