Introducción

Importancia de los Dispositivos de Seguimiento del Sueño del Consumidor

Tener suficiente sueño reparador es esencial para la salud física y mental . En los últimos años, las pulseras para monitorear el sueño de los consumidores y las aplicaciones de teléfono móvil asociadas han creado una manera efectiva de que las personas comprendan los patrones de sueño personales o mejoren la calidad del sueño en los entornos diarios . Estos dispositivos son relativamente asequibles, fáciles de usar y listos para comprar en el mercado de consumo. La mayoría de las pulseras de los consumidores se basan en un mecanismo similar de actigrafía clínica que infiere ciclos de vigilia y sueño a partir del movimiento de las extremidades . Los modelos recién lanzados también incorporan otras corrientes de señales biológicas, como la frecuencia cardíaca para medir las etapas del sueño. Los usuarios pueden visualizar el hipnograma de sueño de una noche completa (la secuencia temporal de las etapas de sueño) y los parámetros de sueño agregados, como el tiempo total de sueño (TST) y la proporción de cada etapa de sueño en un panel de control . Cada vez hay más pruebas de que las pulseras para monitorear el sueño de los consumidores aumentan la conciencia sobre la salud del sueño y tienen un impacto positivo en la higiene personal del sueño , aunque no se ha dilucidado el impacto a largo plazo de estas tecnologías . Mientras tanto, los investigadores y los médicos están adoptando cada vez más pulseras para consumidores, como los dispositivos Fitbit, como herramientas de medición de resultados en estudios de investigación . En comparación con la polisomnografía tradicional (PSG), los dispositivos Fitbit reducen significativamente el tiempo y el costo monetario para la recopilación de datos longitudinales del sueño, y podrían proporcionar información rica que no era posible recopilar fuera de los laboratorios o clínicas del sueño en el pasado. Los participantes pueden utilizar los dispositivos en condiciones de vida libre, sin necesidad de soporte técnico constante. La nueva generación de dispositivos Fitbit también podría superar a la actigrafía clínica, ya que aprovechan múltiples flujos de biosignales para la estadificación del sueño, mientras que la actigrafía solo puede detectar la vigilia y el sueño sobre la base del movimiento de las extremidades .

Precisión de los dispositivos de Seguimiento del sueño de los consumidores

A medida que las pulseras de monitoreo del sueño de los consumidores continúan ganando popularidad, su limitación en la precisión de las mediciones generó amplias preocupaciones sobre la calidad de los datos recopilados con estos dispositivos . Los datos de baja calidad pueden inducir a error a los usuarios a llegar a conclusiones erróneas sobre su sueño. Además, la calidad de los datos es de máxima prioridad para los investigadores que pretenden utilizar estos dispositivos en estudios científicos. Por lo tanto, comprender la validez de los rastreadores de sueño de los consumidores tiene beneficios prácticos tanto para los usuarios individuales como para la comunidad de investigación. En respuesta a esta necesidad, muchos estudios han examinado la precisión de los rastreadores de sueño populares en comparación con los dispositivos médicos en términos de métricas de sueño agregadas, que incluyen TST, despertar después del inicio del sueño (WASO), eficiencia del sueño (SE) y etapas del sueño, es decir, sueño ligero, sueño profundo y sueño con movimiento ocular rápido (REM). Estos estudios muestran que los modelos anteriores de pulseras de consumo tienen un problema común de sobreestimar el sueño y subestimar la vigilia . Los modelos recientes, como Fitbit Charge 2, que se basan en múltiples flujos de biosignales, tienen un rendimiento satisfactorio en la medición de TST y SE, pero no producen resultados precisos en la clasificación de las etapas de sueño .

Aunque el cuerpo principal de los estudios de validación se ha centrado principalmente en las métricas polisomnográficas (por ejemplo, TST, WASO, sensibilidad y especificidad), el rendimiento de las pulseras de consumo para medir las transiciones en la etapa de sueño sigue siendo desconocido. La investigación sobre el sueño ha demostrado que las probabilidades de transición en la etapa del sueño comprenden información rica de los patrones de sueño, que se han considerado más eficaces que los parámetros polisomnográficos para caracterizar la estabilidad del sueño . La anormalidad en la transición de la etapa del sueño es un indicador importante de trastornos del sueño . Algunos estudios también se basaron en las probabilidades de transición en la etapa del sueño para evaluar el efecto del tratamiento . La importancia clínica de la dinámica de transición de la etapa del sueño sugiere la necesidad de incluir métricas relevantes (probabilidades de transición de la etapa del sueño) como parámetros de sueño de resultados en los estudios de validación. En la Figura 1, se presenta una visualización de la dinámica de transición de la etapa de sueño. La probabilidad total de transición de un solo estado a otros estados (incluida la permanencia en el mismo estado) es siempre 1. El sX→Y representa la probabilidad de transición de la etapa de sueño X a Y. { X, Y } se derivan de { W, L, D, R }, que son abreviaturas para vigilia, sueño ligero, sueño profundo y sueño REM. Por ejemplo, sW→R denota la probabilidad de transición de vigilia a sueño REM, y SW→W denota la probabilidad de permanecer en vigilia.

