Τα έξυπνα ρολόγια θα μπορούσαν σύντομα να ωφελήσουν τους επαγγελματίες υγείας και τους ασθενείς τους, λέει ο ερευνητής του Business School, Ruhi Bajaj, επικεφαλής συγγραφέας μιας προκαταρκτικής μελέτης που διερευνά τον πιθανό ρόλο τέτοιων συσκευών στην υγειονομική περίθαλψη. Η ενσωμάτωση δεδομένων smartwatch στην κλινική περίθαλψη και στα ηλεκτρονικά ιατρικά αρχεία θα μπορούσε να προσφέρει μια πιο ολοκληρωμένη εικόνα της υγείας ενός ατόμου και να συμπληρώσει τα συνήθη κλινικά δεδομένα.
Αυτό μπορεί να οδηγήσει σε καλύτερη δέσμευση ασθενών ή πελατών στην αυτοεξυπηρέτηση και αυξημένη αποτελεσματικότητα της υγειονομικής περίθαλψης με την αυτοματοποίηση ορισμένων διαγνωστικών διαδικασιών. Ωστόσο, οι ανησυχίες σχετικά με την ερμηνεία της ανάλυσης δεδομένων smartwatch και την αντίστοιχη πιθανή αύξηση του φόρτου εργασίας αποτελούν εμπόδια για την ενσωμάτωση δεδομένων smartwatch στις ροές εργασίας.
Ως εκ τούτου, η μελέτη του Ruhi είχε ως στόχο να συν-σχεδιάσει, να αναπτύξει και να αξιολογήσει ένα πρωτότυπο εργαλείου παρακολούθησης της υγείας χρησιμοποιώντας αναλυτικές πληροφορίες δεδομένων smartwatch για να βοηθήσει τους επαγγελματίες υγείας στη λήψη κλινικών αποφάσεων. Η μελέτη δημοσιεύεται στην έκδοση Μαρτίου 2023 του Future Internet. Στην πρώτη φάση, η Ruhi και οι συν-συγγραφείς της, Δρ. Fernando Beltran και Dr. Rebecca Meiring, χρησιμοποίησαν μια προσέγγιση συν-σχεδιασμού για να αποκτήσουν μια εικόνα για τις ανάγκες οκτώ παρόχων υγειονομικής περίθαλψης στο Ώκλαντ.
Οι συμμετέχοντες κλήθηκαν να δώσουν τις απόψεις τους σε διάφορους τομείς, συμπεριλαμβανομένης της ακρίβειας των δεδομένων, των πιθανών πλεονεκτημάτων και των εμποδίων για την ενσωμάτωση σε ένα περιβάλλον υγειονομικής περίθαλψης και του τρόπου με τον οποίο θα ήθελαν να δουν τα δεδομένα σε μια διαδικτυακή εφαρμογή. Οι ερευνητές ρώτησαν επίσης ποια δεδομένα θεωρούν πολύτιμα οι επαγγελματίες, ποιοι τύποι παρατυπιών θα ήθελαν να επισημαίνονται σε μια συνοπτική αναφορά, ποιος πρέπει να δει μια συνοπτική αναφορά και εάν θα ήθελαν μια λειτουργία ειδοποίησης για να τους ειδοποιεί για οποιοδήποτε μη φυσιολογικό συμβάν σε τα δεδομένα.
Τα δεδομένα των χρηστών του Fitbit, που συλλέχθηκαν σε διάστημα πέντε μηνών, χρησιμοποιήθηκαν για την εκπαίδευση και τη δημιουργία ενός μοντέλου προγνωστικής μηχανικής μάθησης για τον εντοπισμό ακανόνιστων καρδιακών παλμών με βάση τον καρδιακό ρυθμό, τις θερμίδες, τα βήματα και τα δεδομένα απόστασης με την πάροδο του χρόνου. Αναπτύχθηκε επίσης ένας πίνακας ελέγχου για την παρουσίαση πιθανών ανωμαλιών υγείας με τη δυνατότητα για τους επαγγελματίες υγείας να φιλτράρουν τα ψευδώς θετικά στοιχεία.