Notice bibliographique
Résumé
Context awareness is an emerging field in pervasive computing with applications that have started to emerge in medical systems. The present work seeks to determine which contexts are important for medical applications and what various domains of context aware applications exist in healthcare. Methods: A systematic scoping review of context aware medical systems currently being used in healthcare settings was conducted. A search strategy was designed and applied to 8 databases, articles were then filtered based on their abstract, and then relevant articles had a screening questionnaire applied to their full texts prior to data extractions. Applications were grouped into context aware healthcare application domains based on past reviews and the results of the screening. Results: A total of 23 articles passed all screening levels and underwent data extraction. The most common contexts used were the user location (8/23 studies), demographic info (5/23 studies), movement status/activity level (6/23 studies), time of day (5/23 studies), phone usage patterns (5/23 studies), lab/vitals (7/23 studies), and patient history data (8/23 studies). Conclusions: The present work demonstrates that context aware healthcare applications are still in their infancy but have started to reach healthcare providers and patients. Significance: The present work has illuminated many of the early successful context aware healthcare applications. Additionally, the pivotal contexts leveraged by these systems have been discovered allowing future systems to focus on prioritizing the integration of these key contexts.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,343 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».