introduktion

betydningen af forbrugernes Søvnsporingsenheder

at have tilstrækkelig genoprettende søvn er afgørende for fysisk og mental sundhed . I de senere år har forbrugernes søvnovervågningsarmbånd og tilhørende mobiltelefonapps skabt en effektiv måde for enkeltpersoner at forstå personlige søvnmønstre eller forbedre søvnkvaliteten i daglige indstillinger . Disse enheder er relativt overkommelige, nemme at bruge og klar til at købe på forbrugermarkedet. De fleste af forbrugerarmbåndene er afhængige af en lignende mekanisme for Klinisk aktigrafi, der udleder vågne-og søvncyklusser fra lemmerbevægelse . Nyligt lancerede modeller indeholder også andre strømme af biosignaler, såsom puls til måling af søvnstadier. Brugere kan visualisere en hel nats søvnhypnogram (den tidsmæssige sekvens af søvnstadier) og de aggregerede søvnparametre, såsom total søvntid (TST) og forholdet mellem hvert søvnstadium på et instrumentbræt . Der er stigende beviser for , at forbrugernes søvnovervågningsarmbånd øger bevidstheden om søvnhygiejne og har en positiv indvirkning på personlig søvnhygiejne, selvom den langsigtede virkning af disse teknologier ikke er blevet belyst . I mellemtiden vedtager forskere og klinikere i stigende grad forbrugerarmbånd, såsom Fitbit-enheder, som resultatmålingsværktøjer i forskningsundersøgelser . Sammenlignet med traditionel polysomnografi (PSG) reducerer Fitbit-enheder signifikant tid og monetære omkostninger til indsamling af langsgående søvndata, og de kunne give rig information, der ikke tidligere var muligt at indsamle uden for søvnlaboratorier eller klinikker. Deltagerne kan bruge enhederne under frie levevilkår uden behov for konstant teknisk support. Den nye generation af Fitbit-enheder kan muligvis også overgå klinisk aktigrafi, da de udnytter flere strømme af biosignaler til søvnopstilling, mens actigrafi kun er i stand til at opdage vågne og sove på basis af lemmerbevægelse .

nøjagtigheden af forbrugernes Søvnsporingsenheder

da forbrugernes søvnovervågningsarmbånd fortsat vinder popularitet, rejste deres begrænsning i målenøjagtighed store bekymringer for kvaliteten af data indsamlet ved hjælp af disse enheder . Data af lav kvalitet kan vildlede brugerne til at nå frem til forkerte konklusioner af deres søvn. Derudover er datakvalitet af højeste prioritet for forskere, der har til hensigt at bruge disse enheder i videnskabelige undersøgelser. Derfor har forståelse af gyldigheden af forbrugernes søvnsporere praktisk fordel for både individuelle brugere og for forskningsmiljøet. Som svar på dette behov har mange undersøgelser undersøgt nøjagtigheden af populære søvnsporere sammenlignet med medicinsk udstyr med hensyn til aggregerede søvnmålinger, herunder TST, vågne efter søvnudbrud (VARO), søvneffektivitet (SE) og søvnstadier, det vil sige let søvn, dyb søvn og hurtig øjenbevægelse (REM) søvn . Disse undersøgelser viser, at de tidligere modeller af forbrugerarmbånd har et fælles problem med at overvurdere søvn og undervurdere vågne . Nylige modeller, såsom Fitbit Charge 2, der er afhængige af multistreams af biosignaler, har tilfredsstillende ydeevne til måling af TST og SE, men giver ikke nøjagtige resultater i klassificering af søvnstadier .

selvom hoveddelen af valideringsundersøgelser har været dominerende fokuseret på polysomnografiske målinger (f.eks. Søvnforskning har vist, at søvnstadieovergangssandsynligheder omfatter rig information om søvnmønstre, som er blevet betragtet som mere effektive end polysomnografiske parametre til karakterisering af søvnstabilitet . Sleep stage transition abnormitet er en vigtig indikator for søvnforstyrrelser . Nogle undersøgelser var også afhængige af søvnstadieovergangssandsynligheder for at vurdere effekten af behandlingen . Den kliniske betydning af søvnstadieovergangsdynamik antyder nødvendigheden af at inkludere relevante målinger (søvnstadieovergangssandsynligheder) som resultat søvnparametre i valideringsundersøgelser. I Figur 1 præsenteres en visualisering af søvnstadieovergangsdynamik. Den samlede overgangssandsynlighed fra en enkelt stat til andre stater (inklusive ophold i samme tilstand) er altid 1. Det er en af de mest almindelige årsager til søvnproblemer, der opstår i forbindelse med søvn og søvn. F. eks.angiver sv r sandsynligheden for overgang fra vågne til REM-søvn, og sv r angiver sandsynligheden for at blive i kølvandet.

