Mobile Personal Health Care System for Noninvasive, Pervasive, and Continuous Blood Pressure Monitoring: Development and Usability Study
Notice bibliographique
Résumé
BACKGROUND: Smartphone-based blood pressure (BP) monitoring using photoplethysmography (PPG) technology has emerged as a promising approach to empower users with self-monitoring for effective diagnosis and control of hypertension. OBJECTIVE: This study aimed to develop a mobile personal health care system for noninvasive, pervasive, and continuous estimation of BP level and variability, which is user friendly for elderly people. METHODS: The proposed approach was integrated by a self-designed cuffless, calibration-free, wireless, and wearable PPG-only sensor and a native purposely designed smartphone app using multilayer perceptron machine learning techniques from raw signals. We performed a development and usability study with three older adults (mean age 61.3 years, SD 1.5 years; 66% women) to test the usability and accuracy of the smartphone-based BP monitor. RESULTS: The employed artificial neural network model had good average accuracy (>90%) and very strong correlation (>0.90) (P<.001) for predicting the reference BP values of our validation sample (n=150). Bland-Altman plots showed that most of the errors for BP prediction were less than 10 mmHg. However, according to the Association for the Advancement of Medical Instrumentation and British Hypertension Society standards, only diastolic blood pressure prediction met the clinically accepted accuracy thresholds. CONCLUSIONS: With further development and validation, the proposed system could provide a cost-effective strategy to improve the quality and coverage of health care, particularly in rural zones, areas lacking physicians, and areas with solitary elderly populations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».