MétaCan
Menu
Retour à la cohorte
Enregistrement W4391919090 · doi:10.1093/ehjdh/ztae012

Impact of age and comorbid heart failure on the utility of smart voice-assistant devices

2024· article· en· W4391919090 sur OpenAlexafffund
Pedro Marques, Anahita Emami, Guang Zhang, Renato D. Lópes, Amir Razaghizad, Robert Avram, Abhinav Sharma

Notice bibliographique

RevueEuropean Heart Journal - Digital Health · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueAI in Service Interactions
Établissements canadiensMontreal Heart InstituteMcGill UniversityUniversité de MontréalMcGill University Health Centre
Organismes subventionnairesMcGill University Health CentreMcGill UniversityAmazon Web ServicesAmerican Welding Society
Mots-clésConcordanceMedicineSubgroup analysisPopulationHeart failureGerontologyAudiologyPhysical therapyFamily medicineInternal medicineConfidence interval

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,049
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,059

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,049
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,349
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEuropean Heart Journal - Digital HealthMême sujetAI in Service InteractionsTravaux en français237 207