betydningen af denne undersøgelse

denne undersøgelse havde til formål at undersøge, om det nøjagtigt ville måle søvnstadieovergange (overgangssandsynlighederne blandt vågne, lys, dyb og REM-søvn) ved hjælp af Fitbit Charge 2. På trods af de rigelige valideringsundersøgelser er nøjagtigheden af forbrugerarmbånd til måling af søvnstadieovergang ikke undersøgt. Vi undersøgte også de faktorer, der er forbundet med målefejlene på søvnstadieovergangssandsynligheder. Tidligere valideringsundersøgelser af andre typer bærbare enheder fandt, at enhedens nøjagtighed kunne variere som en funktion af de underliggende søvnmønstre, den undersøgte befolkning og endda hvordan målingen blev defineret . På samme linje valgte vi et sæt uafhængige variabler (mulige forudsigere), herunder demografiske egenskaber hos deltagere, subjektiv søvnkvalitet målt ved Pittsburgh Søvnkvalitetsindeks (Pski) og objektiv søvnkvalitet afledt af medicinske data. De afhængige variabler var de absolutte procentfejl af Fitbit Charge 2 på søvnstadieovergangssandsynligheder sammenlignet med det medicinske udstyr. Resultaterne af denne undersøgelse supplerer tidligere valideringsundersøgelser og bidrager til etablering af et holistisk syn på forbrugernes armbånds kapacitet til måling af søvnstruktur under frie levevilkår. Denne undersøgelse etablerer også en foreløbig reference for forskere, der har til hensigt at bruge Fitbit til at måle søvnstadieovergange og for individuelle brugere, der er afhængige af Fitbit-søvndata for at træffe sundhedsbeslutninger.

se dette tal

metoder

rekruttering

Vi rekrutterede deltagere ved at distribuere plakater rundt på universitetet i Tokyo. I alt registrerede 38 personer interesse via en internetbaseret form, hvoraf 28 (74%) var berettigede til at deltage i undersøgelsen. Inklusionskriterierne krævede, at deltagerne var voksne (alder>18 år), var fri for diagnosticerede kroniske tilstande og var i stand til at deltage i en briefing inden dataindsamlingsfasen. Denne forskning blev godkendt af det etiske udvalg ved University of Tokyo. Alle deltagere gav informeret samtykke.

undersøgelsesprocedurer

der blev afholdt en ansigt til ansigt briefing med hver deltager individuelt inden dataindsamlingsfasen. I dette møde installerede vi Fitbit-appen på deltagernes mobiltelefoner og leverede verbale instruktioner om, hvordan man bruger enhederne, og hvordan man synkroniserer Fitbit-enheden med sin mobiltelefonapp. Deltagerne fik følgende elementer til dataindsamling: en Fitbit Charge 2, et medicinsk udstyr ved navn Sleep Scope, elektroder, Opladere og manualer. I slutningen af briefingen blev deltagerne bedt om at udfylde et pski-spørgeskema for at måle deres opfattede søvnkvalitet. PSKI er et meget anvendt instrument til vurdering af subjektiv søvnkvalitet i gennemsnit i løbet af de sidste 1 måned, og en pski 5 er tegn på opfattet dårlig søvn. Vi indsamlede PSI, da det kan associeres med målenøjagtigheden af Fitbit. Flere detaljer om potentielle associeringsfaktorer for målenøjagtighed vil blive givet i næste afsnit.

efter briefingen målte deltagerne deres søvn ved hjælp af begge enheder i 3 på hinanden følgende nætter i deres hjem for at sikre, at Fitbit Charge 2 blev evalueret i en økologisk gyldig indstilling. De blev bedt om at bære Fitbit på det ikke-dominerende håndled under dataindsamling. Alle deltagere modtog en monetær belønning, da de returnerede enhederne efter dataindsamling.

