Mobile health applications for the detection of atrial fibrillation: a systematic review
Notice bibliographique
Résumé
AIMS: Atrial fibrillation (AF) is the most common sustained arrhythmia and an important risk factor for stroke and heart failure. We aimed to conduct a systematic review of the literature and summarize the performance of mobile health (mHealth) devices in diagnosing and screening for AF. METHODS AND RESULTS: We conducted a systematic search of MEDLINE, Embase, and the Cochrane Central Register of Controlled Trials. Forty-three studies met the inclusion criteria and were divided into two groups: 28 studies aimed at validating smart devices for AF diagnosis, and 15 studies used smart devices to screen for AF. Evaluated technologies included smartphones, with photoplethysmographic (PPG) pulse waveform measurement or accelerometer sensors, smartbands, external electrodes that can provide a smartphone single-lead electrocardiogram (iECG), such as AliveCor, Zenicor and MyDiagnostick, and earlobe monitor. The accuracy of these devices depended on the technology and the population, AliveCor and smartphone PPG sensors being the most frequent systems analysed. The iECG provided by AliveCor demonstrated a sensitivity and specificity between 66.7% and 98.5% and 99.4% and 99.0%, respectively. The PPG sensors detected AF with a sensitivity of 85.0-100% and a specificity of 93.5-99.0%. The incidence of newly diagnosed arrhythmia ranged from 0.12% in a healthy population to 8% among hospitalized patients. CONCLUSION: Although the evidence for clinical effectiveness is limited, these devices may be useful in detecting AF. While mHealth is growing in popularity, its clinical, economic, and policy implications merit further investigation. More head-to-head comparisons between mHealth and medical devices are needed to establish their comparative effectiveness.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 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 ».