Einführung

Bedeutung von Schlaftracking-Geräten für Verbraucher

Für die körperliche und geistige Gesundheit ist ein ausreichender erholsamer Schlaf unerlässlich . In den letzten Jahren haben Armbänder zur Überwachung des Verbraucherschlafs und zugehörige Handy-Apps eine effektive Möglichkeit für Einzelpersonen geschaffen, persönliche Schlafmuster zu verstehen oder die Schlafqualität im täglichen Umfeld zu verbessern . Diese Geräte sind relativ erschwinglich, einfach zu bedienen und auf dem Verbrauchermarkt käuflich zu erwerben. Die meisten Verbraucherarmbänder beruhen auf einem ähnlichen Mechanismus der klinischen Aktigraphie, der Wach- und Schlafzyklen aus der Bewegung der Gliedmaßen ableitet . Neu eingeführte Modelle enthalten auch andere Ströme von Biosignalen, wie z. B. die Herzfrequenz zur Messung der Schlafphasen. Benutzer können das Schlafhypnogramm einer ganzen Nacht (die zeitliche Abfolge der Schlafphasen) und die aggregierten Schlafparameter wie die Gesamtschlafzeit (TST) und das Verhältnis jeder Schlafphase auf einem Dashboard visualisieren. Es gibt zunehmend Hinweise darauf, dass Armbänder zur Schlafüberwachung das Bewusstsein für die Schlafgesundheit schärfen und sich positiv auf die persönliche Schlafhygiene auswirken , obwohl die langfristigen Auswirkungen dieser Technologien nicht geklärt sind . In der Zwischenzeit setzen Forscher und Kliniker zunehmend Verbraucherarmbänder wie Fitbit-Geräte als Instrumente zur Ergebnismessung in Forschungsstudien ein . Im Vergleich zur herkömmlichen Polysomnographie (PSG) reduzieren Fitbit-Geräte den Zeit- und Geldaufwand für die longitudinale Schlafdatenerfassung erheblich und könnten umfangreiche Informationen liefern, die in der Vergangenheit außerhalb von Schlaflabors oder Kliniken nicht erfasst werden konnten. Die Teilnehmer können die Geräte unter freilebenden Bedingungen nutzen, ohne dass ständige technische Unterstützung erforderlich ist. Die neue Generation von Fitbit-Geräten könnte möglicherweise auch die klinische Aktigraphie übertreffen, da sie mehrere Ströme von Biosignalen für das Schlafstadium nutzen, während die Aktigraphie nur in der Lage ist, Wachzustand und Schlaf auf der Grundlage der Bewegung der Gliedmaßen zu erkennen .

Genauigkeit von Consumer-Schlaf-Tracking-Geräten

Da Consumer-Schlafüberwachungsarmbänder immer beliebter werden, hat ihre Einschränkung der Messgenauigkeit große Bedenken hinsichtlich der Qualität der mit diesen Geräten gesammelten Daten aufgeworfen . Daten von geringer Qualität können Benutzer irreführen, um zu falschen Schlussfolgerungen ihres Schlafes zu gelangen. Darüber hinaus hat die Datenqualität für Forscher, die diese Geräte in wissenschaftlichen Studien einsetzen möchten, oberste Priorität. Daher hat das Verständnis der Gültigkeit von Schlaftrackern für Verbraucher sowohl für einzelne Benutzer als auch für die Forschungsgemeinschaft einen praktischen Nutzen. Als Reaktion auf diesen Bedarf haben viele Studien die Genauigkeit gängiger Schlaftracker im Vergleich zu medizinischen Geräten in Bezug auf aggregierte Schlafmetriken untersucht, einschließlich TST, Wake after Sleep Onset (WASO), Schlafeffizienz (SE) und Schlafstadien, dh leichter Schlaf, Tiefschlaf und REM-Schlaf (Rapid Eye Movement) . Diese Studien zeigen, dass die früheren Modelle von Verbraucherarmbändern ein häufiges Problem haben, den Schlaf zu überschätzen und den Wachzustand zu unterschätzen . Neuere Modelle wie Fitbit Charge 2, die auf Multistreams von Biosignalen basieren, weisen eine zufriedenstellende Leistung bei der Messung von TST und SE auf, liefern jedoch keine genauen Ergebnisse bei der Klassifizierung von Schlafstadien .Obwohl sich der Hauptteil der Validierungsstudien überwiegend auf polysomnographische Metriken (z. B. TST, WASO, Sensitivität und Spezifität) konzentriert hat , bleibt die Leistung von Verbraucherarmbändern bei der Messung von Schlafstadienübergängen unbekannt. Schlafforschung hat gezeigt, dass Schlafphasenübergangswahrscheinlichkeiten reichhaltige Informationen über Schlafmuster enthalten, die bei der Charakterisierung der Schlafstabilität als wirksamer angesehen wurden als polysomnographische Parameter . Schlafphasenübergangsanomalie ist ein wichtiger Indikator für Schlafstörungen . Einige Studien stützten sich auch auf Schlafphasenübergangswahrscheinlichkeiten, um die Wirkung der Behandlung zu beurteilen . Die klinische Bedeutung der Dynamik des Schlafstadienübergangs legt die Notwendigkeit nahe, relevante Metriken (Schlafstadienübergangswahrscheinlichkeiten) als Outcome-Schlafparameter in Validierungsstudien aufzunehmen. In Abbildung 1 wird eine Visualisierung der Dynamik des Schlafstadienübergangs dargestellt. Die Gesamtübergangswahrscheinlichkeit von einem einzelnen Zustand zu anderen Zuständen (einschließlich des Aufenthalts im selben Zustand) ist immer 1. Das SX → Y repräsentiert die Übergangswahrscheinlichkeit vom Schlafstadium X nach Y. Die {X, Y} leiten sich von {W, L, D, R} ab, die Abkürzungen für Wachzustand, leichten Schlaf, Tiefschlaf und REM-Schlaf sind. Zum Beispiel bezeichnet sW → R die Übergangswahrscheinlichkeit vom Wachzustand zum REM-Schlaf und sW → W die Wahrscheinlichkeit, im Wachzustand zu bleiben.