Importancia de este estudio

Este estudio tuvo como objetivo examinar si mediría con precisión las transiciones de la etapa de sueño (las probabilidades de transición entre el sueño despierto, ligero, profundo y REM) utilizando Fitbit Charge 2. A pesar de los abundantes estudios de validación, no se ha investigado la precisión de las pulseras de consumo para medir la transición de la etapa de sueño. También examinamos los factores que están asociados con los errores de medición en las probabilidades de transición de la etapa de sueño. Estudios de validación previos sobre otros tipos de dispositivos portátiles encontraron que la precisión del dispositivo podía variar en función de los patrones de sueño subyacentes, la población estudiada e incluso cómo se definió el campo de medición . En la misma línea, seleccionamos un conjunto de variables independientes (posibles predictores), incluidas las características demográficas de los participantes, la calidad subjetiva del sueño medida por el Índice de Calidad del Sueño de Pittsburgh (PSQI) y la calidad objetiva del sueño derivada de datos médicos. Las variables dependientes fueron los errores porcentuales absolutos de Fitbit Charge 2 en las probabilidades de transición de la etapa de sueño en comparación con el dispositivo médico. Los resultados de este estudio complementan estudios de validación anteriores y contribuyen al establecimiento de una visión holística de la capacidad de las pulseras de consumo para medir la estructura del sueño en condiciones de vida libre. Este estudio también establece una referencia preliminar para los investigadores que tienen la intención de usar Fitbit para medir las transiciones de la etapa de sueño y para los usuarios individuales que confían en los datos de sueño de Fitbit para tomar decisiones de salud.

Vea esta figura

Métodos

Reclutamiento

Reclutamos a los participantes distribuyendo carteles en todo el campus de la Universidad de Tokio. En total, 38 personas registraron interés a través de un formulario en la Web, de las cuales 28 (74%) eran elegibles para participar en el estudio. Los criterios de inclusión requerían que los participantes fueran adultos (edad> 18 años), no tuvieran enfermedades crónicas diagnosticadas y pudieran asistir a un briefing antes de la fase de recolección de datos. Esta investigación fue aprobada por el comité ético de la Universidad de Tokio. Todos los participantes dieron su consentimiento informado.

Procedimientos del estudio

Se realizó un briefing presencial con cada participante individualmente antes de la fase de recolección de datos. En esta reunión, instalamos la aplicación Fitbit en los teléfonos móviles de los participantes y proporcionamos instrucciones verbales sobre cómo usar los dispositivos y cómo sincronizar el dispositivo Fitbit con su aplicación para teléfonos móviles. A los participantes se les proporcionaron los siguientes elementos para la recopilación de datos: un Fitbit Charge 2, un dispositivo médico llamado Dispositivo para dormir, electrodos, cargadores y manuales. Al final de la sesión informativa, se pidió a los participantes que rellenaran un cuestionario PSQI para medir la calidad percibida del sueño. El PSQI es un instrumento ampliamente utilizado para evaluar la calidad subjetiva del sueño promediada en el último 1 mes, y un PSQI≥5 es indicativo de la percepción de un sueño deficiente. Recopilamos el PSQI, ya que puede asociarse a la precisión de medición de Fitbit. En la siguiente sección se proporcionarán más detalles sobre los posibles factores de asociación de la precisión de la medición.

Después de la sesión informativa, los participantes midieron su sueño usando ambos dispositivos durante 3 noches consecutivas en sus hogares para garantizar que Fitbit Charge 2 se evaluara en un entorno ecológicamente válido. Se les pidió que llevaran el Fitbit en la muñeca no dominante durante la recopilación de datos. Todos los participantes recibieron una recompensa monetaria cuando devolvieron los dispositivos después de la recopilación de datos.

