Sensor-Based Digital Health Technology Enables Digital Medicine for Sleep-Related Breathing Diseases
Notice bibliographique
Résumé
Abstract Rationale: Sleep-related breathing diseases are common yet underdiagnosed and undertreated. Single night polysomnography is costly, burdensome and not feasible for continued monitoring of severity or therapeutic response over time. Patients may benefit from serial assessments across an end-to-end patient journey from screening through treatment initiation and monitoring to long-term treatment adherence. This requires sensor-based fit-for-purpose measurements for health care providers (HCPs) to stratify risk and confirm response to therapy. Methods: We developed a Connected Wearable software platform for use with a wearable proximal finger-mounted pulse oximeter to enable serial overnight recordings of SpO2 and pulse rate (transmittance-based photoplethysmography) and motion (3-axis accelerometer). Sensor-based fit-for-purpose measurements include the oxygen desaturation index (ODI4), time below 90% (T90), hypoxic burden (HB), heart rate response (ΔHR), and heart rate burden (HRB). Platform components include a patient mobile app, cloud infrastructure, sleep algorithm engine, and web dashboards customizable according to clinical needs or research study designs. The sleep algorithm engine analyzes and calculates the sensor-based fit-for-purpose measurements and electronic patient reported outcomes (ePROs). Detailed nightly reports are shared with HCPs through a dedicated clinician web portal, a subset of analyses can be shared directly with the patient through the mobile app. Results: The Connected Wearable platform has been deployed in 2 ongoing clinical trials across 51 clinical sites (US: 48, Canada: 3) in 104 patients with OSA resulting in 2,017 overnight recordings to date (expected total enrollment N=800 patients). One trial is a one year open-label extension study for a phase 3 pharmacologic treatment program. During this study, people with OSA are monitored during a pre-treatment baseline period and then during treatment initiation (low dose period, full dose period, and then quarterly during the treatment maintenance period). The second trial adds the Connected Wearable platform to a health coaching program that aims to improve CPAP adherence in 30 participants with 30 matched controls. Participants, their HCP, and their health coach all have access to the Connected Wearable platform to provide more insights into treatment usage and efficacy that may help guide coaching interventions to improve treatment success. Conclusions: The Connected Wearable platform provides reliable, scalable, sensor-based digital health technology to acquire and analyze relevant digital biomarkers for serial, multi-night assessments to monitor sleep-related breathing diseases. The system has been successfully rolled out in two ongoing clinical trials for sleep-related breathing diseases, providing new insights into patient responses and treatment efficacy.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,008 |
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 ».