Bedeutung dieser Studie

In dieser Studie sollte untersucht werden, ob Schlafphasenübergänge (die Übergangswahrscheinlichkeiten zwischen Wach-, Licht-, Tief- und REM-Schlaf) mit Fitbit Charge 2 genau gemessen werden können. Trotz der zahlreichen Validierungsstudien wurde die Genauigkeit von Verbraucherarmbändern bei der Messung des Schlafstadienübergangs nicht untersucht. Wir untersuchten auch die Faktoren, die mit den Messfehlern bei Schlafphasenübergangswahrscheinlichkeiten verbunden sind. Frühere Validierungsstudien an anderen Arten von tragbaren Geräten ergaben, dass die Gerätegenauigkeit in Abhängigkeit von den zugrunde liegenden Schlafmustern, der untersuchten Population und sogar der Definition der Messgröße variieren kann . Entlang derselben Linie wählten wir eine Reihe unabhängiger Variablen (mögliche Prädiktoren) aus, darunter demografische Merkmale der Teilnehmer, subjektive Schlafqualität gemessen am Pittsburgh Sleep Quality Index (PSQI) und objektive Schlafqualität abgeleitet aus medizinischen Daten. Die abhängigen Variablen waren die absoluten prozentualen Fehler von Fitbit Charge 2 bei Schlafphasenübergangswahrscheinlichkeiten im Vergleich zum Medizinprodukt. Die Ergebnisse dieser Studie ergänzen frühere Validierungsstudien und tragen zur Etablierung einer ganzheitlichen Sicht auf die Kapazität von Verbraucherarmbändern bei der Messung der Schlafstruktur unter freilebenden Bedingungen bei. Diese Studie stellt auch eine vorläufige Referenz für Forscher dar, die beabsichtigen, Fitbit zur Messung von Schlafstadienübergängen zu verwenden, und für einzelne Benutzer, die sich auf Fitbit-Schlafdaten verlassen, um Gesundheitsentscheidungen zu treffen.

Diese Abbildung anzeigen

Methoden

Rekrutierung

Wir haben Teilnehmer rekrutiert, indem wir Poster auf dem Campus der Universität von Tokio verteilt haben. Insgesamt meldeten 38 Personen Interesse über ein webbasiertes Formular an, von denen 28 (74%) zur Teilnahme an der Studie berechtigt waren. Die Einschlusskriterien erforderten, dass die Teilnehmer Erwachsene waren (Alter>18 Jahre), frei von diagnostizierten chronischen Erkrankungen waren und an einem Briefing teilnehmen konnten vor der Datenerfassungsphase. Diese Forschung wurde von der Ethikkommission der Universität Tokio genehmigt. Alle Teilnehmer gaben eine Einverständniserklärung ab.

