Consumer-led screening for atrial fibrillation using consumer-facing wearables, devices and apps: A survey of health care professionals by AF-SCREEN international collaboration
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
AIM: A variety of consumer-facing wearables, devices and apps are marketed directly to consumers to detect atrial fibrillation (AF). However, their management is not defined. Our aim was to explore their role for AF screening via a survey. METHODS AND RESULTS: An anonymous web-based survey was undertaken by 588 health care professionals (HCPs) (response rate 23.7%). Overall, 57% HCPs currently advise wearables/apps for AF detection in their patients: this was much higher for electrophysiologists and nurses/allied health professionals (74-75%) than cardiologists (57%) or other physicians (34-38%). Approximately 46% recommended handheld (portable) single-lead dedicated ECG devices, or, less frequently, wristband ECG monitors with similar differentials between HCPs . Only 10-15% HCPs advised photoplethysmographic wristband monitors or smartphone apps. In over half of the HCP consultations for AF detected by wearables/apps, the decision to screen was entirely the patient's. About 45% of HCPs perceive a potential role for AF screening in people aged >65 years or in those with risk factors. Almost 70% of HCPs believed we are not yet ready for mass consumer-initiated screening for AF using wearable devices/apps, with patient anxiety, risk of false positives and negatives, and risk of anticoagulant-related bleeding perceived as potential disadvantages, and perceived need for appropriate management pathways. CONCLUSIONS: There is a great potential for appropriate use of consumer-facing wearables/apps for AF screening. However, it appears that there is a need to better define suitable individuals for screening and an appropriate mechanism for managing positive results before they can be recommended by HCPs.
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 | 0,002 | 0,002 |
| 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 | 0,000 | 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