Accuracy of mHealth Devices for Atrial Fibrillation Screening: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Mobile health (mHealth) devices can be used for the diagnosis of atrial fibrillation. Early diagnosis allows better treatment and prevention of secondary diseases like stroke. Although there are many different mHealth devices to screen for atrial fibrillation, their accuracy varies due to different technological approaches. OBJECTIVE: We aimed to systematically review available studies that assessed the accuracy of mHealth devices in screening for atrial fibrillation. The goal of this review was to provide a comprehensive overview of available technologies, specific characteristics, and accuracy of all relevant studies. METHODS: PubMed and Web of Science databases were searched from January 2014 until January 2019. Our systematic review was performed according to the Preferred Reporting Items for Systematic Review and Meta-Analyses. We restricted the search by year of publication, language, noninvasive methods, and focus on diagnosis of atrial fibrillation. Articles not including information about the accuracy of devices were excluded. RESULTS: We found 467 relevant studies. After removing duplicates and excluding ineligible records, 22 studies were included. The accuracy of mHealth devices varied among different technologies, their application settings, and study populations. We described and summarized the eligible studies. CONCLUSIONS: Our systematic review identifies different technologies for screening for atrial fibrillation with mHealth devices. A specific technology's suitability depends on the underlying form of atrial fibrillation to be diagnosed. With the suitable use of mHealth, early diagnosis and treatment of atrial fibrillation are possible. Successful application of mHealth technologies could contribute to significantly reducing the cost of illness of atrial fibrillation.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».