Studienverfahren

Vor der Datenerfassungsphase wurde mit jedem Teilnehmer individuell ein persönliches Briefing durchgeführt. In diesem Meeting installierten wir die Fitbit-App auf den Mobiltelefonen der Teilnehmer und gaben mündliche Anweisungen zur Verwendung der Geräte und zur Synchronisierung des Fitbit-Geräts mit seiner Handy-App. Die Teilnehmer erhielten die folgenden Elemente zur Datenerfassung: ein Fitbit Charge 2, ein medizinisches Gerät namens Sleep Scope, Elektroden, Ladegeräte und Handbücher. Am Ende des Briefings wurden die Teilnehmer gebeten, einen PSQI-Fragebogen auszufüllen, um ihre wahrgenommene Schlafqualität zu messen. Der PSQI ist ein weit verbreitetes Instrument zur Beurteilung der subjektiven Schlafqualität, die in den letzten 1 Monaten gemittelt wurde, und ein PSQI≥5 weist auf wahrgenommenen schlechten Schlaf hin. Wir haben den PSQI gesammelt, da er mit der Messgenauigkeit von Fitbit in Verbindung gebracht werden kann. Weitere Details zu möglichen Assoziationsfaktoren der Messgenauigkeit werden im nächsten Abschnitt bereitgestellt.Nach dem Briefing maßen die Teilnehmer ihren Schlaf mit beiden Geräten für 3 aufeinanderfolgende Nächte in ihren Häusern, um sicherzustellen, dass Fitbit Charge 2 in einer ökologisch gültigen Umgebung bewertet wurde. Sie wurden gebeten, das Fitbit während der Datenerfassung am nicht dominanten Handgelenk zu tragen. Alle Teilnehmer erhielten eine Geldprämie, wenn sie die Geräte nach der Datenerfassung zurückgaben.

Datenerfassung

In dieser Studie sammelten wir Schlafdaten gleichzeitig mit Fitbit Charge 2 und einem medizinischen Gerät. Fitbit Charge 2 (Fitbit Inc) ist ein tragbares Aktivitätsarmband mit einem eingebetteten dreiachsigen Beschleunigungsmesser. Es schätzt Schlafphasen für jede 30-Sekunden-Periode, indem es die Bewegungs- und Herzfrequenzdaten eines Benutzers integriert. Mit Fortschritten in Software und Hardware hat Fitbit Charge 2 einige Probleme früherer Modelle überwunden und kann TST und SE mit guter Genauigkeit messen . Ein medizinischer Schlafmonitor namens Sleep Scope (Sleep Well Co) wurde verwendet, um die Grundwahrheit über Schlafhypnogramme zu erhalten. Sleep Scope ist ein klinisches Einkanal-Elektroenzephalogramm (japanische Medizinproduktzertifizierung 225ADBZX00020000), das gegen PSG validiert wurde (Übereinstimmung = 86,9%, durchschnittlicher Cohen-Kappa-Wert = 0,75) . Sleep Scope wurde gegenüber PSG gewählt, da es die Datenerfassung in den Häusern der Teilnehmer und nicht in einem Schlaflabor ermöglichte. Dies stellt sicher, dass Fitbit Charge 2 in einer ökologisch gültigen Umgebung bewertet wurde; Dies stellt auch sicher, dass die mögliche Störung des Schlafes durch ungewohnte Umgebung minimiert wird.

In der Datenerfassungsphase verfolgten die Teilnehmer ihren Schlaf für 3 aufeinanderfolgende Nächte in ihren Häusern. Nach der üblichen Praxis in der Schlafforschung analysierten wir die zweite Nacht für jeden Teilnehmer, um den ersten Nachteffekt zu entfernen . Wenn die Daten der zweiten Nacht nicht gültig waren, wurden die Daten der dritten Nacht analysiert. Die Daten der ersten Nacht wurden nur ausgewählt, wenn weder die zweite noch die dritte Nacht gültig waren.

Fitbit-Schlafdaten wurden über die Anwendungsprogrammschnittstelle (API) von Fitbit abgerufen. Fitbit Charge 2 bietet Schlafdaten auf 2 Ebenen über die öffentliche API. Die Stufenpegeldaten umfassen Schlafphasenpegel, einschließlich Wachzustand, leichter Schlaf, Tiefschlaf und REM-Schlaf. Diese Daten werden mit einer Granularität von 30 Sekunden aggregiert, die dem Standard entspricht Schlafstadium im klinischen Umfeld. Wenn die Stufenpegeldaten nicht verfügbar sind, werden alternativ die klassischen Pegeldaten bereitgestellt. Daten auf klassischer Ebene umfassen Schlafmusterebenen, einschließlich schlafend, unruhig und wach, und sie werden mit einer gröberen Granularität von 60 Sekunden aggregiert. In dieser Studie interessierten wir uns für die Schlafdaten auf Bühnenebene, und die klassischen Daten wurden verworfen, da sie keine Informationen über Tiefschlaf, leichten Schlaf und REM-Schlaf enthielten.

Die Daten des Medizinprodukts wurden von the Sleep Well Company unter Verwendung proprietärer automatischer Bewertungsalgorithmen analysiert, gefolgt von einer epochenweisen visuellen Inspektion durch Spezialisten auf der Grundlage etablierter Standards , und bei Bedarf wurden Korrekturen hinzugefügt. Fitbit-Daten und medizinische Daten wurden synchronisiert, um sicherzustellen, dass die Startzeit ausgerichtet war.

