Wearable devices for out‐of‐hospital cardiac arrest: A population survey on the willingness to adhere
Notice bibliographique
Résumé
Objectives: When an out-of-hospital cardiac arrest (OHCA) occurs, the first step in the chain of survival is detection. However, 75% of OHCAs are unwitnessed, representing the largest barrier to activating the chain of survival. Wearable devices have the potential to be "artificial bystanders," detecting OHCA and alerting 9-1-1. We sought to understand factors impacting users' willingness for continuous use of a wearable device through an online survey to inform future use of these systems for automated OHCA detection. Methods: Data were collected from October 2022 to June 2023 through voluntary response sampling. The survey investigated user convenience and perception of urgency to understand design preferences and willingness to adhere to continuous wearable use across different hypothetical risk levels. Associations between categorical variables and willingness were evaluated through nonparametric tests. Logistic models were fit to evaluate the association between continuous variables and willingness at different hypothetical risk levels. Results: The survey was completed by 359 participants. Participants preferred hand-based devices (wristbands: 87%, watches: 86%, rings: 62%) and prioritized comfort (94%), cost (83%), and size (72%). Participants were more willing to adhere at higher levels of hypothetical risk. At the baseline risk of 0.1%, older individuals with prior wearable use were most willing to adhere to continuous wearable use. Conclusion: Individuals were willing to continuously wear wearable devices for OHCA detection, especially at increased hypothetical risk of OHCA. Optimizing willingness is not just a matter of adjusting for user preferences, but also increasing perception of urgency through awareness and education about OHCA.
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 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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».