Abstract 18508: Usability of Novel Automated Software for Guiding Remote Titration of Antiarrhythmic Drugs
Notice bibliographique
Résumé
Introduction: We tested the first novel software application to accurately measure QTc using a machine learning algorithm from a mobile ECG and recommend patient-specific antiarrhythmic drug (AAD) dosing. The software was developed to address disparities in AAD hospitalizations that disproportionately affect minority patients. We evaluated the usability of the software interface using the validated Post-Study System Usability Questionnaire (PSSUQ) and mobile Health App Usability Questionnaire (MAUQ). Methods: Ten medical providers, 16 clinic staff, and 16 patients tested the novel software interface for remote titration of Sotalol and Dofetilide medications, followed by the validated PSSUQ and MAUQ surveys. An observer also evaluated each step of the software for completion and noted any challenges. Results: Providers rated the software interface highly, with an overall mean PSSUQ of 6.9 ± 0.2 and MAUQ of 6.8 ± 0.2, and 100% strongly agree on information quality (PSSUQ questions 7-12). Clinic staff and patients provided the highest ratings for system usefulness, with an overall PSSUQ mean of 6.4 ± 1.2 and MAUQ mean of 6.0 ± 1.2, ease of app use and user satisfaction, mean of 6.3 ± 1.1 and 5.9 ± 1.3 respectively. Eighty percent of users found the system easy to use and were satisfied, with 76% rating the app as an acceptable way to receive healthcare services and felt comfortable communicating with their providers using the app. Conclusion: The novel automated software application, designed to improve access to antiarrhythmic drugs and reduce healthcare disparities, received high usability ratings, indicating feasibility for remote administration of antiarrhythmic drugs.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».