Investigating Users’ Attitudes Toward Automated Smartwatch Cardiac Arrest Detection: Cross-Sectional Survey Study
Notice bibliographique
Résumé
Background: Out-of-hospital cardiac arrest (OHCA) is a leading cause of mortality in the developed world. Timely detection of cardiac arrest and prompt activation of emergency medical services (EMS) are essential, yet challenging. Automated cardiac arrest detection using sensor signals from smartwatches has the potential to shorten the interval between cardiac arrest and activation of EMS, thereby increasing the likelihood of survival. Objective: This cross-sectional survey study aims to investigate users' perspectives on aspects of continuous monitoring such as privacy and data protection, as well as other implications, and to collect insights into their attitudes toward the technology. Methods: We conducted a cross-sectional web-based survey in the Netherlands among 2 groups of potential users of automated cardiac arrest technology: consumers who already own a smartwatch and patients at risk of cardiac arrest. Surveys primarily consisted of closed-ended questions with some additional open-ended questions to provide supplementary insight. The quantitative data were analyzed descriptively, and a content analysis of the open-ended questions was conducted. Results: In the consumer group (n=1005), 90.2% (n=906; 95% CI 88.1%-91.9%) of participants expressed an interest in the technology, and 89% (n=1196; 95% CI 87.3%-90.7%) of the patient group (n=1344) showed interest. More than 75% (consumer group: n= 756; patient group: n=1004) of the participants in both groups indicated they were willing to use the technology. The main concerns raised by participants regarding the technology included privacy, data protection, reliability, and accessibility. Conclusions: The vast majority of potential users expressed a strong interest in and positive attitude toward automated cardiac arrest detection using smartwatch technology. However, a number of concerns were identified, which should be addressed in the development and implementation process to optimize acceptance and effectiveness of the technology.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».