Using Patient-Held Devices to Measure Variations in Resting Heart Rate and Step Count Prior to Presentation With an Acute Illness: International, Multicenter Flash Mob Feasibility Study
Notice bibliographique
Résumé
Background: Many patients experience a gradual decline in health before seeking hospital care, with subtle changes in vital signs such as increased heart rate or decreased mobility. Recognizing deviations from baseline vital signs can support clinical decision-making, especially admission decisions. Smart devices (ie, smartphones, smartwatches, and activity trackers) track health metrics like heart rate and step count, offering new opportunities to estimate illness severity and track deterioration early. Objective: This study aimed to assess the feasibility of using heart rate and step count measurements from smart devices (ie, smartphones, smartwatches, and activity trackers) to enhance the evaluation of patients presenting with acute illness in emergency settings. Methods: We conducted an international multicenter prospective observational study using the flash mob study design in 34 hospitals in the Netherlands (n=17), the United Kingdom (n=7), Denmark (n=9), and Switzerland (n=1) in May 2024. Researchers collaborated with patients to complete questionnaires upon an acute care (ie, emergency department, acute medical unit, same day emergency care) visit and extracted physiological data from their smart devices. Results: Among patients with an acute care visit (n=1137), 40% (n=452) had a smart device with health data. These patients tended to be from a higher educational level and in relatively good health. Only half had retrievable heart rate or step count data, resulting in a usable data set for 20% (n=209) of the total study population. Analysis showed a significant increase in heart rate (P<.001) and a decrease in step count (P<.001) in the days preceding their hospital visit. Both heart rate (P=.04) and step count (P=.04) on the day before presentation were significantly associated with disposition. Conclusions: Our study demonstrates the feasibility of using a patient's personal smart device to monitor vital signs in the days leading up to an acute care visit. In a selected patient group, significant changes in heart rate and step count were observed prior to hospital presentation, suggesting that disposition may be predicted using data collected from the patient's own device. High-risk patient groups, who might benefit the most from digital health monitoring, are currently underrepresented among device users.
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 ».