Um den Einfluss anwenderspezifischer Faktoren auf die Messgenauigkeit zu untersuchen, haben wir auch Daten zu den in Tabelle 1 aufgeführten Faktoren erhoben. Alter und Geschlecht basierten auf Selbstberichten, und der PSQI wurde anhand des PSQI-Fragebogens gemessen . Schlafqualitätsmetriken wurden alle aus den medizinischen Daten abgeleitet.

Statistische Analyse

Das übergeordnete Ziel der Analyse war zweifach. Wir wollten die Genauigkeit von Fitbit Charge 2 bei der Messung von Schlafphasenübergängen im Vergleich zu einem medizinischen Gerät untersuchen. Wir waren auch an den Assoziationen von benutzerspezifischen Faktoren mit der Messgenauigkeit von Fitbit Charge 2 interessiert. Alle gemeldeten statistischen Signifikanzniveaus waren 2-seitig, und die statistische Analyse wurde mit der R Statistical Software Version 3.5.3 (The R Foundation) durchgeführt.

Zunächst wurde aus den medizinischen Daten eine deskriptive Statik der Schlafparameter abgeleitet. Ein 2-Tailed-t-Test wurde verwendet, um zu untersuchen, ob es statistisch signifikante Unterschiede in den Schlafmustern zwischen Männern und Frauen sowie zwischen Teilnehmern unter 25 Jahren und über 25 Jahren gab. Zweitens wurden die Übergangswahrscheinlichkeiten des Schlafstadiums berechnet, indem die Anzahl der Übergänge von einem bestimmten Schlafzustand zu einem bestimmten Schlafzustand durch die Gesamtzahl der Übergänge von diesem bestimmten Zustand zu allen Schlafzuständen (einschließlich des Aufenthalts im selben Zustand) dividiert wurde. Wie in Abbildung 2 gezeigt, werden {X, Y und B} von {W, L, D und R} abgeleitet, und nX→Y ist die Anzahl der Übergänge vom Schlafstadium X zu Y während einer ganzen Nacht Schlaf. Die W, L, D und R sind die Abkürzungen für Wake, Light Sleep, Deep Sleep und REM Sleep. Die Schlafphasenübergangswahrscheinlichkeiten wurden aus Fitbit-Daten und medizinischen Daten für jeden Teilnehmer berechnet und dann über die gesamte Kohorte gemittelt, um die durchschnittlichen Schlafphasenübergangswahrscheinlichkeiten zu erhalten. Der systematische Unterschied zwischen den 2 Geräten wurde durch Anwendung eines t-Tests auf die Schlafphasenübergangswahrscheinlichkeiten bewertet. Ein P-Wert darunter .05 wurde als statistisch signifikant angesehen. Der Grad der Übereinstimmung zwischen 2 Geräten wurde anhand der Bland-Altman-Diagramme untersucht .

Diese Abbildung anzeigen

Diese Zahl anzeigen

Der absolute prozentuale Fehler eX→Y wurde unter Verwendung der Gleichung in Abbildung 3 berechnet, wobei { X, Y und B} von {W, L, D und R} abgeleitet sind, sFX→ Y und sMX→Y sind die Übergangswahrscheinlichkeit vom Schlafstadium X nach Y, abgeleitet aus Fitbit-Daten und medizinischen Daten.

Um den Einfluss anwenderspezifischer Faktoren auf den absoluten prozentualen Fehler zu untersuchen, wurde der Datensatz gemäß den in Tabelle 1 aufgeführten Grenzschwellenwerten in 2 Teilmengen unterteilt. Wilcoxon Signed-Rank-Test wurde durchgeführt, um zu untersuchen, ob es signifikante Unterschiede zwischen den 2 Teilmengen in Bezug auf die Ergebnisschlafmetriken (Schlafphasenübergangswahrscheinlichkeiten) gab. Die Auswahl der Cut-Off-Schwellenwerte entsprach der Literatur in der Schlafforschung .

