PARKA AI: A Sensor-Integrated Mobile Application for Parkinson’s Disease Monitoring and Self-Management
Notice bibliographique
Résumé
Parkinson's disease (PD), a progressive neurodegenerative disorder affecting over 10 million people worldwide, necessitates continuous symptom monitoring to optimize treatment and enhance quality of life. Effective communication between patients and healthcare providers (HCPs) is vital but often hindered by fragmented data and cognitive impairments. PARKA AI, a novel iOS application, leverages Apple Watch HealthKit data (e.g., tremor detection, mobility metrics, heart rate, and sleep patterns) and integrates it with self-reported logs (e.g., mood, medication adherence) to empower PD self-management and improve patient-HCP interactions. Employing a human-centered design approach, we developed a high-fidelity prototype using a large language model (LLM)- Google Gemini 1.5 Flash-to process and analyze self-reports and objective sensor-derived data from Apple Healthkit to generate patient-friendly summaries and concise HCP reports. PARKA AI provides accessible data visualizations, personalized self-management tools, and streamlined HCP reports to foster engagement and communication. This paper outlines the derived design requirements, prototype features, and illustrative use cases to show how LLMs can be used in digital health tools. Future work will focus on real-world usability testing to validate the application's efficacy and accessibility.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».