NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Atalet ölçüm üniteleri, akıllı saatler ve çok sensörlü sistemler gibi arka plan giyilebilir sensör teknolojileri klinik ve gerçek dünya sağlık izlemesinde değerli araçlar olarak ortaya çıkmıştır. Bu cihazlar, çeşitli popülasyonlarda yürüyüş, hareketlilik ve fonksiyonel sağlığın sürekli, noninvaziv olarak izlenmesini sağlar. Ancak, zorluklar sensör yerleştirme standardizasyonu, veri işleme tutarlılığı ve gerçek dünya doğrulamasında kalır.Bu sistematik inceleme, giyilebilir sensörlerin klinik ve araştırma uygulamaları hakkındaki son literatürü değerlendirmeyi amaçladı. Özellikle, bu teknolojilerin hareketliliği değerlendirmek, hastalık riskini tahmin etmek ve rehabilitasyonu desteklemek için nasıl kullanıldığını araştırdı. Ayrıca sınırlamaları tespit etti ve gelecekteki araştırma yönlerini önerdi.MetodlarBu inceleme, PRISMA (Sistematik İncelemeler ve Meta-Analizler için Ertelenen Raporlama Öğeleri) yönergelerine göre yapıldı. PubMed, Scopus ve Web of Science veritabanlarını 9 Mart 2025'e kadar araştırdık. Dahil olma kriterleri klinik veya gerçek dünya ortamlarında giyilebilir sensörler kullanan çalışmalara odaklandı. Nitel sentez için toplam 30 uygun çalışma belirlendi. Elde edilen veriler arasında çalışma tasarımı, popülasyon özellikleri, sensör tipi ve yerleşimi, makine öğrenme algoritmaları ve klinik sonuçlar yer aldı.SonuçlarKatılımlanan çalışmaların %43'ü (13/30), %27'si (8/30) deneysel ve %10'u (3/30) randomize kontrollü çalışmalar idi. Çalışmaların %67'sinde (20/30) inert ölçüm birimi tabanlı sensörler kullanıldı, bilek-yıpranmış cihazlar en yaygın olanıydı (13/20, 65%). Makine öğrenimi teknikleri sıklıkla uygulanmış, rasgele orman (6/30, %20) ve derin öğrenme (5/30, %17) modelleri hakim olmuştur. Klinik uygulamalar Parkinson hastalığı, inme, multipl skleroz ve zayıflığa yayılmıştır, birkaç çalışma (4/30,% 13) düşme riski ve hareketlilik düşüşü için yüksek tahmin doğruluğu bildirmektedir (alıcının altında, karakteristik eğriyi 0.97'ye kadar işleyen alan). Bununla birlikte, zorluklar sensör protokollerini ve veri analizlerini standartlaştırmada kalır. Gelecekteki araştırmalar büyük ölçekli, uzunlamasına çalışmalara odaklanmalıdır; uyumlu makine öğrenme boru hatları; ve ölçeklenebilirliği ve klinik çeviriyi geliştirmek için bulut tabanlı sağlık sistemleri ile entegrasyon.
Özgün kaynak özetini okuyun
BackgroundWearable sensor technologies such as inertial measurement units, smartwatches, and multisensor systems have emerged as valuable tools in clinical and real-world health monitoring. These devices enable continuous, noninvasive tracking of gait, mobility, and functional health across diverse populations. However, challenges remain in sensor placement standardization, data processing consistency, and real-world validation.ObjectiveThis systematic review aimed to evaluate recent literature on the clinical and research applications of wearable sensors. Specifically, it investigated how these technologies are used to assess mobility, predict disease risk, and support rehabilitation. It also identified limitations and proposed future research directions.MethodsThis review was conducted according to the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines. We searched the PubMed, Scopus, and Web of Science databases up to March 9, 2025. Inclusion criteria focused on studies using wearable sensors in clinical or real-world environments. A total of 30 eligible studies were identified for qualitative synthesis. Data extracted included study design, population characteristics, sensor type and placement, machine learning algorithms, and clinical outcomes.ResultsOf the included studies, 43% (13/30) were observational, 27% (8/30) were experimental, and 10% (3/30) were randomized controlled trials. Inertial measurement unit-based sensors were used in 67% (20/30) of the studies, with wrist-worn devices being the most common (13/20, 65%). Machine learning techniques were frequently applied, with random forest (6/30, 20%) and deep learning (5/30, 17%) models predominating. Clinical applications spanned Parkinson disease, stroke, multiple sclerosis, and frailty, with several studies (4/30, 13%) reporting high predictive accuracy for fall risk and mobility decline (area under the receiver operating characteristic curve up to 0.97).ConclusionsWearable sensors show strong potential for mobility monitoring, disease risk assessment, and rehabilitation tracking in clinical and real-world settings. However, challenges remain in standardizing sensor protocols and data analysis. Future research should focus on large-scale, longitudinal studies; harmonized machine learning pipelines; and integration with cloud-based health systems to improve scalability and clinical translation.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.