Ergebnisse

Deskriptive Statistik

Insgesamt nahmen 28 junge Erwachsene ohne chronische Erkrankungen an der Studie teil. Insgesamt 5 Teilnehmer wurden von der Analyse ausgeschlossen, da sie mit Fitbit keine Schlafdaten auf Stadiumsebene erhielten. Das heißt, von diesen Teilnehmern wurden nur Schlafdaten auf klassischer Ebene erhalten; Die Daten hatten keine Informationen über leichten, tiefen und REM-Schlaf. Daher war es nicht möglich, Schlafphasenübergangswahrscheinlichkeiten für diese Teilnehmer zu berechnen. Der endgültige Datensatz umfasst somit Schlafdaten von 23 Teilnehmern (Männer: Frauen = 14:9). Diese Teilnehmerzahl ist vergleichbar mit anderen Validierungsstudien . Alle Teilnehmer waren Universitätsstudenten zwischen 21 und 30 Jahren (Mittelwert 24,3, SD 2,7). Insgesamt hatten 8 der 23 Teilnehmer einen PSQI von mehr als 5, was auf eine unbefriedigende Schlafqualität hinwies. Statistisch signifikante Unterschiede wurden zwischen Männern und Frauen in Bezug auf die Weckzeit gefunden (Frauen: 9,7 min; Männer: 22,8 min; P =.02) und das Verhältnis von Schlafstadium 1 (Frauen: 7,7(%); Männer: 14,3(%); P=.02). Wir verglichen auch die Schlafmuster zwischen Teilnehmern unter und über 25 Jahren. Statistisch signifikante Unterschiede wurden in Bezug auf TST gefunden (unter 25 Jahren: 308,7 min; über 25 Jahre: 396,8 min; P =.03), Übergangswahrscheinlichkeit vom Tiefschlaf zum leichten Schlaf (unter 25 Jahren: 5,5%; über 25 Jahre: 1,5%; P=.02) und die Wahrscheinlichkeit, im leichten Schlaf zu bleiben (unter 25 Jahren: 85,3(%); über 25 Jahre: 94,8(%); P =.008).

Systematische Unterschiede

Tabelle 2 zeigt die geschätzten Schlafphasenübergangswahrscheinlichkeiten, die aus medizinischen Daten und Fitbit-Daten abgeleitet wurden, sowie die Ergebnisse des t-Tests. Wir berechneten die Schlafphasenübergangswahrscheinlichkeiten individuell für jeden Teilnehmer und gemittelten dann die Ergebnisse über die gesamte Kohorte. Es wird gezeigt, dass die folgenden Übergänge selten aufgetreten sind: tiefschlaf zum REM-Schlaf und Aufwachen, leichter Schlaf zum REM-Schlaf, REM-Schlaf zum Tiefschlaf und REM-Schlaf zum leichten Schlaf. Die t-Testergebnisse zeigten, dass es signifikante Unterschiede zwischen den von Fitbit gemessenen Schlafphasenübergangswahrscheinlichkeiten und denen des Medizinprodukts gab. Fitbit weicht vom Medizinprodukt bei allen Übergangswahrscheinlichkeiten ab, mit Ausnahme der Übergangswahrscheinlichkeit vom leichten Schlaf zum REM-Schlaf (sFL→R = 0,9%; sML→R =1,7%), der Übergangswahrscheinlichkeit vom Tiefschlaf zum Wachzustand (sFD→W = sMD→W =0.2%) und die Wahrscheinlichkeit, im REM-Schlafstadium zu bleiben (sFR → R = sMR→ R = 96,9%). Im Allgemeinen unterschätzte Fitbit die Dynamik des Schlafphasenübergangs. Die Wahrscheinlichkeiten, in einem bestimmten Schlafstadium zu bleiben, wurden signifikant überschätzt, während die Wahrscheinlichkeiten von Übergängen von einem bestimmten Stadium zu einem anderen Stadium meist unterschätzt wurden.

Übereinstimmungsgrad und Korrelationen

Die Abbildungen 4-6 zeigen die Bland-Altman-Diagramme, in denen Fitbit Charge 2 mit dem medizinischen Gerät verglichen wird. Gerätediskrepanzen für die Schlafergebnisse werden als Funktion der medizinischen Ergebnisse für jedes Individuum dargestellt. Die mittlere Verzerrung lag zwischen 0% (sR→R und sD→W) und ungefähr 60% (sL→D). Nicht mehr als 2 Teilnehmer befanden sich außerhalb der Untergrenze der Vereinbarung oder der Obergrenze der Vereinbarung.

In Übereinstimmung mit früheren Studien haben wir den akzeptablen Fehlerbereich als ei ≤5% definiert, da dies einem allgemein akzeptablen Standard für die statistische Signifikanz in der Literatur entspricht . Auf der Grundlage dieses Kriteriums wurde keine systematische Verzerrung zwischen Fitbit und dem medizinischen Gerät bei der Messung von sW → L, sW → R, sL→ R, sD→ W, sR → L, sR→ D und sR→ R festgestellt.

