MétaCan
Menu
Retour à la cohorte
Enregistrement W4385312870 · doi:10.2196/46653

Development and Testing of a Data Capture Device for Use With Clinical Incentive Spirometers: Testing and Usability Study

2023· article· en· W4385312870 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.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJMIR Biomedical Engineering · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Invasive Vital Sign Monitoring
Établissements canadiensnon disponible
Organismes subventionnairesMedical School, University of MichiganNational Institutes of HealthUniversity of Michigan
Mots-clésSpirometerComputer scienceUsabilityIncentive programIncentiveVolume (thermodynamics)SimulationReal-time computingMedicineHuman–computer interactionSurgery

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The incentive spirometer is a basic and common medical device from which electronic health care data cannot be directly collected. As a result, despite numerous studies investigating clinical use, there remains little consensus on optimal device use and sparse evidence supporting its intended benefits such as prevention of postoperative respiratory complications. OBJECTIVE: The aim of the study is to develop and test an add-on hardware device for data capture of the incentive spirometer. METHODS: An add-on device was designed, built, and tested using reflective optical sensors to identify the real-time location of the volume piston and flow bobbin of a common incentive spirometer. Investigators manually tested sensor level accuracies and triggering range calibrations using a digital flowmeter. A valid breath classification algorithm was created and tested to determine valid from invalid breath attempts. To assess real-time use, a video game was developed using the incentive spirometer and add-on device as a controller using the Apple iPad. RESULTS: In user testing, sensor locations were captured at an accuracy of 99% (SD 1.4%) for volume and 100% accuracy for flow. Median and average volumes were within 7.5% (SD 6%) of target volume sensor levels, and maximum sensor triggering values seldom exceeded intended sensor levels, showing a good correlation to placement on 2 similar but distinct incentive spirometer designs. The breath classification algorithm displayed a 100% sensitivity and a 99% specificity on user testing, and the device operated as a video game controller in real time without noticeable interference or delay. CONCLUSIONS: An effective and reusable add-on device for the incentive spirometer was created to allow the collection of previously inaccessible incentive spirometer data and demonstrate Internet-of-Things use on a common hospital device. This design showed high sensor accuracies and the ability to use data in real-time applications, showing promise in the ability to capture currently inaccessible clinical data. Further use of this device could facilitate improved research into the incentive spirometer to improve adoption, incentivize adherence, and investigate the clinical effectiveness to help guide clinical care.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,238
Score d'incertitude au seuil0,854

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,129
Tête enseignante GPT0,335
Écart entre enseignants0,206 · 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