Does a Smartphone‐Based ECG Recording System in Pediatric Patients With Palpitations Improve Diagnostic Yield?
Notice bibliographique
Résumé
INTRODUCTION: Palpitations in children are common and obtaining symptom-rhythm correlation is diagnostic, but challenging to obtain. The AliveCor KardiaMobile monitor is a smartphone-based single-lead ECG event recorder with limited study in children. We compared using this smartphone recorder to a conventional (Cardiocall) event recorder. METHODS: We performed a prospective, randomized study of children presenting to pediatric cardiology for investigation of palpitations who require an event recorder for symptom-rhythm correlation. Patients were randomized to the smartphone or conventional recorder for rhythm documentation for 3 months or 4 weeks, respectively. Diagnostic tracings were defined as one pathologic arrhythmia or three sinus rhythm tracings. We assessed tracing quality, diagnoses obtained, and time to diagnosis between groups. Patients were surveyed to assess perceptions of using the devices. RESULTS: One hundred participants were enrolled and randomized to 50 in each group. Diagnostic tracings were achieved in 51% versus 44% (p = 0.525) in the smartphone versus conventional group at means of 23.7 (SD 36.4) versus 11.5 (SD 15.2) days, p = 0.181. Participants who used the smartphone monitor were more likely to transmit recordings (70% vs. 49%, p = 0.037) and more often willing to use the device again (87% vs. 42%, p = 0.015), with no differences between groups in finding episodes easy to record (74% vs. 100%, p = 0.15), easy to transmit (70% vs. 46%, p = 0.26), or overall satisfaction (83% vs. 58%, p = 0.13). CONCLUSION: Smartphone monitor devices provided similar diagnostic yield to conventional monitors in children. Families who used the smartphone monitor were more willing to use the device again.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».