Abbildung 4 zeigt, dass kein Trend zwischen der Differenz und dem Mittelwert von sR→ L, sL → R und sR→ R festgestellt wurde. Im Gegensatz dazu zeigen Abbildung 5 und Abbildung 6 klare Trends, dass die Messunterschiede für niedrigere sL → L, sD → D und sW → W größer waren und die Unterschiede für höhere sW → L, sW → R, sW → D, sL → W, sL größer waren → D, sD → W, sD → L, sD → R, sR → W und sR → D. Diese Ergebnisse legen nahe, dass sich die Genauigkeit von Fitbit Charge 2 bei der Messung von Schlafstadienübergängen verschlechtern könnte, wenn der Schlaf dynamischer wird (mehr Übergänge zwischen verschiedenen Schlafstadien).

Diese Abbildung anzeigen

Diese Abbildung anzeigen

Diese Zahl anzeigen

Auswirkung benutzerspezifischer Faktoren

Die Ergebnisse des Wilcoxon Signed-Rank–Tests zeigten, dass eine gute subjektive Schlafqualität, die von PSQI als niedriger als 5 angegeben wurde, mit verringerten Fehlern in der Wahrscheinlichkeit verbunden war, im Tiefschlafstadium zu bleiben (PSQI<5, 132,1±173,1%; PSQI≥5, 346,8±250,0%; P=.04), aber es war mit erhöhten Fehlern in der Übergangswahrscheinlichkeit vom Aufwachen zum REM-Schlaf verbunden (PSQI<5, 100,0 ± 0,0%; PSQI≥5, 85,1 ± 25,5%; P=.02).

Eine Weckzeit von mehr als 30 Minuten war mit erhöhten Fehlern in der Übergangswahrscheinlichkeit vom leichten Schlaf zum REM-Schlaf verbunden (WASO≥30, 265,8 ±176,5; WASO<30, 103,9±49,1%; P=.02), aber es war mit verringerten Fehlern in der Übergangswahrscheinlichkeit vom leichten Schlaf zum Aufwachen verbunden (WASO≥30, 78,6 ±10,2%; WASO<30, 86,7± 8,6%; P=.049) sowie die Wahrscheinlichkeit, im Kielwasser zu bleiben (WASO≥30, 117,3±269,5%; WASO<30, 125,2±103,6%; P=.006).

SE über 90% war mit erhöhten Messfehlern bei der Übergangswahrscheinlichkeit vom REM-Schlaf zum leichten Schlaf verbunden (SE>90, 107,1±53,2%; SE≤90%, 55,9±40,4%; P=.047).

Darüber hinaus Alter unter 25 Jahren (Alter<25, 7,9± 5,4%; Alter≥25, 3,1± 2,3%; P=.01), sleep onset latency (SOL) kürzer als 30 min (SOL<30, 8,6±5,8%; SOL≥30, 4,1±3,4%; P=.02), und tiefe schlaf verhältnis über 20% (langsam welle schlaf; SWS < 20%, 3,9±3.5%; SWS≥20, 9,5± 5.2; P =.007) waren mit einem leicht erhöhten Messfehler in der Wahrscheinlichkeit verbunden, im leichten Schlafstadium zu bleiben. Trotzdem betrugen die durchschnittlichen Fehler in allen entsprechenden Fällen nicht mehr als 10%.

Es wurden keine signifikanten Assoziationen zwischen Messfehlern von Fitbit und anderen Faktoren gefunden, einschließlich Geschlecht, TST, SOL, Lichtschlafverhältnis, REM-Schlafverhältnis und Tavg.

Diskussion

Hauptergebnisse

Wir haben einen numerischen Vergleich der Schlafphasenübergangswahrscheinlichkeiten zwischen Fitbit Charge 2 und dem medizinischen Gerät durchgeführt. Der Grad und die Grenzen der Übereinstimmung zwischen den 2 Gerätetypen wurden anhand von Bland-Altman-Plots veranschaulicht. Die Ergebnisse des Wilcoxon Signed-Rank-Tests wurden vorgestellt, um die Zusammenhänge zwischen benutzerspezifischen Faktoren und Messfehlern aufzuzeigen. Diese Studie generierte 2 Hauptergebnisse. Erstens haben wir festgestellt, dass Fitbit Charge 2 die Dynamik des Schlafphasenübergangs im Vergleich zum medizinischen Gerät unterschätzt hat. Zweitens war die Gerätegenauigkeit hauptsächlich mit 3 benutzerspezifischen Faktoren verbunden: subjektive Schlafqualität gemessen mit PSQI, WASO und SE.

Die Schlafphasenübergangsanalyse wurde verwendet, um die Schlafkontinuität und die zeitliche Stabilität von Nicht-REM- und REM-Anfällen in der Schlafforschung zu charakterisieren . In dieser Studie zeigten die aus den medizinischen Daten abgeleiteten Schlafphasenübergangswahrscheinlichkeiten interessante Muster. Wie erwartet war die Wahrscheinlichkeit, dass eine Schlafphase in derselben Phase blieb, konstant höher als die Wahrscheinlichkeit, dass diese Phase in eine andere Phase wechselte. Ein direkter Übergang zwischen Tiefschlaf und REM-Schlaf fand selten statt. Die Wahrscheinlichkeit von Übergängen vom Wach- in den Tiefschlaf oder vom Wach- in den REM-Schlaf war gering. Ebenso war die Wahrscheinlichkeit des Übergangs vom Tiefschlaf zum Aufwachen gering. Diese Eigenschaften stimmten mit den Ergebnissen überein, die in früheren Schlafstudien zu Schlafphasenübergangsmustern bei gesunden Menschen berichtet wurden .

