Clinical Applications of Mobile Health Wearable–Based Sleep Monitoring: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Sleep disorders are a major public health issue. Nearly 1 in 2 people experience sleep disturbances during their lifetime, with a potential harmful impact on well-being and physical and mental health. OBJECTIVE: The aim of this study was to better understand the clinical applications of wearable-based sleep monitoring; therefore, we conducted a review of the literature, including feasibility studies and clinical trials on this topic. METHODS: We searched PubMed, PsycINFO, ScienceDirect, the Cochrane Library, Scopus, and the Web of Science through June 2019. We created the list of keywords based on 2 domains: wearables and sleep. The primary selection criterion was the reporting of clinical trials using wearable devices for sleep recording in adults. RESULTS: The initial search identified 645 articles; 19 articles meeting the inclusion criteria were included in the final analysis. In all, 4 categories of the selected articles appeared. Of the 19 studies in this review, 58 % (11/19) were comparison studies with the gold standard, 21% (4/19) were feasibility studies, 15% (3/19) were population comparison studies, and 5% (1/19) assessed the impact of sleep disorders in the clinic. The samples were heterogeneous in size, ranging from 1 to 15,839 patients. Our review shows that mobile-health (mHealth) wearable-based sleep monitoring is feasible. However, we identified some major limitations to the reliability of wearable-based monitoring methods compared with polysomnography. CONCLUSIONS: This review showed that wearables provide acceptable sleep monitoring but with poor reliability. However, wearable mHealth devices appear to be promising tools for ecological monitoring.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».