بررسی شواهد: ساعتهای هوشمند تجاری تا چه حد معماری خواب را در مقایسه با پلیسومنوگرافی بالینی اندازهگیری میکنند؟
مطالعات اعتبارسنجی نشان میدهند که در حالی که ساعتهای هوشمند مصرفی در تشخیص مدت زمان پایه خواب بسیار موفق عمل میکنند، توانایی آنها در نقشهبرداری دقیق مراحل خواب رِم (REM) و خواب عمیق، به طور قابل توجهی پایینتر از استانداردهای بالینی است.
به قلم الوین شادمهر
این خبر را به اشتراک بگذارید
- محققان بالینی خواب
- متخصصان پزشکی که بر شکاف تشخیصی بین دستگاههای پوشیدنی و پلیسومنوگرافی تأکید میکنند.
- حامیان دستگاههای پوشیدنی مصرفی
- فناوران و دانشمندان رفتاری که بر ردیابی سلامت طولانیمدت تمرکز دارند.
- مهندسان سختافزار
- توسعهدهندگانی که بر پر کردن شکاف دقت از طریق ادغام حسگرهای چندوجهی تمرکز دارند.
دیدگاههایی که این گزارش پوشش نداده است
چرا مهم است
میلیونها کاربر عادات روزانه، برنامههای ورزشی و نگرانیهای سلامتی خود را بر اساس دادههای مراحل خواب که از مچ دستشان دریافت میکنند، تغییر میدهند. درک حاشیه خطای دقیق این دستگاهها، کاربران را از اتخاذ تصمیمات پزشکی یا سبک زندگی بر اساس تخمینهای آماری ناقص خواب رِم و خواب عمیق باز میدارد.
هر شب، دهها میلیون نفر یک باتری لیتیوم-یون و یک حسگر فوتوپلتیسموگرافی (PPG) را به مچ دست خود میبندند، با این انتظار که معماری مغز ناخودآگاه آنها را نقشهبرداری کند. یک آزمایشگاه بالینی خواب این کار را با استفاده از پلیسومنوگرافی (PSG) انجام میدهد—فرآیندی که نیاز به ۲۲ الکترود سیمی چسبانده شده به پوست سر، صورت و قفسه سینه برای اندازهگیری امواج الکتریکی واقعی مغز دارد. دستگاههای پوشیدنی مصرفی تلاش میکنند تا همان نقشه عصبی را تنها با استفاده از حرکت و جریان خون مهندسی معکوس کنند. مقیاس این جمعآوری داده بیسابقه است، اما سؤال اساسی همچنان باقی است: یک ساعت ۳۰۰ دلاری چقدر به یک آزمایش تشخیصی پزشکی ۳۰۰۰ دلاری نزدیک است؟
شواهد نشان میدهد که دستگاههای پوشیدنی در یک وظیفه خاص فوقالعاده خوب عمل میکنند: دانستن اینکه چه زمانی خواب هستید. در یک مطالعه اعتبارسنجی چندمرکزی در سال ۲۰۲۴ که ۱۱ دستگاه مصرفی را در برابر پلیسومنوگرافی ارزیابی کرد، حساسیت پایه برای تشخیص خواب از ۹۵ درصد فراتر رفت. اگر کاربر بیهوش باشد، دستگاه تقریباً مطمئناً آن را به عنوان خواب ثبت میکند. این تشخیص دودویی خواب در مقابل بیداری، به شدت متکی بر اکتیگرافی است—اندازهگیری حرکت فیزیکی از طریق یک شتابسنج سهمحوری—که یک مبنای قابل اعتماد برای کل زمان سپری شده در رختخواب فراهم میکند.[2]
با این حال، دادهها یک نقطه ضعف قابل توجه را زمانی که کاربر بیدار اما از نظر فیزیکی ساکن است، آشکار میسازند. دقت (Specificity)—توانایی الگوریتم برای شناسایی صحیح بیداری—اغلب در دستگاههای مصرفی اصلی به زیر ۶۰ درصد میرسد. به عبارت عملی، این بدان معناست که بیداری آرام، مانند دراز کشیدن در رختخواب برای مطالعه یا تلاش برای به خواب رفتن مجدد، به طور معمول به عنوان خواب سبک طبقهبندی میشود. در نتیجه، ردیابهای مصرفی به طور مداوم کل زمان خواب را ۲ تا ۱۰ درصد بیشتر و زمان بیداری پس از شروع خواب (WASO) را ۱۲ تا ۴۰ دقیقه کمتر از حد واقعی تخمین میزنند.[2]
نکات کلیدی
- فناوریهای پوشیدنی مصرفی در تشخیص دودویی خواب عالی عمل میکنند و وضعیتهای خواب را بیش از ۹۵ درصد مواقع به درستی شناسایی میکنند.
- دستگاهها با دقت (Specificity) مشکل قابل توجهی دارند و اغلب بیداری آرام را به عنوان خواب سبک طبقهبندی میکنند.
- طبقهبندی معماری خواب به جای امواج مغزی، متکی بر معیارهای جایگزین مانند تغییرپذیری ضربان قلب است که منجر به نرخ خطای بیش از ۲۵ درصد میشود.
- اپل واچ (Apple Watch) و فیتبیت (Fitbit) سوگیریهای متمایز و قابل اندازهگیری نشان میدهند و به طور مداوم خواب عمیق را کمتر و خواب سبک را بیشتر از حد واقعی تخمین میزنند.
- محدودیتهای حسگر نوری به این معنی است که دقت میتواند برای کاربرانی با رنگ پوست تیرهتر به دلیل جذب نور توسط ملانین کاهش یابد.
منابع
پوشش منابع
6 منبع
3 دیدگاه شناساییشده
- [1]National Institutes of Healthمحققان بالینی خواب
نظرات
هر زاویه. هر روز.
دریافت تحلیل داده اخبار همراه با پوشش کامل منابع و تحلیل دیدگاهها، مستقیم در صندوق ورودی شما.