صحت اقتصادیات میٹرکس

موضوع 87 از 91· صارف صحت ایپس اور آلات

پہننے کے قابل توثیق

توثیق کے میٹرکس مقدار کا تعین کرتے ہیں کہ ایک پہننے کے قابل آلے کی پیمائشیں طبی سونے کے معیار (دل کی دھڑکن کے لیے ECG، نیند کے لیے پولی سومنوگرافی) سے کتنی اتفاق رکھتی ہیں: MAPE، ہم آہنگی کا ارتباط، Bland–Altman اتفاق — علاوہ آپریشنل میٹرکس جو حقیقی دنیا کے ڈیٹا کے معیار کو گیٹ کرتے ہیں: پہننے کے وقت کی تعمیل اور ڈیٹا کی مکمل ہونا۔

یہ کیوں اہم ہے

توثیق نیچے کی ہر چیز کے لیے شرط ہے: ایک آلہ جو حوالہ پیمائش سے اتفاق ثابت نہیں کر سکتا ڈیجیٹل اینڈ پوائنٹس کو لنگر انداز نہیں کر سکتا، RPM بلنگ کی حمایت نہیں کر سکتا، یا طبی دعوے نہیں اٹھا سکتا۔ دل کی دھڑکن کے لیے میدان کی قبول شدہ حدیں: ECG کے خلاف MAPE ≤5% (سخت) یا ≤10% (نرم)۔ ادب سے حوالہ پوائنٹس: Oura Gen 3 آرام دل کی دھڑکن MAPE 1.67% (CCC 0.97)؛ Fitbit Charge 6 MAPE ~5.5% — صارف آلات اب طبی-درجے کی حد کو پھیلا رہے ہیں، بالکل اسی وجہ سے پیمائش فی-آلہ اور فی-حالت اہم ہے۔

حساب

MAPE = (1/n) Σ |ماپا_i − حوالہ_i| / حوالہ_i × 100

CCC (ہم آہنگی کا ارتباط) = ارتباط اور منظم تعصب دونوں کو شامل کرتے ہوئے اتفاق
      (Pearson r کو مقام/پیمانے کی تبدیلی سے سزا دی گئی)

Bland–Altman: اوسط تعصب ± 1.96 SD اتفاق کی حدود — دکھاتا ہے کہ آیا
      خرابی قدر کی شدت پر منحصر ہے

آپریشنل گیٹس:
پہننے کے وقت کی تعمیل = پہنا گیا وقت / پروٹوکول وقت × 100
ڈیٹا کی مکمل ہونا    = مشاہدہ شدہ ڈیٹا پوائنٹس / متوقع × 100

توثیق کو فی سرگرمی حالت (آرام، حرکت، نیند) اور فی آبادی رپورٹ کیا جانا چاہیے — PPG آپٹیکل سینسنگ حرکت کے نقص، خراب رابطے، اور گہرے جلد کے رنگوں کے ساتھ بگڑتی ہے، ایک دستاویزی مساوات-متعلقہ ناکامی کا طریقہ۔

حل شدہ مثال

ایک ورچوئل-وارڈ پروگرام ایک نگرانی پہننے کے قابل آلہ منتخب کرتا ہے۔ امیدوار A: آرام MAPE 2.1%، ورزش MAPE 11.4%۔ امیدوار B: آرام 3.8%، ورزش 6.9%۔

استعمال کا کیس: گھر پر بگڑتے ہوئے مریض کا پتہ لگانا — انتباہات مستقل
بلند HR پر متحرک ہوتے ہیں، اکثر سرگرمی کے دوران۔
امیدوار A کی سرخی (2.1%) بروشر جیتتی ہے؛ امیدوار B استعمال کا
کیس جیتتا ہے: انتباہ-متعلقہ حالت (حرکت) پر، A کی 11.4% خرابی
HR 100 = ±11 bpm پر — پوری انتباہ کی حد کے بینڈ کو پھیلاتے ہوئے،
جھوٹے اضافیوں کو جنم دیتی ہے (ہر ایک ایک نرس کال آؤٹ، ~£40) یا چوکیں۔

جھوٹے-انتباہ اقتصادیات: 500 مریض × 2 اضافی جھوٹے انتباہات/ہفتہ × £40
= £2.08M/سال غلط توثیق نمبر منتخب کرنے سے خرابی کی لاگت۔

سافٹ ویئر انجینئرنگ سے تعلق

انجینئرز سینسرز منتخب کرتے وقت توثیق کا ڈیٹا استعمال کرتے ہیں اور پیمائش کی خصوصیات بناتے وقت اسے پیدا کرتے ہیں — دونوں کرداروں کو وہی نظم و ضبط چاہیے: تعیناتی کی حالت پر ٹیسٹ کریں، ڈیمو حالت پر نہیں (سافٹ ویئر مشابہت: اپنے پروڈکشن ورک لوڈ پر بینچ مارکنگ، وینڈر کے نہیں)۔ پہننے کا وقت اور مکمل ہونا پروڈکٹ-انجینئرنگ نتائج ہیں — آرام، بیٹری کی زندگی، چارجنگ کی رسم کا ڈیزائن، اور سنک کی وشوسنییتا طے کرتے ہیں کہ آیا 30 میں 16-دن RPM بلنگ گیٹ پورا ہوتا ہے (ریموٹ مریض نگرانی اقتصادیات) اور آیا آزمائش کے ڈیٹا سیٹس قابل تجزیہ ہیں۔ غائب ہونے کو ایک ڈیزائن شدہ اشارے کے طور پر برتیں: اسکیما میں پہلے دن سے "نہیں پہنا گیا"، "پہنا گیا لیکن کوئی سگنل نہیں"، اور "سنک ناکام" کے درمیان فرق کریں — null میں گر گئے، وہ نیچے کے ہر تجزیے کو زہریلا بناتے ہیں۔

نقصانات

  • مجموعی MAPE حالت-مخصوص ناکامی چھپا رہا ہے — حل شدہ مثال کا جال۔
  • توثیق آبادی ≠ تعیناتی آبادی: عمر، جلد کا رنگ، لرزش، موٹاپا سب آپٹیکل-سینسر خرابی کو تبدیل کرتے ہیں؛ مطالعے کی آبادیات چیک کریں۔
  • ارتباط رپورٹ کیا گیا جہاں اتفاق کی ضرورت ہے: منظم تعصب کے ساتھ اعلیٰ Pearson r اب بھی مطلق حدوں کے خلاف غلط درجہ بندی کرتا ہے — CCC/Bland–Altman پر اصرار کریں۔
  • امپیوٹیشن سے بڑھا چڑھا کر مکمل ہونا: بھرے گئے خلا مشاہدہ شدہ ڈیٹا کے طور پر رپورٹ شدہ۔

ذرائع