Objective cough counting in clinical practice and public health: a scoping review
Notice bibliographique
Résumé
Quantifying cough can offer value for respiratory disease assessment and monitoring. Traditionally, patient-reported outcomes have provided subjective insights into symptoms. Novel digital cough counting tools now enable objective assessments; however, their integration into clinical practice is limited. The aim of this scoping review was to address this gap in the literature by examining the use of automated and semiautomated cough counting tools in patient care and public health. A systematic search of six databases and preprint servers identified studies published up to Feb 12, 2025. From 6968 records found, 618 full-text articles were assessed for eligibility, and 77 were included. Five clinical use cases were identified-disease diagnosis, severity assessment, treatment monitoring, health outcome prediction, and syndromic surveillance-with scarce available evidence supporting each use case. Moderate correlations were found between objective cough frequency and patient-reported cough severity (median correlation coefficient of 0.42, IQR 0·38 to 0·59) and quality of life (median correlation coefficient of -0·49, -0·63 to -0·44), indicating a complex relationship between quantifiable measures and perceived symptoms. Feasibility challenges include device obtrusiveness, monitoring adherence, and addressing patient privacy concerns. Comprehensive studies are needed to validate these technologies in real-world settings and show their clinical value. Early feasibility and acceptability assessments are essential for successful integration.
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 | 0,008 | 0,006 |
| 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 | 0,001 |
| 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 ».