Developments in Digital Wearable in Heart Failure and the Rationale for the Design of TRUE-HF (Ted Rogers Understanding of Exacerbations in Heart Failure) Apple CPET Study
Notice bibliographique
Résumé
BACKGROUND: Heart failure (HF) is a highly prevalent condition characterized by exercise intolerance, an important metric for ambulatory prognostication. However, current methods to assess exercise capacity are often limited to tertiary HF centers, lacking scalability or accessibility. Wearable devices can enable near-continuous dynamic biometrics including exercise tolerance. METHODS: Leveraging the capabilities of Apple Watch and a custom application, the TRUE-HF (Ted Rogers Understanding of Exacerbations in Heart Failure) Apple cardiopulmonary exercise testing study aims to investigate whether HealthKit data from Apple Watch can estimate cardiorespiratory fitness, as compared with the gold standard peak oxygen uptake from cardiopulmonary exercise testing. The TRUE-HF study will evaluate the potential impact of wearable technology in the functional assessment of ambulatory patients with HF. The primary end point is to use HealthKit variables to estimate a TRUE-HF peak oxygen uptake. We outline key features of this trial designed to reduce the burden of wearable technology. In addition, we highlight the benefits of various machine learning analyses, with a particular focus on transformer models for the wearable space. CONCLUSIONS: Using cutting-edge wearable technology and machine learning analytics, TRUE-HF may provide state-of-the-art assessment of functional capacity by measuring participant-generated free-world data. REGISTRATION: URL: https://www.clinicaltrials.gov; Unique identifier: NCT05008692.
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 | 0,058 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».