dataindsamling

i denne undersøgelse indsamlede vi søvndata samtidigt ved hjælp af Fitbit Charge 2 og et medicinsk udstyr. Fitbit Charge 2 (Fitbit Inc) er et bærbart Aktivitetsarmbånd med et indlejret triaksialt accelerometer. Det estimerer søvnstadier for hver 30 sekunders periode ved at integrere en brugers bevægelses-og pulsdata. Med fremskridt inden for programmel og udstyr har Fitbit Charge 2 overvundet nogle problemer fra tidligere modeller, og det er i stand til at måle TST og SE med god nøjagtighed . En medicinsk søvnmonitor ved navn Sleep Scope (Sleep godt Co) blev brugt til at opnå den grundlæggende sandhed om søvnhypnogrammer. Sleep Scope er et klinisk grade single-channel elektroencefalogram (Japansk medicinsk udstyr certificering 22500020000), som blev valideret mod PSG (aftale=86,9%, gennemsnitlig Cohen Kappa værdi =0,75) . Sleep Scope blev valgt over PSG, da det muliggjorde dataindsamling i deltagernes hjem snarere end i et søvnlaboratorium. Dette sikrer, at Fitbit Charge 2 blev evalueret i en økologisk gyldig indstilling; dette sikrer også minimering af den mulige forstyrrelse af søvn ved ukendt miljø.

i dataindsamlingsfasen spores deltagerne deres søvn i 3 på hinanden følgende nætter i deres hjem. Efter den almindelige praksis inden for søvnvidenskab analyserede vi den anden nat for hver deltager for at fjerne den første nateffekt . Hvis dataene fra den anden nat ikke var gyldige, blev dataene fra den tredje nat analyseret. Dataene fra den første nat blev kun valgt, når hverken den anden nat eller den tredje nat var gyldig.

Fitbit sleep data blev hentet via Application Program interface (API) af Fitbit. Fitbit Charge 2 leverer søvndata på 2 niveauer gennem offentlig API. Sceneniveaudataene omfatter søvnstadieniveauer, herunder vågne, let søvn, dyb søvn og REM-søvn. Disse data aggregeres ved 30 sekunders granularitet, som overholder standard søvnstadiet i den kliniske indstilling. Hvis sceneniveaudataene ikke er tilgængelige, leveres de klassiske niveaudata som et alternativ. Klassiske niveaudata omfatter søvnmønstniveauer, herunder søvn, rastløs og vågen, og de aggregeres med en grovere granularitet på 60 sekunder. I denne undersøgelse var vi interesserede i søvndata på sceneniveau, og de klassiske niveaudata blev kasseret, da de ikke indeholdt nogen information om dyb søvn, let søvn og REM-søvn.

dataene fra det medicinske udstyr blev analyseret af Sleep godt-firmaet ved hjælp af proprietære automatiske scoringsalgoritmer efterfulgt af epok-for-Epoke visuel inspektion af specialister på grundlag af etablerede standarder, og korrektioner blev tilføjet om nødvendigt. Fitbit-data og medicinske data blev synkroniseret for at sikre, at starttidspunktet var justeret.

for at undersøge effekten af brugerspecifikke faktorer på målenøjagtigheden indsamlede vi også data om de faktorer, der er anført i tabel 1. Alder og køn var baseret på selvrapportering, og PSKI blev målt ved hjælp af pski-spørgeskemaet . Søvnkvalitetsmålinger blev alle afledt af de medicinske data.

statistisk analyse

analysens overordnede mål var to gange. Vi havde til formål at undersøge nøjagtigheden af Fitbit Charge 2 til måling af søvnstadieovergange sammenlignet med et medicinsk udstyr. Vi var også interesserede i sammenslutningerne af brugerspecifikke faktorer med målenøjagtigheden af Fitbit Charge 2. Alle rapporterede statistiske signifikansniveauer var 2-sidede, og statistisk analyse blev udført ved hjælp af R statistisk programmel version 3.5.3 (R Foundation).

