Enhancing Cardiopulmonary Resuscitation Quality Using a Smartwatch: Neural Network Approach for Algorithm Development and Validation
Notice bibliographique
Résumé
BACKGROUND: Sudden cardiac arrest is a major cause of mortality, necessitating immediate and high-quality cardiopulmonary resuscitation (CPR) for improved survival rates. High-quality CPR is defined by chest compressions at a rate of 100-120 per minute and a depth of 50-60 mm. Monitoring and maintaining these parameters in real time during emergencies remain a challenge. OBJECTIVE: This study introduces a neural network model designed to predict and assess CPR quality using accelerometer data from a smartwatch. METHODS: The study involved 83 participants performing CPR on mannequins, with accelerometer data collected via smartwatches worn by the participants. These data were aligned with gold-standard data from the mannequins. The accelerometer-derived compression data were segmented into 5-second intervals for training the neural network models. A total of 1226 neural network models were developed, incorporating variations in hyperparameters and dataset configurations to optimize performance. RESULTS: The optimal model demonstrated the capability to accurately predict the number of compressions and the average compression depth within a 5-second interval. The model achieved an accuracy of ±3.8 mm for compression depth and an average deviation of 0.8 compressions. The results indicated that the neural network model could accurately assess CPR quality metrics, surpassing other models discussed in the literature. The large and diverse dataset used in this study contributed to the robustness and reliability of the model. CONCLUSIONS: This study validates the efficacy of a neural network model in accurately predicting CPR metrics using smartwatch accelerometer data. The model outperforms previous methods and shows promise for real-time feedback during CPR. Future work involves deploying the model directly on smartwatches for real-time application, potentially improving sudden cardiac arrest survival rates through immediate and accurate feedback on CPR quality.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».