Impact of age and comorbid heart failure on the utility of smart voice-assistant devices
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
Abstract Aims The accuracy of voice-assisted technologies, such as Amazon Alexa, to collect data in patients who are older or have heart failure (HF) is unknown. The aim of this study is to analyse the impact of increasing age and comorbid HF, when compared with younger participants and caregivers, and how these different subgroups classify their experience using a voice-assistant device, for screening purposes. Methods and results Subgroup analysis (HF vs. caregivers and younger vs. older participants) of the VOICE-COVID-II trial, a randomized controlled study where participants were assigned with subsequent crossover to receive a SARS-CoV2 screening questionnaire by Amazon Alexa or a healthcare personnel. Overall concordance between the two methods was compared using unweighted kappa scores and percentage of agreement. From the 52 participants included, the median age was 51 (34–65) years and 21 (40%) were HF patients. The HF subgroup showed a significantly lower percentage of agreement compared with caregivers (95% vs. 99%, P = 0.03), and both the HF and older subgroups tended to have lower unweighted kappa scores than their counterparts. In a post-screening survey, both the HF and older subgroups were less acquainted and found the voice-assistant device more difficult to use compared with caregivers and younger individuals. Conclusion This subgroup analysis highlights important differences in the performance of a voice-assistant–based technology in an older and comorbid HF population. Younger individuals and caregivers, serving as facilitators, have the potential to bridge the gap and enhance the integration of these technologies into clinical practice. Study Registration ClinicalTrials.gov Identifier: NCT04508972.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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