MétaCan
Menu
Retour à la cohorte
Enregistrement W4321448639 · doi:10.2196/37347

Health Monitoring Using Smart Home Technologies: Scoping Review

2023· article· en· W4321448639 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.
venuePublié dans une revue dont le pays d'attache est le Canada.

Notice bibliographique

RevueJMIR mhealth and uhealth · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueContext-Aware Activity Recognition Systems
Établissements canadiensInstitute of AgingUniversity of TorontoUniversity of WaterlooResearch Institute for AgingUniversity Health Network
Organismes subventionnairesMitacs
Mots-clésCINAHLInteroperabilityHealth caremHealthTelemedicineHome automationScopusInternet privacyComputer scienceMedicineData scienceMEDLINEWorld Wide WebNursingTelecommunicationsPolitical sciencePsychological intervention

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The Internet of Things (IoT) has become integrated into everyday life, with devices becoming permanent fixtures in many homes. As countries face increasing pressure on their health care systems, smart home technologies have the potential to support population health through continuous behavioral monitoring. OBJECTIVE: This scoping review aims to provide insight into this evolving field of research by surveying the current technologies and applications for in-home health monitoring. METHODS: Peer-reviewed papers from 2008 to 2021 related to smart home technologies for health care were extracted from 4 databases (PubMed, Scopus, ScienceDirect, and CINAHL); 49 papers met the inclusion criteria and were analyzed. RESULTS: Most of the studies were from Europe and North America. The largest proportion of the studies were proof of concept or pilot studies. Approximately 78% (38/49) of the studies used real human participants, most of whom were older females. Demographic data were often missing. Nearly 60% (29/49) of the studies reported on the health status of the participants. Results were primarily reported in engineering and technology journals. Almost 62% (30/49) of the studies used passive infrared sensors to report on motion detection where data were primarily binary. There were numerous data analysis, management, and machine learning techniques employed. The primary challenges reported by authors were differentiating between multiple participants in a single space, technology interoperability, and data security and privacy. CONCLUSIONS: This scoping review synthesizes the current state of research on smart home technologies for health care. We were able to identify multiple trends and knowledge gaps-in particular, the lack of collaboration across disciplines. Technological development dominates over the human-centric part of the equation. During the preparation of this scoping review, we noted that the health care research papers lacked a concrete definition of a smart home, and based on the available evidence and the identified gaps, we propose a new definition for a smart home for health care. Smart home technology is growing rapidly, and interdisciplinary approaches will be needed to ensure integration into the health sector.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,883
Score d'incertitude au seuil0,972

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,184
Tête enseignante GPT0,439
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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