Smartwatches in healthcare medicine: assistance and monitoring; a scoping review
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.
Notice bibliographique
Résumé
Smartwatches have become increasingly popular in recent times because of their capacity to track different health indicators, including heart rate, patterns of sleep, and physical movements. This scoping review aims to explore the utilisation of smartwatches within the healthcare sector. According to Arksey and O'Malley's methodology, an organised search was performed in PubMed/Medline, Scopus, Embase, Web of Science, ERIC and Google Scholar. In our search strategy, 761 articles were returned. The exclusion/inclusion criteria were applied. Finally, 35 articles were selected for extracting data. These included six studies on stress monitoring, six on movement disorders, three on sleep tracking, three on blood pressure, two on heart disease, six on covid pandemic, three on safety and six on validation. The use of smartwatches has been found to be effective in diagnosing the symptoms of various diseases. In particular, smartwatches have shown promise in detecting heart diseases, movement disorders, and even early signs of COVID-19. Nevertheless, it should be emphasised that there is an ongoing discussion concerning the reliability of smartwatch diagnoses within healthcare systems. Despite the potential advantages offered by utilising smartwatches for disease detection, it is imperative to approach their data interpretation with prudence. The discrepancies in detection between smartwatches and their algorithms have important implications for healthcare use. The accuracy and reliability of the algorithms used are crucial, as well as high accuracy in detecting changes in health status by the smartwatches themselves. This calls for the development of medical watches and the creation of AI-hospital assistants. These assistants will be designed to help with patient monitoring, appointment scheduling, and medication management tasks. They can educate patients and answer common questions, freeing healthcare providers to focus on more complex tasks.
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 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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 découle