Using mHealth to Predict Asthma Exacerbations in Children and Adolescents (Mobile Health for Kids With Asthma): Protocol for an Observational Study
Notice bibliographique
Résumé
BACKGROUND: Asthma exacerbation is a major cause of emergency department visits in children and adolescents. Most of the existing asthma prediction scores and biomarkers are designed to predict severe exacerbations in the medium to long term. Mobile health (mHealth) is a promising approach for integrating real-time, multimodal data to improve the prediction of asthma exacerbation. Using mHealth can enable the identification of at-risk children and the implementation of timely interventions. OBJECTIVE: The primary objective of the Mobile Health for Kids With Asthma (MoKA) study is to develop a validated predictive model for imminent asthma exacerbation in children using multimodal data, including participant-reported questionnaires through the RespiSentinel mobile app, augmented with publicly sourced environmental and epidemiological data. Furthermore, we will evaluate the association between the frequency of nocturnal cough measured in real time and asthma control and severe asthma exacerbation, and the acceptability of the RespiSentinel app in asthma self-management. METHODS: This is a prospective cohort study with in-person and remote recruitment at 7 tertiary pediatric centers in Canada. Parents of children aged between 1 and 17 years, as well as children who have experienced at least one wheezing episode or asthma exacerbation during the 12 months before recruitment, will be eligible to participate (estimated number of children: n=2000). The planned duration of study participation is 6 months following the date of enrollment (cohort entry), regardless of the number of asthma exacerbations during the follow-up period. The primary outcome will be asthma exacerbation defined by asthma symptoms requiring systemic corticosteroid use and an urgent care or emergency department visit or hospitalization. The predictive model will be created using questionnaire data on asthma control via the RespiSentinel app as well as by integrating publicly available local daily data on air pollutant levels (National Air Pollution Surveillance Program) and weekly prevalence of respiratory viruses (National Canadian Respiratory Virus Detection Surveillance Program). Nocturnal cough frequency will be determined by using nighttime audio recordings, and their contribution to predict imminent asthma exacerbation will be evaluated. Acceptability of the RespiSentinel app will be assessed through an app-based questionnaire. RESULTS: We will train and validate an asthma exacerbation prediction model using multimodal data sources. This approach may help patients, their families, and health professionals anticipate upcoming loss of asthma control and take the necessary steps to prevent a severe asthma exacerbation. CONCLUSIONS: The MoKA study will harness real-time mHealth data to identify children at imminent risk of asthma exacerbation with the ultimate goal of designing timely interventions to prevent morbidity in this group of patients.
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 | 0,024 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 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 ».