MétaCan
Menu
← Retour à la cohorte
Enregistrement W3166976023 · doi:10.2196/28664

Consumer Wearables and the Integration of New Objective Measures in Oncology: Patient and Provider Perspectives

2021· review· en· W3166976023 sur OpenAlexvenueno aff
Lakshan N Fonseka, Benjamin K.P. Woo

Notice bibliographique

RevueJMIR mhealth and uhealth · 2021
Typereview
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWearable computerSmartwatchWearable technologyActivity trackermHealthMedicineInternet privacyComputer sciencePsychological interventionNursing

Résumé

récupéré en direct d'OpenAlex

With one in five adults in the United States owning a smartwatch or fitness tracker, these devices are poised to impact all aspects of medicine by offering a more objective approach to replace self-reported data. Oncology has proved to be a prototypical example, and wearables offer immediate benefits to patients and oncologists with the ability to track symptoms and health metrics in real time. We aimed to review the recent literature on consumer-grade wearables and its current applications in cancer from the perspective of both the patient and the provider. The relevant studies suggested that these devices offer benefits, such as improved medication adherence and accuracy of symptom tracking over self-reported data, as well as insights that increase patient empowerment. Physical activity is consistently correlated with stronger patient outcomes, and a patient's real-time metrics were found to be capable of tracking medication side effects and toxicity. Studies have made associations between wearable data and telomere shortening, cardiovascular disease, alcohol consumption, sleep apnea, and other conditions. The objective data obtained by the wearable presents a more complete picture of an individual's health than the snapshot of a 15-minute office visit and a single set of vital signs. Real-time metrics can be translated into a digital phenotype that identifies risk factors specific to each patient, and shared risk factors across one's social network may uncover common environmental exposures detrimental to one's health. Wearable data and its upcoming integration with social media will be the foundation for the next generation of personalized medicine.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,059

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,028
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,002
Communication savante0,0050,006
Science ouverte0,0010,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,157
Tête enseignante GPT0,511
Écart entre enseignants0,354 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealth→Même sujetMobile Health and mHealth Applications→Travaux en français237 207→