for det første blev beskrivende statik af søvnparametre afledt af de medicinske data. Parret 2-tailed t-test blev brugt til at undersøge, om der var statistisk signifikante forskelle på søvnmønstre mellem mænd og kvinder, såvel som mellem deltagere under 25 år og over 25 år. For det andet blev søvntrinsovergangssandsynligheder beregnet ved at dividere antallet af overgange fra en bestemt søvntilstand til en bestemt søvntilstand med det samlede antal overgange fra den specifikke tilstand til alle søvntilstande (inklusive ophold i samme tilstand). Som vist i figur 2, er { H, Y og B } afledt af { H, L, D og R } og Nh er antallet af overgange fra søvnstadiet til Y under en hel nats søvn. V, L, D og R er forkortelserne for vågne, let søvn, dyb søvn og REM-søvn. Søvntrinsovergangssandsynligheder blev beregnet ud fra Fitbit-data og medicinske data for hver deltager og derefter gennemsnit over hele kohorten for at opnå de gennemsnitlige søvntrinsovergangssandsynligheder. Systematisk forskel mellem de 2 enheder blev vurderet ved at anvende parret t-test på søvnstadiet overgangssandsynligheder. En p-værdi nedenfor .05 blev betragtet som statistisk signifikant. Niveauet for aftale mellem 2 enheder blev undersøgt ved hjælp af Bland-Altman-plottene .

se dette tal

se dette tal

den absolutte procentvise fejl eks.

for at undersøge effekten af brugerspecifikke faktorer på absolut procentfejl blev datasættet opdelt i 2 undergrupper i henhold til de afskæringsgrænseværdier, der er anført i tabel 1. Test blev udført for at undersøge, om der var signifikante forskelle mellem de 2 delmængder med hensyn til udfaldet søvnmålinger (søvnstadieovergangssandsynligheder). Valget af afskæringsgrænseværdier var i overensstemmelse med litteraturen inden for søvnvidenskab .

resultater

Beskrivende statistik

i alt 28 unge voksne uden kroniske sygdomme deltog i undersøgelsen. I alt 5 deltagere blev udelukket fra analyse på grund af manglende opnåelse af søvndata på sceneniveau med Fitbit. Det vil sige, at der kun blev opnået klassiske søvndata fra disse deltagere; dataene havde ingen oplysninger om lys, dyb og REM-søvn. Derfor var det ikke muligt at beregne søvnstadieovergangssandsynligheder for disse deltagere. Det endelige datasæt omfatter således søvndata fra 23 deltagere (mænd:kvinder=14:9). Dette antal deltagere er sammenligneligt med andre valideringsundersøgelser . Alle deltagerne var universitetsstuderende mellem 21 og 30 år (gennemsnit 24,3, SD 2,7). I alt 8 ud af de 23 deltagere havde en PSKI højere end 5, hvilket var tegn på utilfreds søvnkvalitet. Statistisk signifikante forskelle blev fundet mellem mænd og kvinder med hensyn til vågetid (kvinder: 9,7 min; mænd: 22,8 min; P=.02) og forholdet mellem søvn fase 1 (kvinder: 7,7 (%); mænd: 14,3 (%); P=.02). Vi sammenlignede også søvnmønstrene mellem deltagere under og over 25 år. Statistisk signifikante forskelle blev fundet med hensyn til TST (under 25 år: 308,7 min; over 25 år: 396,8 min; P=.03), overgangssandsynlighed fra dyb søvn til let søvn (under 25 år: 5,5%; over 25 år: 1,5%; P=.02), og sandsynligheden for at blive i let søvn (under 25 år: 85,3 (%); over 25 år: 94,8 (%); P=.008).

systematiske forskelle

tabel 2 viser de estimerede søvnstadieovergangssandsynligheder afledt af medicinske data og Fitbit-data samt resultaterne af parret t-test. Vi beregnet søvnstadieovergangssandsynligheder individuelt for hver deltager og derefter gennemsnitlige resultater på tværs af hele kohorten. Det er vist, at følgende overgange sjældent forekom: dyb søvn til REM-søvn og vågne, let søvn til REM-søvn, REM-søvn til dyb søvn og REM-søvn til let søvn. T-testresultaterne viste, at der var signifikante forskelle mellem søvnstadieovergangssandsynlighederne målt af Fitbit og dem, der blev målt af det medicinske udstyr. Fitbit afveg fra det medicinske udstyr på alle overgangssandsynlighederne bortset fra overgangssandsynligheden fra let søvn til REM-søvn (SFL-r = 0,9%; sML-r =1,7%), overgangssandsynligheden fra dyb søvn til at vågne (SFD-r = sMD-R =0.2%), og sandsynligheden for at opholde sig i REM-søvnstadiet (SFR-r = sMR-r =96,9%). Generelt undervurderede Fitbit søvnstadieovergangsdynamik. Sandsynligheden for at blive i et bestemt søvnstadium blev signifikant overvurderet, mens sandsynligheden for overgange fra et bestemt stadium til et andet stadium for det meste blev undervurderet.

