Context-Aware Medical Systems within Healthcare Environments: A Systematic Scoping Review to Identify Subdomains and Significant Medical Contexts
Notice bibliographique
Résumé
Context awareness is a field in pervasive computing, which has begun to impact medical systems via an increasing number of healthcare applications that are starting to use context awareness. The present work seeks to determine which contexts are important for medical applications and which domains of context-aware applications exist in healthcare. A systematic scoping review of context-aware medical systems currently used by patients or healthcare providers (inclusion criteria) was conducted between April 2021 and June 2023. A search strategy was designed and applied to Pub Med, EBSCO, IEEE Explore, Wiley, Science Direct, Springer Link, and ACM, articles from the databases were then filtered based on their abstract, and relevant articles were screened using a questionnaire applied to their full texts prior to data extraction. Applications were grouped into context-aware healthcare application domains based on past reviews and screening results. A total of 25 articles passed all screening levels and underwent data extraction. The most common contexts used were user location (8 out of 25 studies), demographic information (6 out of 25 studies), movement status/activity level (7 out of 25 studies), time of day (5 out of 25 studies), phone usage patterns (5 out of 25 studies), lab/vitals (7 out of 25 studies), and patient history data (8 out of 23 studies). Through a systematic review process, the current study determined the key contexts within context-aware healthcare applications that have reached healthcare providers and patients. The present work has illuminated many of the early successful context-aware healthcare applications. Additionally, the primary contexts leveraged by these systems have been identified, allowing future systems to focus on prioritizing the integration of these key contexts.
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 | 0,018 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».