Remote patient monitoring strategies and wearable technology in chronic obstructive pulmonary disease
Notice bibliographique
Résumé
Chronic obstructive pulmonary disease (COPD) is highly prevalent and is associated with a heavy burden on patients and health systems alike. Exacerbations of COPD (ECOPDs) are a leading cause of acute hospitalization among all adult chronic diseases. There is currently a paradigm shift in the way that ECOPDs are conceptualized. For the first time, objective physiological parameters are being used to define/classify what an ECOPD is (including heart rate, respiratory rate, and oxygen saturation criteria) and therefore a mechanism to monitor and measure their changes, particularly in an outpatient ambulatory setting, are now of great value. In addition to pre-existing challenges on traditional 'in-person' health models such as geography and seasonal (ex. winter) impacts on the ability to deliver in-person visit-based care, the COVID-19 pandemic imposed additional stressors including lockdowns, social distancing, and the closure of pulmonary function labs. These health system stressors, combined with the new conceptualization of ECOPDs, rapid advances in sophistication of hardware and software, and a general openness by stakeholders to embrace this technology, have all influenced the propulsion of remote patient monitoring (RPM) and wearable technology in the modern care of COPD. The present article reviews the use of RPM and wearable technology in COPD. Context on the influences, factors and forces which have helped shape this health system innovation is provided. A focused summary of the literature of RPM in COPD is presented. Finally, the practical and ethical principles which must guide the transition of RPM in COPD into real-world clinical use are reviewed.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».