Clinical validation of an audio-based uroflowmetry app in adult males
Notice bibliographique
Résumé
INTRODUCTION: Uroflowmetry is a common test to evaluate lower urinary tract symptoms. Audio-based uroflowmetry is a novel, alternative approach that determines urine flow by measuring sound. Available as a smartphone application, it has potential for screening and monitoring common urological pathologies, particularly in out-of-office environments. This study is the first to evaluate audio-based uroflowmetry in a clinical setting against the gold standard. METHODS: Adult male patients (n=44) attending a general urology clinic were recruited. Audio-based uroflowmetry and conventional uroflowmetry were performed concurrently. Pearson correlation and Bland-Altman analysis were used to compare performance with respect to max flow, time to max flow, and total voiding time. Symmetric mean absolute percentage error (SMAPE) was used to compare curve shapes. Repeatability was evaluated separately in three healthy volunteers using repeat measures correlation. RESULTS: Among urology clinic patients, the correlation for max flow was 0.12. Correlation for time to max flow was 0.46, with limits of agreement of -120-165%. Correlation for total voiding time was 0.91, with limits of agreement of -41-38%. The SMAPE for curve shape was 32.6%, with corresponding accuracy of 67.4%. Among healthy volunteers, the repeat measures correlation for max flow was 0.72. CONCLUSIONS: Audio-based uroflowmetry was inconsistent in evaluating flow rate, attributable to high variability and difficult standardization for acoustic signals. Performance improved with respect to temporal variables, as well as flow curve shape. Further work evaluating intra-patient reliability and pathology-specific performance is required to fully evaluate audio-based uroflowmetry as a screening or monitoring tool.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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; 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 ».