Sensor technologies to detect out-of-hospital cardiac arrest: A systematic review of diagnostic test performance
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
Aim: Cardiac arrest (CA) is the cessation of circulation to vital organs that can only be reversed with rapid and appropriate interventions. Sensor technologies for early detection and activation of the emergency medical system could enable rapid response to CA and increase the probability of survival. We conducted a systematic review to summarize the literature surrounding the performance of sensor technologies in detecting OHCA. Methods: We searched the academic and grey literature using keywords related to cardiac arrest, sensor technologies, and recognition/detection. We included English articles published up until June 6, 2022, including investigations and patent filings that reported the sensitivity and specificity of sensor technologies to detect cardiac arrest on human or animal subjects. (Prospero# CRD42021267797). Results: We screened 1666 articles and included four publications examining sensor technologies. One tested the performance of a physical sensor on human participants in simulated CA, one tested performance on audio recordings of patients in cardiac arrest, and two utilized a hybrid design for testing including human participants and ECG databases. Three of the devices were wearable and one was an audio detection algorithm utilizing household smart technologies. Real-world testing was limited in all studies. Sensitivity and specificity for the sensors ranged from 97.2 to 100% and 90.3 to 99.9%, respectively. All included studies had a medium/high risk of bias, with 2/4 having a high risk of bias. Conclusions: Sensor technologies show promise for cardiac arrest detection. However, current evidence is sparse and of high risk of bias. Small sample sizes and databases with low external validity limit the generalizability of findings.
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 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| 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