Smartphone-Based Blood Pressure Measurement Using Transdermal Optical Imaging Technology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Cuff-based blood pressure measurement lacks comfort and convenience. Here, we examined whether blood pressure can be determined in a contactless manner using a novel smartphone-based technology called transdermal optical imaging. This technology processes imperceptible facial blood flow changes from videos captured with a smartphone camera and uses advanced machine learning to determine blood pressure from the captured signal. METHODS: We enrolled 1328 normotensive adults in our study. We used an advanced machine learning algorithm to create computational models that predict reference systolic, diastolic, and pulse pressure from facial blood flow data. We used 70% of our data set to train these models and 15% of our data set to test them. The remaining 15% of the sample was used to validate model performance. RESULTS: We found that our models predicted blood pressure with a measurement bias±SD of 0.39±7.30 mm Hg for systolic pressure, -0.20±6.00 mm Hg for diastolic pressure, and 0.52±6.42 mm Hg for pulse pressure, respectively. CONCLUSIONS: Our results in normotensive adults fall within 5±8 mm Hg of reference measurements. Future work will determine whether these models meet the clinically accepted accuracy threshold of 5±8 mm Hg when tested on a full range of blood pressures according to international accuracy standards.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle