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 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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 ».