Wearable Smartwatches for Atrial Fibrillation Detection and Burden Estimation After Ablation: Comparison With Continuous Monitoring
Notice bibliographique
Résumé
BACKGROUND: Wearable ECG-enabled smartwatches have been validated for atrial fibrillation (AF) screening, but their accuracy for monitoring AF recurrence and quantifying AF burden after catheter ablation is uncertain. OBJECTIVES: To evaluate the simulated performance of three commercial smartwatch algorithms for AF recurrence detection and AF burden estimation compared with implantable cardiac monitors (ICMs). METHODS: Using continuous ICM data from 346 patients in the CIRCA-DOSE trial, we simulated three smartwatch algorithms, assuming daytime wear (8:00 AM-10:00 PM). We also simulated commonly-used non-invasive intermittent rhythm monitoring strategies. Primary endpoints were sensitivity for arrhythmia recurrence and correlation with ICM-derived AF burden. Analyses were stratified by daily wear time and patient activity. RESULTS: AF recurrence occurred in 47.1% of patients. Simulated detection sensitivities were 82.2% (Apple Watch AF Burden), 70.6% (Apple Watch IRN), and 64.4% (Fitbit IHRD), compared with 15.8%-64.6% for simulated intermittent AECG monitors. Wearables outperformed commonly-used Holter/patch monitoring strategies. AF burden correlation with ICM exceeded r = 0.97 for all algorithms. Among missed recurrences, median AF burden was <0.02%. Longer daily wear improved sensitivity (>90% with 24-hour use), whereas patient activity modestly reduced detection. CONCLUSIONS: Smartwatch-based AF detection algorithms demonstrate strong correlation with ICM-derived AF burden and clinically good sensitivity for recurrence detection, outperforming conventional non-invasive strategies. These findings support the integration of wearables as a scalable alternative for post-ablation rhythm monitoring.
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 ».