Integrating Garmin Wearable Data into FHIR-Based Health Systems for Improved Interoperability
Notice bibliographique
Résumé
As wearable technologies become more common in everyday life, integrating Patient-Generated Health Data (PGHD) into clinical systems has emerged as a critical area in digital health. This study explores how data such as heart rate, step count, sleep patterns, and activity levels (captured in this study via the Garmin Vívoactive 4 smartwatch) can be brought into FHIR-based healthcare systems through the Fitrockr platform. We explore how these data align with key Fast Healthcare Interoperability Resources (FHIR), such as Observation, Device, and Patient. Additionally, we evaluate the compatibility of collected datasets by the Modular Open Research Environment (MORE) platform with FHIR and examine the feasibility of transferring these records to FHIR servers. This level of semantic interoperability could simplify the integration of PGHD into hospital information systems or other healthcare information systems and especially EHRs, thus enhancing their contribution to care delivery, especially in medical decision making and as a source for Clinical Decision Support Systems (CDSS). The paper also discusses how standards like FHIR, openEHR, and Observational Medical Outcomes Partnership (OMOP) can work together to ensure consistent, meaningful integration of wearable data for both clinical practice and secondary analysis. In summary, we reflect on the importance of real-time wearable data availability, reliability, and privacy in supporting a more personalized, data-driven healthcare experience.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,006 |
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 ».