Wearables in Schizophrenia: Update on Current and Future Clinical Applications
Notice bibliographique
Résumé
Schizophrenia affects 1% of the world population and is associated with a reduction in life expectancy of 20 years. The increasing prevalence of both consumer technology and clinical-grade wearable technology offers new metrics to guide clinical decision-making remotely and in real time. Herein, recent literature is reviewed to determine the potential utility of wearables in schizophrenia, including their utility in diagnosis, first-episode psychosis, and relapse prevention and their acceptability to patients. Several studies have further confirmed the validity of various devices in their ability to track sleep-an especially useful metric in schizophrenia, as sleep disturbances may be predictive of disease onset or the acute worsening of psychotic symptoms. Through machine learning, wearable-obtained heart rate and motor activity were used to differentiate between controls and patients with schizophrenia. Wearables can capture the autonomic dysregulation that has been detected when patients are actively experiencing paranoia, hallucinations, or delusions. Multiple platforms are currently being researched, such as Health Outcomes Through Positive Engagement and Self-Empowerment, Mobile Therapeutic Attention for Treatment-Resistant Schizophrenia, and Sleepsight, that may ultimately link patient data to clinicians. The future is bright for wearables in schizophrenia, as the recent literature exemplifies their potential to offer real-time insights to guide diagnosis and management.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| 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 | 0,000 | 0,002 |
| 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 ».