niveau af aftale og korrelationer

figur 4-6 viser Bland-Altman-plottene, der sammenligner Fitbit Charge 2 med det medicinske udstyr. Enhed uoverensstemmelser for søvn resultater er plottet som en funktion af de medicinske resultater for hver enkelt. Den gennemsnitlige bias varierede fra 0% (sr-kurr R og sD-kurr B) til ca.60% (sL-kurr D). Ikke mere end 2 deltagere var beliggende uden for den nedre grænse for aftale eller den øvre grænse for aftale.

i tråd med tidligere undersøgelser definerede vi det acceptable fejlområde som ei-5%, da dette tilnærmer sig en bredt acceptabel standard for statistisk signifikans i litteraturen . På grundlag af dette kriterium er, at der ikke er nogen systematisk bias blev fundet mellem Fitbit og den medicinske enhed, for at måle sW→L, sW→R, sL→R, sD – →W, sR→L, sR→D, og sR→R.

Figur 4 viser, at ingen tendens blev fundet mellem forskel, og gennemsnittet af sR→L, sL→R og sR→R. I modsætning, Figur 5 og Figur 6 viser klare tendenser til, at målingen forskellene var større for lavere sL→L, sD – →U, og sW→W, og forskellene var større for højere sW→L,sW→R, sW→D, sL→W, sL→D, sD – →W, sD – →L, sD – →R, sR→W, og sR→D. Disse resultater tyder på, at nøjagtigheden af Fitbit Oplade 2 i måling søvn fase-overgange kan være blevet forringet, så søvn blev mere dynamisk (mere overgange mellem forskellige søvn faser).

se dette tal

se dette tal

se dette tal

effekt af brugerspecifikke faktorer

resultaterne af signeret rangtest viste, at god subjektiv søvnkvalitet angivet af PSKI som lavere end 5 var forbundet med nedsatte fejl i sandsynligheden for at blive i dyb søvnstadium (PSKI<5, 132.1 173,1%; 5,346,8 250,0%; p=.04), men det var forbundet med øgede fejl i overgangssandsynlighed fra at vågne til REM-søvn (PSKI<5, 100,0 lp 0,0%; PSKI lp 5, 85,1 lp 25,5%; P=.02).

vågetid længere end 30 min var forbundet med øgede fejl i overgangssandsynlighed fra let søvn til REM-søvn (VARO-30, 265,8-176,5; VARO<30, 103,9-49,1%; P=.02), men det var forbundet med nedsatte fejl i overgangssandsynlighed fra let søvn til at vågne (ISO-30, 78,6-10,2%; ISO<30, 86,7-8,6%; P=.049), såvel som sandsynligheden for at blive i kølvandet (VARO-30, 117, 3-269, 5%; VARO<30, 125, 2-103, 6%; P=.006).

SE over 90% var forbundet med øgede målefejl i overgangssandsynlighed fra REM-søvn til let søvn (SE>90, 107, 1 liter 53, 2%; SE liter 90%, 55, 9 liter 40, 4%; P=.047).

derudover alder under 25 år (alder< 25, 7,9 liter 5,4%; alder 15, 3,1 liter 2,3%; P=.01), søvnbegyndelses latenstid (SOL) kortere end 30 min (SOL<30, 8,6 liter 5,8%; SOL liter 30, 4,1 liter 3,4%; P=.02) og dyb søvnforhold over 20% (langsom bølgesøvn; SV< 20%, 3,9 LR 3,5%; SV LR 20, 9,5 LRR 5,2; P=.007) var forbundet med let øget målefejl i sandsynligheden for at blive i let søvnstadium. Ikke desto mindre var de gennemsnitlige fejl ikke mere end 10% i alle de tilsvarende tilfælde.

der blev ikke fundet nogen signifikante sammenhænge mellem målefejl af Fitbit og andre faktorer, herunder køn, TST, SOL, let søvnforhold, REM-søvnforhold og Tavg.

