Systematic review of Internet of medical things for cardiovascular disease prevention among Australian first nations
Notice bibliographique
Résumé
Chronic diseases within Indigenous communities constitute the most compelling ill-health burdens and treatment inequalities, particularly in rural and remote Australia. In response to these vital issues, a systematic literature review of the adoption of wearable, Artificial Intelligence-driven, electrocardiogram sensors, in a telehealth Internet of Medical Things (IoMT) context was conducted to scale up rural Indigenous health. To this end, four preselected scientific databases were chosen for data extraction to align with the Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA) technique. From the initially collected ( n = 4436 ) articles, a total of 32 articles were analysed, being synthesised from the review inclusion criteria, maintaining strict eligibility and eliminating duplicates. None of the various studies found on this innovative healthcare intervention has given a comprehensive picture of how this could be an effective method of care dedicated to rural Indigenous communities with cardiovascular diseases (CVDs). Herein, we presented the unique concepts of IoMT-driven wearable biosensors tailored for rural indigenous cardiac patients, their clinical implications, and cardiovascular disease management within the telehealth domain. This work contributes to understanding the adoption of wearable IoMT sensor-driven telehealth model, highlighting the need for real-time data from First Nations patients in rural and remote areas for CVD prevention. Pertinent implications, research impacts, limitations and future research directions are endorsed, securing long-term Wearable IoMT sensor-driven telehealth sustainability.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».