Predicting chronic pain using wearable devices: a scoping review of sensor capabilities, data security, and standards compliance
Notice bibliographique
Résumé
Background: Wearable devices offer innovative solutions for chronic pain (CP) management by enabling real-time monitoring and personalized pain control. Although they are increasingly used to monitor pain-related parameters, their potential for predicting CP progression remains underutilized. Current studies focus mainly on correlations between data and pain levels, but rarely use this information for accurate prediction. Objective: This study aims to review recent advancements in wearable technology for CP management, emphasizing the integration of multimodal data, sensor quality, compliance with data security standards, and the effectiveness of predictive models in identifying CP episodes. Methods: A systematic search across six major databases identified studies evaluating wearable devices designed to collect pain-related parameters and predict CP. Data extraction focused on device types, sensor quality, compliance with health standards, and the predictive algorithms employed. Results: Wearable devices show promise in correlating physiological markers with CP, but few studies integrate predictive models. Random Forest and multilevel models have demonstrated consistent performance, while advanced models like Convolutional Neural Network-Long Short-Term Memory have faced challenges with data quality and computational demands. Despite compliance with regulations like General Data Protection Regulation and ISO standards, data security and privacy concerns persist. Additionally, the integration of multimodal data, including physiological, psychological, and demographic factors, remains underexplored, presenting an opportunity to improve prediction accuracy. Conclusions: Future research should prioritize developing robust predictive models, standardizing data protocols, and addressing security and privacy concerns to maximize wearable devices' potential in CP management. Enhancing real-time capabilities and fostering interdisciplinary collaborations will improve clinical applicability, enabling personalized and preventive pain management.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| 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 ».