Diskussion

vigtigste fund

Vi har vist en numerisk sammenligning på søvnstadieovergangssandsynligheder mellem Fitbit Charge 2 og det medicinske udstyr. Niveauet og grænserne for enighed mellem de 2 typer enheder blev illustreret ved hjælp af Bland-Altman-plot. Resultaterne af signed–rank test blev præsenteret for at demonstrere sammenhængen mellem brugerspecifikke faktorer og målefejl. Denne undersøgelse genererede 2 hovedresultater. Først fandt vi, at Fitbit Charge 2 undervurderede søvnstadieovergangsdynamik sammenlignet med det medicinske udstyr. For det andet var enhedens nøjagtighed hovedsageligt forbundet med 3 brugerspecifikke faktorer: subjektiv søvnkvalitet målt ved hjælp af PSKI, VARO og SE.søvnstadieovergangsanalyse er blevet brugt til at karakterisere søvnkontinuitet og den tidsmæssige stabilitet af ikke-REM-og REM-anfald i søvnvidenskab . I denne undersøgelse viste søvnstadieovergangssandsynlighederne afledt af de medicinske data interessante mønstre. Som forventet var sandsynligheden for, at ethvert søvnstadium forblev i samme fase, konstant højere end for dette stadium at skifte til et andet stadium. Direkte overgang mellem dyb søvn og REM-søvn skete sjældent. Sandsynligheden for overgange fra vågne til dyb søvn eller fra vågne til REM-søvn var lav. Tilsvarende var sandsynligheden for overgang fra dyb søvn til at vågne også lav. Disse egenskaber var i overensstemmelse med fund rapporteret i tidligere søvnundersøgelser af overgangsmønstre i søvnstadiet hos raske mennesker .søvnstadieovergang er resultatet af komplekse interaktioner mellem mange hjerneområder. Ikke at kunne opdage markører i hjernebølger, såsom k-komplekser , forbrugerarmbånd har begrænset ydeevne ved klassificering af søvnstadier. Tidligere undersøgelser viser, at Fitbit Charge 2-enheder overvurderede let søvn betydeligt og undervurderede dyb søvn , når de blev valideret i laboratorieindstillinger, mens de undervurderede dyb søvn og overvurderede lys og REM-søvn, når de blev valideret under frie levevilkår . Denne undersøgelse supplerer tidligere fund og bidrager med ny indsigt i Fitbit ‘ s kapacitet til at fange søvnstadieovergange. Samlet set observerede vi, at Fitbit Charge 2 signifikant afveg fra det medicinske udstyr til måling af søvnstadieovergangsdynamik. Især var de gennemsnitlige sandsynligheder for at forblive i vågne fase og dyb fase målt af Fitbit signifikant højere end dem, der blev målt af det medicinske udstyr. I modsætning hertil undervurderede Fitbit sandsynligheden for sceneovergange fra let søvn til at vågne og fra let søvn til dyb søvn. Dette er sandsynligvis på grund af forkert klassificering af vågne og dybe søvnepoker til let søvn . Systematisk bias (mellem 40% og 60%) blev illustreret i Bland-Altman-plottene på disse søvnstadieovergangssandsynligheder. På den anden side blev der ikke observeret nogen systematisk bias og gennemsnitlig forskel ved måling af sandsynligheden for at blive i REM-søvnstadiet. Dette resultat giver komplementære beviser til konstateringen i undersøgelsen af de Ambotti et al, at Fitbit Charge 2 var godt enig i medicinsk udstyr til påvisning af REM-søvn.

et unikt aspekt af denne undersøgelse er, at vi også undersøgte effekten af brugerspecifikke faktorer og fandt flere foreninger. Vores analyse viste, at subjektiv søvnkvalitet målt ved hjælp af PSKI, vågne efter VARO og SE var signifikant stærke forudsigere for målefejl i søvnstadieovergangssandsynligheder. Alder, SOL, og dyb søvnforhold var signifikante, men svage forudsigere, hvorimod køn, TST, let søvnforhold, REM-søvnforhold, og gennemsnitlig søvncyklus var ikke forbundet med Målefejlene i Fitbit.

