ARTIFICIAL INTELLIGENCE IN EARLY DETECTION OF MYOCARDIAL INFARCTION USING WEARABLE DEVICES: A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Background: Myocardial infarction (MI) remains a leading global cause of morbidity and mortality, with early detection being critical for improving clinical outcomes. Conventional diagnostic methods often rely on patient presentation to healthcare settings, leading to delayed intervention. Wearable devices integrated with artificial intelligence (AI) offer the potential for real-time, non-invasive, and accessible MI detection. However, there is limited consolidated evidence evaluating the diagnostic accuracy and clinical utility of these technologies. Objective: This systematic review aims to evaluate the effectiveness and diagnostic performance of AI-driven wearable devices in the early detection of myocardial infarction. Methods: A systematic review was conducted in accordance with PRISMA guidelines. Literature was searched across PubMed, Scopus, Web of Science, and IEEE Xplore for studies published between 2019 and 2024. Included studies evaluated adult human subjects using AI-integrated wearable or portable ECG devices for MI detection. Study designs encompassed randomized trials, cohort studies, and validation models. Risk of bias was assessed using the Cochrane Risk of Bias Tool and the Newcastle-Ottawa Scale. Data were synthesized narratively due to heterogeneity in study design and outcomes. Results: Eight studies were included in the final review. AI algorithms demonstrated high diagnostic accuracy (sensitivity and specificity >90%) across multiple device platforms. Notably, one study reported an AUC of 0.9954 and another achieved an F-score of 88.10%. AI models were successfully integrated into real-time or embedded systems, and performance was comparable or superior to clinician-based interpretations. Study quality was moderate to high, although variations in design and small sample sizes were noted. Conclusion: AI-enhanced wearable technologies show strong promise for the early detection of myocardial infarction, offering significant clinical benefits in timely diagnosis and intervention. While the current evidence supports their diagnostic value, further large-scale prospective trials are needed to validate performance and guide clinical implementation.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 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 ».