Predictive Data Analytics in Telecare and Telehealth: Systematic Scoping Review
Notice bibliographique
Résumé
BACKGROUND: Telecare and telehealth are important care-at-home services used to support individuals to live more independently at home. Historically, these technologies have reactively responded to issues. However, there has been a recent drive to make better use of the data from these services to facilitate more proactive and predictive care. OBJECTIVE: This review seeks to explore the ways in which predictive data analytics techniques have been applied in telecare and telehealth in at-home settings. METHODS: The PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews) checklist was adhered to alongside Arksey and O'Malley's methodological framework. English language papers published in MEDLINE, Embase, and Social Science Premium Collection between 2012 and 2022 were considered and results were screened against inclusion or exclusion criteria. RESULTS: In total, 86 papers were included in this review. The types of analytics featuring in this review can be categorized as anomaly detection (n=21), diagnosis (n=32), prediction (n=22), and activity recognition (n=11). The most common health conditions represented were Parkinson disease (n=12) and cardiovascular conditions (n=11). The main findings include: a lack of use of routinely collected data; a dominance of diagnostic tools; and barriers and opportunities that exist, such as including patient-reported outcomes, for future predictive analytics in telecare and telehealth. CONCLUSIONS: All papers in this review were small-scale pilots and, as such, future research should seek to apply these predictive techniques into larger trials. Additionally, further integration of routinely collected care data and patient-reported outcomes into predictive models in telecare and telehealth offer significant opportunities to improve the analytics being performed and should be explored further. Data sets used must be of suitable size and diversity, ensuring that models are generalizable to a wider population and can be appropriately trained, validated, and tested.
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 | 0,038 | 0,189 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,011 |
| Bibliométrie | 0,021 | 0,021 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».