MétaCan
Menu
Retour à la cohorte
Enregistrement W3110077903 · doi:10.2196/16491

Augmenting Critical Care Patient Monitoring Using Wearable Technology: Review of Usability and Human Factors

2020· review· en· W3110077903 sur OpenAlex
Evismar Andrade, Leo R. Quinlan, Richard Harte, Dara Byrne, Enda Fallon, Martina Kelly, Siobhán Casey, Frank Kirrane, Paul O’Connor, Denis O’Hora, Michael Scully, John G. Laffey, Patrick Pladys, Alain Beuchée, Gearóid ÓLaighin

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.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJMIR Human Factors · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueHealthcare Technology and Patient Monitoring
Établissements canadiensnon disponible
Organismes subventionnairesHorizon 2020 Framework ProgrammeEuropean Commission
Mots-clésUsabilityWearable computerWearable technologySmartwatchHealth careHuman–computer interactionComputer sciencePatient safetyVital signsMedicineEmbedded system

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Continuous monitoring of the vital signs of critical care patients is an essential component of critical care medicine. For this task, clinicians use a patient monitor (PM), which conveys patient vital sign data through a screen and an auditory alarm system. Some limitations with PMs have been identified in the literature, such as the need for visual contact with the PM screen, which could result in reduced focus on the patient in specific scenarios, and the amount of noise generated by the PM alarm system. With the advancement of material science and electronic technology, wearable devices have emerged as a potential solution for these problems. This review presents the findings of several studies that focused on the usability and human factors of wearable devices designed for use in critical care patient monitoring. OBJECTIVE: The aim of this study is to review the current state of the art in wearable devices intended for use by clinicians to monitor vital signs of critical care patients in hospital settings, with a focus on the usability and human factors of the devices. METHODS: A comprehensive literature search of relevant databases was conducted, and 20 studies were identified and critically reviewed by the authors. RESULTS: We identified 3 types of wearable devices: tactile, head-mounted, and smartwatch displays. In most cases, these devices were intended for use by anesthesiologists, but nurses and surgeons were also identified as potentially important users of wearable technology in critical care medicine. Although the studies investigating tactile displays revealed their potential to improve clinical monitoring, usability problems related to comfort need to be overcome before they can be considered suitable for use in clinical practice. Only a few studies investigated the usability and human factors of tactile displays by conducting user testing involving critical care professionals. The studies of head-mounted displays (HMDs) revealed that these devices could be useful in critical care medicine, particularly from an ergonomics point of view. By reducing the amount of time the user spends averting their gaze from the patient to a separate screen, HMDs enable clinicians to improve their patient focus and reduce the potential of repetitive strain injury. CONCLUSIONS: Researchers and designers of new wearable devices for use in critical care medicine should strive to achieve not only enhanced performance but also enhanced user experience for their users, especially in terms of comfort and ease of use. These aspects of wearable displays must be extensively tested with the intended end users in a setting that properly reflects the intended context of use before their adoption can be considered in clinical settings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,255
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,164
Tête enseignante GPT0,462
Écart entre enseignants0,299 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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