Smartwatch-based bioimpedance analysis for body composition estimation: precision and agreement with a 4-compartment model
Notice bibliographique
Résumé
Given that the prevalence of smartwatches has allowed them to become a hallmark in health monitoring, they are primed to provide accessible body composition estimations. The purpose of this study was to evaluate the precision and agreement of smartwatch-based bioimpedance analysis (SW-BIA) and multifrequency bioimpedance analysis (MFBIA) against a 4-compartment (4C) model criterion. A total of 186 participants (114 females) underwent body composition assessments necessary for a 4C model and SW-BIA and MFBIA. Values of total body water (TBW) from each device were compared with those obtained from bioimpedance spectroscopy. Precision was adequate though slightly lower for the smartwatch compared with other methods. No device demonstrated equivalence with the 4C model. Specifically, the SW-BIA overestimated and MFBIA underestimated body fat. MFBIA, but not SW-BIA, demonstrated equivalence for TBW. Overall error was higher for males using the smartwatch compared with females. While these findings do not invalidate the use of smartwatch-based estimates, clinicians should consider that there may be large errors relative to clinical measures. If this wearable device is intended to be used to monitor body composition change over time, these findings demonstrate the need for future research to evaluate its accuracy during follow-up testing.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,000 | 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 ».