The Use of Wearable Devices in Oncology Patients: A Systematic Review
Notice bibliographique
Résumé
INTRODUCTION: The aim of this systematic review was to summarize the current literature on wearable technologies in oncology patients for the purpose of prognostication, treatment monitoring, and rehabilitation planning. METHODS: A search was conducted in Medline ALL, Cochrane Central Register of Controlled Trials, Embase, Emcare, CINAHL, Scopus, and Web of Science, up until February 2022. Articles were included if they reported on consumer grade and/or non-commercial wearable devices in the setting of either prognostication, treatment monitoring or rehabilitation. RESULTS: We found 199 studies reporting on 18 513 patients suitable for inclusion. One hundred and eleven studies used wearable device data primarily for the purposes of rehabilitation, 68 for treatment monitoring, and 20 for prognostication. The most commonly-reported brands of wearable devices were ActiGraph (71 studies; 36%), Fitbit (37 studies; 19%), Garmin (13 studies; 7%), and ActivPAL (11 studies; 6%). Daily minutes of physical activity were measured in 121 studies (61%), and daily step counts were measured in 93 studies (47%). Adherence was reported in 86 studies, and ranged from 40% to 100%; of these, 63 (74%) reported adherence in excess of 80%. CONCLUSION: Wearable devices may provide valuable data for the purposes of treatment monitoring, prognostication, and rehabilitation. Future studies should investigate live-time monitoring of collected data, which may facilitate directed interventions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».