Smartwatch Electrocardiograms for Automated and Manual Diagnosis of Atrial Fibrillation: A Comparative Analysis of Three Models
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.
Notice bibliographique
Résumé
Aims The diagnostic accuracy of proprietary smartwatch algorithms and the interpretability of smartwatch ECG tracings may differ between available models. We compared the diagnostic potential for detecting atrial fibrillation (AF) of three commercially available smartwatches. Methods We performed a prospective, non-randomized, and adjudicator-blinded clinical study of 100 patients in AF and 100 patients in sinus rhythm, patients with atrial flutter were excluded. All patients underwent 4 ECG recordings: a conventional 12-lead ECG, Apple Watch Series 5®, Samsung Galaxy Watch Active 3®, and Withings Move ECG® in random order. All smartwatch ECGs were analyzed using their respective automated proprietary software and by clinical experts who also graded the quality of the tracings. Results The accuracy of automated AF diagnoses by Apple and Samsung outperformed that of Withings, which was attributable to a higher proportion of inconclusive ECGs with the latter (sensitivity/specificity: 87%/86% and 88%/81% vs. 78%/80%, respectively, p < 0.05). Expert interpretation was more accurate for Withings and Apple than for Samsung (sensitivity/specificity: 96%/86% and 94%/84% vs. 86%/76%, p < 0.05), driven by the high proportion of uninterpretable tracings with the latter (2 and 4% vs. 15%, p < 0.05). Conclusion Diagnosing AF is possible using various smartwatch models. However, the diagnostic accuracy of their automated interpretations varies between models as does the quality of ECG tracings recorded for manual interpretation.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,000 | 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 découle