A Multi-Faceted Digital Health Solution for Monitoring and Managing Diabetic Foot Ulcer Risk: A Case Series
Notice bibliographique
Résumé
INTRODUCTION: Diabetic foot ulcers (DFU) are a devastating complication of diabetes. There are numerous challenges with preventing diabetic foot complications and barriers to achieving the care processes suggested in established foot care guidelines. Multi-faceted digital health solutions, which combine multimodal sensing, patient-facing biofeedback, and remote patient monitoring (RPM), show promise in improving our ability to understand, prevent, and manage DFUs. METHODS: Patients with a history of diabetic plantar foot ulcers were enrolled in a prospective cohort study and equipped with custom sensory insoles to track plantar pressure, plantar temperature, step count, and adherence data. Sensory insole data enabled patient-facing biofeedback to cue active plantar offloading in response to sustained high plantar pressures, and RPM assessments in response to data trends of concern in plantar pressure, plantar temperature, or sensory insole adherence. Three non-consecutive case participants that ultimately presented with pre-ulcerative lesions (a callus and/or erythematous area on the plantar surface of the foot) during the study were selected for this case series. RESULTS: Across three illustrative patients, continuous plantar pressure monitoring demonstrated promise for empowering both the patient and provider with information for data-driven management of pressure offloading treatments. CONCLUSION: Multi-faceted digital health solutions can naturally enable and reinforce the integrative foot care guidelines. Multi-modal sensing across multiple physiologic domains supports the monitoring of foot health at various stages along the DFU pathogenesis pathway. Furthermore, digital health solutions equipped with remote patient monitoring unlock new opportunities for personalizing treatments, providing periodic self-care reinforcement, and encouraging patient engagement-key tools for improving patient adherence to their diabetic foot care plan.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».