MétaCan
Menu
Retour à la cohorte
Enregistrement W4414852121 · doi:10.3389/fdgth.2025.1636775

Streamlining wearable data integration for EHDS: a case study on advancing healthcare interoperability using Garmin devices and FHIR

2025· article· en· W4414852121 sur OpenAlexaff
Somayeh Abedian, Eugene Yesakov, Stanislav Ostrovskiy, Rada Hussein

Notice bibliographique

RevueFrontiers in Digital Health · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensPublic Health OntarioUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésInteroperabilityBridging (networking)Wearable computerData integrationHealth careSystem integrationWearable technology

Résumé

récupéré en direct d'OpenAlex

Introduction: Patient-Generated Health Data (PGHD) collected through wearable devices such as smartwatches offers new opportunities for personalized care, chronic disease management, and preventive health. Despite this potential, technical, regulatory, and interoperability challenges still limit the integration of PGHD into healthcare systems, especially in relation to standards such as Fast Healthcare Interoperability Resources (FHIR) and the European Health Data Space (EHDS). Methods: This study used the Garmin Vívoactive 4 smartwatch to collect PGHD and integrate it into a FHIR server via the Fitrockr hub and API. The Kodjin FHIR server was deployed to enable standardized data storage and transfer. In parallel, data from the Modular Open Research Platform (MORE) were examined for compatibility with FHIR resources. The process included device enrolment, data collection, mapping to FHIR specifications, and evaluation of compliance with General Data Protection Regulation (GDPR) requirements. Results: The prototype demonstrated that data from Garmin devices could be securely collected, mapped, and transferred into a FHIR environment. Integration through the Fitrockr hub ensured structured data formatting and reliability. The analysis of PGHD from the MORE platform confirmed that heterogeneous data types, including physiological measures and survey responses, could be represented with appropriate FHIR resources. These findings highlight the technical feasibility and scalability of PGHD integration. Discussion: The results confirm that PGHD from wearable devices can be standardized and transferred into healthcare systems in compliance with international standards and European regulations. This approach contributes to bridging the gap between personal health data and medical decision-making, supporting the objectives of the EHDS and enabling further use of PGHD in research and innovation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,758
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,114
Tête enseignante GPT0,495
Écart entre enseignants0,381 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Digital HealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207