Continuous mHealth Patch Monitoring for the Algorithm-Based Detection of Atrial Fibrillation: Feasibility and Diagnostic Accuracy Study
Notice bibliographique
Résumé
BACKGROUND: The detection of atrial fibrillation (AF) is a major clinical challenge as AF is often paroxysmal and asymptomatic. Novel mobile health (mHealth) technologies could provide a cost-effective and reliable solution for AF screening. However, many of these techniques have not been clinically validated. OBJECTIVE: The purpose of this study is to evaluate the feasibility and reliability of artificial intelligence (AI) arrhythmia analysis for AF detection with an mHealth patch device designed for personal well-being. METHODS: Patients (N=178) with an AF (n=79, 44%) or sinus rhythm (n=99, 56%) were recruited from the emergency care department. A single-lead, 24-hour, electrocardiogram-based heart rate variability (HRV) measurement was recorded with the mHealth patch device and analyzed with a novel AI arrhythmia analysis software. Simultaneously registered 3-lead electrocardiograms (Holter) served as the gold standard for the final rhythm diagnostics. RESULTS: Of the HRV data produced by the single-lead mHealth patch, 81.5% (3099/3802 hours) were interpretable, and the subject-based median for interpretable HRV data was 99% (25th percentile=77% and 75th percentile=100%). The AI arrhythmia detection algorithm detected AF correctly in all patients in the AF group and suggested the presence of AF in 5 patients in the control group, resulting in a subject-based AF detection accuracy of 97.2%, a sensitivity of 100%, and a specificity of 94.9%. The time-based AF detection accuracy, sensitivity, and specificity of the AI arrhythmia detection algorithm were 98.7%, 99.6%, and 98.0%, respectively. CONCLUSIONS: The 24-hour HRV monitoring by the mHealth patch device enabled accurate automatic AF detection. Thus, the wearable mHealth patch device with AI arrhythmia analysis is a novel method for AF screening. TRIAL REGISTRATION: ClinicalTrials.gov NCT03507335; https://clinicaltrials.gov/ct2/show/NCT03507335.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».