The Utility of Predicting Hospitalizations Among Patients With Heart Failure Using mHealth: Observational Study
Notice bibliographique
Résumé
BACKGROUND: Heart failure decompensation is a major driver of hospitalizations and represents a significant burden to the health care system. Identifying those at greatest risk of admission can allow for targeted interventions to reduce this risk. OBJECTIVE: This paper aims to compare the predictive value of objective and subjective heart failure respiratory symptoms on imminent heart failure decompensation and subsequent hospitalization within a 30-day period. METHODS: A prospective observational pilot study was conducted. People living at home with heart failure were recruited from a single-center heart failure outpatient clinic. Objective (blood pressure, heart rate, weight, B-type natriuretic peptide) and subjective (4 heart failure respiratory symptoms scored for severity on a 5-point Likert scale) data were collected twice weekly for a 30-day period. RESULTS: A total of 29 participants (median age 79 years; 18/29, 62% men) completed the study. During the study period, 10 of the 29 participants (34%) were hospitalized as a result of heart failure. For objective data, only heart rate exhibited a between-group difference. However, it was nonsignificant for variability (P=.71). Subjective symptom scores provided better prediction. Specifically, the highest precision of heart failure hospitalization was observed when patients with heart failure experienced severe dyspnea, orthopnea, and bendopnea on any given day (area under the curve of 0.77; sensitivity of 83%; specificity of 73%). CONCLUSIONS: The use of subjective respiratory symptom reporting on a 5-point Likert scale may facilitate a simple and low-cost method of predicting heart failure decompensation and imminent hospitalization. Serial collection of symptom data could be augmented using ecological momentary assessment of self-reported symptoms within a mobile health monitoring strategy for patients at high risk for heart failure decompensation.
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 | 0,004 | 0,011 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».