Comparison of Apple Watch vs KardiaMobile: A Tale of Two Devices
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
Background: The Apple Watch Series 4 (AW4) and the KardiaMobile single bipolar lead model (KM) are 2 of the most popular US Food & Drug Administration (FDA)-approved commercial heart trackers. However, a lack of knowledge remains regarding their rhythm-detection accuracy in real-life clinical situations. This paper aims to determine the practicality of using an AW4 or a KM in modern medical practice, by assessing the accuracy of each in identifying heart rhythms and heart rate. Methods: Participants from the Toronto Heart Centre clinic were enrolled from January 2019 to December 2019. They had a 12-lead electrocardiogram (ECG), followed by wearing the AW4 watch (OS 5.3), and pressing on the KM electrode plates, within the span of 5 minutes of one another. Each session involved a 12-lead ECG, an ECG from each device, and AW4's photoplethysmography function (APPG). Results: Of 200 participants, 162 (81%) were in sinus rhythm, and 38 (19%) had atrial fibrillation. The rhythm-detection accuracy for sinus rhythm was 100% for the AW4, and 99.03% for the KM. For atrial fibrillation, accuracy was 90.48% for the AW4, and 100% for the KM. The heart rate accuracy for sinus rhythm was 94.39% for the KM, 90.65% for the APPG, and 96.26% for the Apple ECG function. The heart rate accuracy for atrial fibrillation was 91.30% for the KM, 82.61% for the APPG, and 86.96% for the Apple ECG function. Conclusions: Both the AW4 and the KM could reliably detect rhythm and heart rate in real-life clinical situations. However, a nonsignificant trend occurred toward better rhythm detection and accuracy with KM, compared with AW4. The difference is mainly due to artifacts (eg, tremors) and the fit of the strap for AW4. The findings have important implications for how these consumer devices can be used in real-life clinical settings.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 découle