Use of Actigraphy (Wearable Digital Sensors to Monitor Activity) in Heart Failure Randomized Clinical Trials: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND: Actigraphy-based measurements of physiologic parameters may enable design of patient-centric heart failure (HF) clinical trials. Recently, the Heart Failure Collaboratory focused on recommendations for meaningful change and use of actigraphy as an end point in HF clinical trials. We aimed to evaluate randomized controlled trials (RCTs) that have quantified the impact of HF interventions using actigraphy. METHODS: Using a scoping review strategy, we evaluated the use of actigraphy in HF RCTs. Studies were identified through electronic searches of Embase, OVID Medline, PubMed, and Cochrane Review. Data on trial characteristics and results were collected. RESULTS: We identified 11 RCTs with a total of 1,455 participants. The risk of bias across the included trials was high overall. All trials had the primary outcomes reflecting measures of either physical activity (n = 8), sleep (n = 2), or both (n = 1). Five trials evaluated response to pharmacologic therapies compared with placebo, 3 evaluated physical activity interventions, 2 evaluated group or cognitive therapy, and 1 evaluated sleep-ventilation strategy. Sample sizes ranged from 30 to 619 participants. There was significant heterogeneity relating to device type, body placement site, and handling of missing actigraphy data. Duration of monitoring ranged from 48 hours to 12 weeks. None of the studies evaluating pharmacologic therapies (n = 5) demonstrated a significant improvement of actigraphy-based primary end point measurements. CONCLUSIONS: There is significant heterogeneity in the use, methodology, and results of actigraphy-based HF RCTs. Our results highlight the need to develop, standardize, and validate actigraphy-specific outcomes for use in HF clinical trials.
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 | 0,010 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,028 | 0,013 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».