Der Schlafphasenübergang ist das Ergebnis komplexer Interaktionen zwischen vielen Gehirnregionen. Da Verbraucherarmbänder nicht in der Lage sind, Marker in Gehirnwellen wie k-Komplexe zu erkennen , ist die Leistung bei der Klassifizierung von Schlafstadien begrenzt. Frühere Studien zeigen, dass Fitbit Charge 2-Geräte den leichten Schlaf signifikant überschätzten und den Tiefschlaf unterschätzten, wenn sie in Laborumgebungen validiert wurden , während sie den Tiefschlaf unterschätzten und den Licht- und REM-Schlaf überschätzten, wenn sie unter freilebenden Bedingungen validiert wurden . Diese Studie ergänzt frühere Ergebnisse und liefert neue Einblicke in die Fähigkeit von Fitbit, Schlafphasenübergänge zu erfassen. Insgesamt beobachteten wir, dass Fitbit Charge 2 bei der Messung der Schlafphasenübergangsdynamik signifikant vom Medizinprodukt abwich. Insbesondere waren die von Fitbit gemessenen durchschnittlichen Wahrscheinlichkeiten, in der Wach- und Tiefenphase zu bleiben, signifikant höher als die vom Medizinprodukt gemessenen. Im Gegensatz dazu unterschätzte Fitbit die Wahrscheinlichkeiten von Phasenübergängen vom leichten Schlaf zum Aufwachen und vom leichten Schlaf zum tiefen Schlaf. Dies liegt wahrscheinlich an der Fehlklassifizierung von Wach- und Tiefschlaf-Epochen in leichten Schlaf . Systematische Verzerrungen (zwischen 40% und 60%) wurden in den Bland-Altman-Diagrammen dieser Schlafphasenübergangswahrscheinlichkeiten veranschaulicht. Andererseits wurden keine systematischen Verzerrungen und mittleren Unterschiede bei der Messung der Wahrscheinlichkeit eines Aufenthalts im REM-Schlafstadium beobachtet. Dieses Ergebnis liefert ergänzende Beweise für den Befund in der Studie von De Zambotti et al, dass Fitbit Charge 2 bei der Erkennung von REM-Schlaf gut mit medizinischen Geräten übereinstimmt.Ein einzigartiger Aspekt dieser Studie ist, dass wir auch die Wirkung von benutzerspezifischen Faktoren untersucht und mehrere Assoziationen gefunden haben. Unsere Analyse zeigte, dass die subjektive Schlafqualität, gemessen mit PSQI, Wake after WASO und SE, signifikant starke Prädiktoren für Messfehler bei Schlafphasenübergangswahrscheinlichkeiten waren. Alter, SOL und Tiefschlafverhältnis waren signifikante, aber schwache Prädiktoren, während Geschlecht, TST, leichtes Schlafverhältnis, REM-Schlafverhältnis und durchschnittlicher Schlafzyklus nicht mit den Messfehlern von Fitbit in Verbindung gebracht wurden.Trotz der Erkenntnis aus früheren Validierungsstudien, dass eine schlechte Schlafqualität mit einer verschlechterten Leistung von Schlafüberwachungsgeräten bei der Messung polysomnographischer Schlafmetriken verbunden ist , zeigt diese Studie, dass die Beziehung zwischen Schlafqualität und Gerätegenauigkeit bei der Messung von Schlafstadienübergängen komplizierter ist. In der Tat fanden wir heraus, dass eine gute subjektive Schlafqualität (PSQI<5) mit einem verringerten Messfehler in der Wahrscheinlichkeit verbunden war, im Tiefschlafstadium zu bleiben, und weniger fragmentierter Schlaf (WASO<30 min) war mit verringerten Fehlern in der Übergangswahrscheinlichkeit vom leichten Schlaf zum REM-Schlaf verbunden. Dennoch wird auch festgestellt, dass guter Schlaf durch schnellen Schlafbeginn gekennzeichnet ist (SOL<30 min), hohes Verhältnis von Tiefschlaf (SWS>20%), gutes subjektives Gefühl (PSQI<5), kurzes Erwachen (WASO<30 min) und hohe SE (SE>90%) waren mit erhöhten Messfehlern bei verschiedenen Ergebnisübergangswahrscheinlichkeiten verbunden. Dieses Ergebnis widerspricht früheren Erkenntnissen zur Aktigraphie, die den Schlaf verschlechterten (z. B. lange WASO und SOL) erhöhte Messfehler . Diese Disparität legt nahe, dass Befunde im Zusammenhang mit der klinischen Aktigraphie nicht ohne weitere Validierung auf Verbraucherarmbänder verallgemeinert werden sollten.

