Cardia-AI: Passive Cardiac Event Monitoring Using Smartwatch Sensors and Predictive Analysis via Large Language Models
Notice bibliographique
Résumé
Cardiovascular diseases require continuous, context-aware monitoring, i.e., combining day-to-day wearable signals with recent diagnoses, medications, and symptom reports, rather than isolated clinic visits or single-spot measurements. We developed Cardia-AI, a proof-of-concept pipeline that time-aligns smartwatch signals (heart rate, blood pressure, oxygen saturation) with a patient's longitudinal electronic health record (EHR) and uses a compact medical language model with retrieval to produce grounded educational summaries. Cardia-AI assembles time-aligned summaries through a select, compile, and ask pipeline, and uses a lightweight medical large language model (BioMistral-7B) with retrieval from curated sources. Guardrails constrain outputs to education and navigation, and the system incorporates explicit escalation guidance when red-flag symptoms are present in the prompt context. In two scenario-based validations (cardiometabolic education; early post-angioplasty recovery), Cardia-AI compiled synchronized smartwatch trends with EHR entries, referenced the exact measurements and diagnoses present in the prompt, and recorded transcripts for audit and reproducibility; no outcomes or accuracy endpoints were assessed. We did not evaluate clinical effectiveness or diagnostic accuracy; no patient outcomes were measured. This work reports feasibility and safety guardrails only, with prospective evaluations planned. These demonstrations suggest that pairing wearable streams with a compact, domain-tuned language model may lower cognitive load from multi-panel charts and shorten the path from symptom onset to appropriate follow-up under clinician oversight.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».