Recopilación de datos

En este estudio, recopilamos datos de sueño simultáneamente utilizando Fitbit Charge 2 y un dispositivo médico. Fitbit Charge 2 (Fitbit Inc) es una pulsera de actividad portátil con un acelerómetro triaxial integrado. Calcula las etapas del sueño para cada período de 30 segundos integrando los datos de movimiento y frecuencia cardíaca de un usuario. Con los avances en software y hardware, Fitbit Charge 2 ha superado algunos problemas de modelos anteriores, y es capaz de medir TST y SE con buena precisión . Se utilizó un monitor médico del sueño llamado Sleep Scope (Sleep Well Co) para obtener la verdad sobre los hipnogramas del sueño. Sleep Scope es un electroencefalograma monocanal de grado clínico (Certificación japonesa de Dispositivos médicos 225ADBZX00020000), que se validó contra PSG (acuerdo=86,9%, valor promedio de Cohen Kappa =0,75). Se eligió el dispositivo de sueño en lugar del PSG, ya que permitía la recolección de datos en los hogares de los participantes en lugar de en un laboratorio del sueño. Esto garantiza que Fitbit Charge 2 se haya evaluado en un entorno ecológicamente válido; esto también garantiza la minimización de la posible interrupción del sueño por un entorno desconocido.

En la fase de recolección de datos, los participantes rastrearon su sueño durante 3 noches consecutivas en sus hogares. Siguiendo la práctica común en la ciencia del sueño, analizamos la segunda noche para cada participante para eliminar el primer efecto nocturno . Si los datos de la segunda noche no eran válidos, se analizaron los datos de la tercera noche. Los datos de la primera noche solo se seleccionaron cuando ni la segunda noche ni la tercera noche eran válidas.

Los datos de sueño de Fitbit se recuperaron a través de la interfaz de programa de aplicaciones (API) de Fitbit. Fitbit Charge 2 proporciona datos de sueño en 2 niveles a través de la API pública. Los datos del nivel de etapa comprenden los niveles de la etapa de sueño, que incluyen vigilia, sueño ligero, sueño profundo y sueño REM. Estos datos se agregan a una granularidad de 30 segundos, que cumple con la estadificación estándar del sueño en el entorno clínico. Si los datos de nivel de etapa no están disponibles, se proporcionarán los datos de nivel clásico como alternativa. Los datos de nivel clásico comprenden los niveles de patrón de sueño, incluidos los niveles dormido, inquieto y despierto, y se agregan con una granularidad más gruesa de 60 segundos. En este estudio, nos interesaron los datos de sueño a nivel de etapa, y se descartaron los datos de nivel clásico, ya que no contenían información sobre sueño profundo, sueño ligero y sueño REM.

Los datos del dispositivo médico fueron analizados por la compañía Sleep Well, utilizando algoritmos de puntuación automáticos patentados, seguidos de una inspección visual época por época por especialistas sobre la base de estándares establecidos , y se agregaron correcciones si era necesario. Los datos de Fitbit y los datos médicos se sincronizaron para garantizar que la hora de inicio estuviera alineada.

Para examinar el efecto de los factores específicos del usuario en la precisión de la medición, también se recopilaron datos sobre los factores enumerados en la Tabla 1. La edad y el sexo se basaron en el autoinforme, y el IPS se midió mediante el cuestionario IPS. Las métricas de calidad del sueño se derivaron de los datos médicos.

Análisis estadístico

El objetivo general del análisis fue doble. Nuestro objetivo era examinar la precisión de Fitbit Charge 2 para medir las transiciones de la etapa de sueño en comparación con un dispositivo médico. También nos interesaron las asociaciones de factores específicos del usuario con la precisión de medición de Fitbit Charge 2. Todos los niveles de significación estadística notificados fueron de 2 caras, y el análisis estadístico se realizó utilizando el software estadístico R versión 3.5.3 (The R Foundation).

En primer lugar, la estadística descriptiva de los parámetros del sueño se derivó de los datos médicos. Se utilizó la prueba t emparejada de 2 colas para determinar si había diferencias estadísticamente significativas en los patrones de sueño entre hombres y mujeres, así como entre participantes menores de 25 años y mayores de 25 años. En segundo lugar, las probabilidades de transición de la etapa de sueño se calcularon dividiendo el número de transiciones de un estado de sueño específico a un estado de sueño específico por el número total de transiciones de ese estado específico a todos los estados de sueño (incluida la permanencia en el mismo estado). Como se muestra en la Figura 2, { X, Y y B } se derivan de { W, L, D y R } y nX→Y es el número de transiciones de la etapa de sueño X a Y durante toda una noche de sueño. Las siglas W, L, D y R son las abreviaturas para vigilia, sueño ligero, sueño profundo y sueño REM. Las probabilidades de transición en la etapa de sueño se calcularon a partir de datos de Fitbit y datos médicos para cada participante y luego se promediaron en toda la cohorte para obtener las probabilidades promedio de transición en la etapa de sueño. La diferencia sistemática entre los 2 dispositivos se evaluó mediante la aplicación de la prueba t pareada en las probabilidades de transición de la etapa de sueño. A Valor P inferior .05 fue considerado estadísticamente significativo. Se examinó el nivel de concordancia entre 2 dispositivos utilizando los gráficos Bland-Altman .

