Guideline-Based Cardiovascular Risk Assessment Delivered by an mHealth App: Development Study
Notice bibliographique
Résumé
BACKGROUND: Identifying high-risk individuals is crucial for preventing cardiovascular diseases (CVDs). Currently, risk assessment is mostly performed by physicians. Mobile health apps could help decouple the determination of risk from medical resources by allowing unrestricted self-assessment. The respective test results need to be interpretable for laypersons. OBJECTIVE: Together with a patient organization, we aimed to design a digital risk calculator that allows people to individually assess and optimize their CVD risk. The risk calculator was integrated into the mobile health app HerzFit, which provides the respective background information. METHODS: To cover a broad spectrum of individuals for both primary and secondary prevention, we integrated the respective scores (Framingham 10-year CVD, Systematic Coronary Risk Evaluation 2, Systematic Coronary Risk Evaluation 2 in Older Persons, and Secondary Manifestations Of Arterial Disease) into a single risk calculator that was recalibrated for the German population. In primary prevention, an individual's heart age is estimated, which gives the user an easy-to-understand metric for assessing cardiac health. For secondary prevention, the risk of recurrence was assessed. In addition, a comparison of expected to mean and optimal risk levels was determined. The risk calculator is available free of charge. Data safety is ensured by processing the data locally on the users' smartphones. RESULTS: Offering a risk calculator to the general population requires the use of multiple instruments, as each provides only a limited spectrum in terms of age and risk distribution. The integration of 4 internationally recommended scores allows risk calculation in individuals aged 30 to 90 years with and without CVD. Such integration requires recalibration and harmonization to provide consistent and plausible estimates. In the first 14 months after the launch, the HerzFit calculator was downloaded more than 96,000 times, indicating great demand. Public information campaigns proved effective in publicizing the risk calculator and contributed significantly to download numbers. CONCLUSIONS: The HerzFit calculator provides CVD risk assessment for the general population. The public demonstrated great demand for such a risk calculator as it was downloaded up to 10,000 times per month, depending on campaigns creating awareness for the instrument.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».