Darüber hinaus erwies sich das Alter als signifikanter, aber schwacher Prädiktor für Messfehler. Teilnehmer im Alter von 25 bis 30 Jahren hatten im Vergleich zu Teilnehmern unter 25 Jahren geringere Messfehler bei der Wahrscheinlichkeit, im leichten Schlafstadium zu bleiben. Da das Alter weithin als ein signifikanter Faktor anerkannt wurde, der das Schlafmuster verändert , kann der Effekt des Alters auch auf den Unterschied in den zugrunde liegenden Schlafmustern zurückgeführt werden. Die medizinischen Schlafdaten zeigten, dass jüngere Teilnehmer im Allgemeinen einen kürzeren Schlaf und eine höhere Übergangsdynamik im Schlafstadium (Übergang vom Tiefschlaf zum leichten Schlaf) hatten, was für die Zunahme der Messfehler verantwortlich sein kann. Dennoch, Dieser Befund sollte aufgrund der eingeschränkten Altersstichprobe in dieser Studie nicht auf ein breites Spektrum von Altersgruppen verallgemeinert werden. Weitere Studien sind erforderlich, um den Einfluss des Alters auf die Gerätegenauigkeit systematisch zu untersuchen.

Unsere Ergebnisse ergänzen diejenigen früherer Validierungsstudien zu Verbraucherarmbändern für das Schlaftracking im Allgemeinen. Fitbit Charge 2 hat eine zufriedenstellende Leistung bei der Messung von TST und SE gezeigt, ist jedoch weiterhin nicht in der Lage, Schlafstadien mit guter Genauigkeit zu klassifizieren . Unsere Ergebnisse zeigen, dass Fitbit Charge 2 auch die Dynamik des Schlafübergangs unterschätzen kann und daher mit Vorsicht verwendet werden sollte. Diese Studie stellt eine vorläufige Referenz für Forscher dar, die beabsichtigen, das Fitbit-Gerät zu verwenden, um Schlafphasenübergänge in wissenschaftlichen Studien zu messen, und diese Studie legt nahe, dass sowohl wahrgenommene als auch objektive Schlafmuster bei der Auswahl von Schlafüberwachungsinstrumenten berücksichtigt werden müssen.

Einschränkungen

Diese Studie unterliegt den folgenden Einschränkungen. Erstens repräsentieren die Teilnehmer eine junge gesunde Bevölkerung, die frei von Schlafstörungen oder chronischen Krankheiten war. Daher können die Ergebnisse nicht auf ältere oder klinische Populationen verallgemeinert werden. Zweitens war die Datenerfassungsphase nicht longitudinaler Natur, und nur 1 Nacht Schlaf von jedem Teilnehmer wurde analysiert. Daher können die Ergebnisse intrapersonale Variationen nicht zählen. Drittens war die Liste der in dieser Studie untersuchten potenziellen Einflussfaktoren nicht vollständig und kann durch eingeschränkte Stichproben beeinflusst werden. Weitere Forschung sollte diese Einschränkungen angehen, indem sie eine vielfältige Population einbezieht, die Datenerfassungsdauer verlängert und die Auswirkungen anderer potenzieller Prädiktoren für die Gerätegenauigkeit untersucht.

Schlussfolgerungen

Wir haben gezeigt, dass Fitbit Charge 2 die Dynamik des Schlafphasenübergangs im Vergleich zum Medizinprodukt signifikant unterschätzt hat und dass die Messgenauigkeit hauptsächlich von der wahrgenommenen Schlafqualität, der Schlafkontinuität und der SE beeinflusst werden kann. Trotz des positiven Trends einer verbesserten Genauigkeit für die neuesten tragbaren Schlaftracker für Verbraucher muss die Einschränkung dieser Geräte bei der Erkennung der Dynamik des Schlafstadienübergangs erkannt werden. Als Instrument zur Ergebnismessung eignet sich Fitbit Charge 2 möglicherweise nicht für Forschungsstudien im Zusammenhang mit Schlafphasenübergängen oder für die Entscheidungsfindung im Gesundheitswesen. Weitere Forschungen sollten sich darauf konzentrieren, die Genauigkeit dieser Verbraucherarmbänder bei der Messung nicht nur polysomnographischer Parameter, sondern auch der Dynamik des Schlafstadienübergangs zu verbessern.