Short-Term Wearable Sensors for In-Hospital Medical and Surgical Patients: Mixed Methods Analysis of Patient Perspectives
Notice bibliographique
Résumé
BACKGROUND: Continuous vital sign monitoring using wearable sensors may enable early detection of patient deterioration and sepsis. OBJECTIVE: This study aimed to explore patient experiences with wearable sensor technology and carry out continuous monitoring through questionnaire and interview studies in an acute hospital setting. METHODS: Patients were recruited for a wearable sensor study and were asked to complete a 9-item questionnaire. Patients responses were evaluated using a Likert scale and with continuous variables. A subgroup of surgical patients wearing a Sensium Vital Sign Sensor was invited to participate in semistructured interviews. The Sensium wearable sensor measures the vital signs: heart rate, respiratory rate, and temperature. All interview data were subjected to thematic analysis. RESULTS: Out of a total of 500 patients, 453 (90.6%) completed the questionnaire. Furthermore, 427 (85.4%) patients agreed that the wearable sensor was comfortable, 429 (85.8%) patients agreed to wear the patch again when in hospital, and 398 (79.6%) patients agreed to wear the patch at home. Overall, 12 surgical patients consented to the interviews. Five main themes of interest to patients emerged from the interviews: (1) centralized monitoring, (2) enhanced feelings of patient safety, (3) impact on nursing staff, (4) comfort and usability, and (5) future use and views on technology. CONCLUSIONS: Overall, the feedback from patients using wearable monitoring sensors was strongly positive with relatively few concerns raised. Patients felt that the wearable sensors would improve their sense of safety, relieve pressure on health care staff, and serve as a favorable aspect of future health care technology.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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) | 0,001 | 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 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 ».