På trods af konstateringen fra tidligere valideringsundersøgelser , at dårlig søvnkvalitet er forbundet med forringet ydeevne af søvnovervågningsenheder til måling af polysomnografiske søvnmålinger, afslører denne undersøgelse, at forholdet er mere kompliceret mellem søvnkvalitet og enhedsnøjagtighed ved måling af søvnstadieovergange. Faktisk fandt vi, at god subjektiv søvnkvalitet (PSI<5) var forbundet med nedsat målefejl i sandsynligheden for at blive i dyb søvnstadium, og mindre fragmenteret søvn (VARO< 30 min) var forbundet med nedsatte fejl i overgangssandsynlighed fra let søvn til REM-søvn. Ikke desto mindre er det også fundet, at god søvn karakteriseret ved hurtig søvnindtræden (SOL<30 min), højt forhold mellem dyb søvn (SV>20%), god subjektiv følelse (PSI<5), korte vækkelser (var<30 min) og high se (se>90%) var forbundet med øgede målefejl i forskellige udfald overgangssandsynligheder. Dette resultat modsiger tidligere fund om aktigrafi, der forværrede søvn (f .eks. Denne forskel antyder, at fund relateret til klinisk aktigrafi ikke bør generaliseres til forbrugerarmbånd uden yderligere validering.

derudover blev Alder fundet at være en signifikant, men svag forudsigelse for målefejl. Deltagere i aldersgruppen 25 Til 30 havde nedsat målefejl i sandsynligheden for at blive i let søvnfase sammenlignet med dem yngre end 25 år. Da alder er blevet bredt anerkendt som en væsentlig faktor , der ændrer søvnmønstre, kan effekten af alder også spores tilbage til forskellen i underliggende søvnmønstre. De medicinske søvndata viste, at yngre deltagere generelt havde kortere søvn og højere søvnstadieovergangsdynamik (overgang fra dyb søvn til let søvn), hvilket kan tegne sig for stigningen i målefejl. Ikke desto mindre bør dette fund ikke generaliseres til en lang række aldersgrupper på grund af den begrænsede prøveudtagning af alder i denne undersøgelse. Yderligere undersøgelser er nødvendige for systematisk at undersøge effekten af alder på enhedens nøjagtighed.

vores resultater supplerer resultaterne fra tidligere valideringsundersøgelser af forbrugerarmbånd til søvnsporing generelt. Fitbit Charge 2 har vist tilfredsstillende ydeevne ved måling af TST og SE, men det er stadig ude af stand til at klassificere søvnstadier med god nøjagtighed . Vores resultater viser, at Fitbit Charge 2 også kan undervurdere søvnovergangsdynamik, og det skal derfor bruges med forsigtighed. Denne undersøgelse etablerer en foreløbig reference for forskere, der har til hensigt at bruge Fitbit-enheden til at måle søvnstadieovergange i videnskabelige undersøgelser, og denne undersøgelse antyder, at både opfattede og objektive søvnmønstre muligvis skal overvejes, når man vælger søvnovervågningsværktøjer.

begrænsninger

denne undersøgelse er underlagt følgende begrænsninger. For det første repræsenterer deltagerne en ung sund befolkning, der var fri for søvnforstyrrelser eller kroniske sygdomme. Derfor kan resultaterne ikke generaliseres til ældre eller kliniske populationer. For det andet var dataindsamlingsfasen ikke langsgående, og kun 1 nat søvn fra hver deltager blev analyseret. Resultaterne kan således ikke tælle intrapersonelle variationer. For det tredje var listen over potentielle påvirkningsfaktorer, der blev undersøgt i denne undersøgelse, ikke udtømmende, og den kan blive påvirket af begrænset prøveudtagning. Yderligere forskning bør adressere disse begrænsninger ved at inkludere en forskelligartet befolkning, forlænge dataindsamlingens varighed og undersøge effekten af andre potentielle forudsigere for enhedens nøjagtighed.

konklusioner

Vi har demonstreret, at Fitbit Charge 2 signifikant undervurderede søvnstadieovergangsdynamik sammenlignet med det medicinske udstyr, og at målenøjagtighed hovedsageligt kunne påvirkes af opfattet søvnkvalitet, søvnkontinuitet og SE. På trods af den positive tendens med forbedret nøjagtighed for de nyeste forbrugers bærbare søvnsporere, skal begrænsningen af disse enheder til påvisning af søvnstadieovergangsdynamik genkendes. Som et resultatmålingsværktøj er Fitbit Charge 2 muligvis ikke egnet til forskningsundersøgelser relateret til søvnstadieovergange eller til beslutningstagning i sundhedsvæsenet. Yderligere forskning bør fokusere på at forbedre nøjagtigheden af disse forbrugerarmbånd til måling af ikke kun polysomnografiske parametre, men også søvnstadieovergangsdynamik.