Ver esta imagen

Ver esta figura

El porcentaje absoluto de error eX→Y se calculó utilizando la ecuación de la Figura 3, donde { X, Y y B } se derivan de { W, L, D y R}, sFX→Y y sMX→Y son la probabilidad de transición de la etapa de sueño X a Y, derivada de datos de Fitbit y datos médicos.

Para examinar el efecto de los factores específicos del usuario en el error porcentual absoluto, el conjunto de datos se dividió en 2 subconjuntos de acuerdo con los valores de umbral de corte enumerados en la Tabla 1. Se realizó la prueba de rango con signo de Wilcoxon para examinar si había diferencias significativas entre los 2 subconjuntos en términos de las métricas de resultados del sueño (probabilidades de transición en la etapa de sueño). La selección de los valores de umbral de corte estuvo en línea con la literatura en la ciencia del sueño .

Resultados

Estadística descriptiva

Participaron en el estudio un total de 28 adultos jóvenes sin enfermedades crónicas. Un total de 5 participantes fueron excluidos del análisis debido a que no se obtuvieron datos de sueño a nivel de etapa con Fitbit. Es decir, solo se obtuvieron datos de sueño de nivel clásico de estos participantes; los datos no tenían información sobre sueño ligero, profundo y REM. Por lo tanto, no fue posible calcular las probabilidades de transición en la etapa de sueño para estos participantes. Por lo tanto, el conjunto de datos final incluye datos de sueño de 23 participantes (hombres:mujeres=14:9). Este número de participantes es comparable al de otros estudios de validación . Todos los participantes eran estudiantes universitarios de entre 21 y 30 años (media 24,3, DE 2,7). Un total de 8 de los 23 participantes tenían un ICSQ superior a 5, lo que era indicativo de una calidad de sueño insatisfecha. Se encontraron diferencias estadísticamente significativas entre hombres y mujeres en cuanto al tiempo de vigilia (mujeres: 9,7 min; hombres: 22,8 min; P=.02) y la proporción de la etapa de sueño 1 (mujeres: 7,7 (%); hombres: 14,3 (%); P=.02). También comparamos los patrones de sueño entre participantes menores y mayores de 25 años. Se encontraron diferencias estadísticamente significativas en términos de PT (por debajo de 25 años: 308,7 min; por encima de 25 años: 396,8 min; P=.03), probabilidad de transición del sueño profundo al sueño ligero (menos de 25 años: 5,5%; mayores de 25 años: 1,5%; P=.02), y la probabilidad de permanecer en un sueño ligero (por debajo de los 25 años: 85,3 (%); por encima de los 25 años: 94,8 (%); P=.008).

Diferencias sistemáticas

La Tabla 2 presenta las probabilidades estimadas de transición en la etapa de sueño derivadas de datos médicos y datos de Fitbit, así como los resultados de la prueba t emparejada. Calculamos las probabilidades de transición en la etapa de sueño individualmente para cada participante y luego promediamos los resultados en toda la cohorte. Se muestra que las siguientes transiciones rara vez ocurrieron: sueño profundo para dormir y despertar REM, sueño ligero para dormir REM, sueño REM para dormir profundo y sueño REM para dormir ligero. Los resultados de la prueba t indicaron que había diferencias significativas entre las probabilidades de transición en la etapa de sueño medidas por Fitbit y las medidas por el dispositivo médico. Fitbit se desvió del dispositivo médico en todas las probabilidades de transición, excepto en la probabilidad de transición del sueño ligero al sueño REM (sFL→R = 0,9%; sML→R =1,7%), la probabilidad de transición del sueño profundo a la vigilia (sFD→W = sMD→W =0.2%), y la probabilidad de permanecer en la etapa de sueño REM (sFR→R = sMR→R =96,9%). En general, Fitbit subestimó la dinámica de transición de la etapa de sueño. Las probabilidades de permanecer en una etapa de sueño específica se sobreestimaron significativamente, mientras que las probabilidades de transiciones de una etapa específica a una etapa diferente se subestimaron en su mayoría.

Nivel de concordancia y correlaciones

Las figuras 4-6 muestran las gráficas Bland-Altman que comparan Fitbit Charge 2 con el dispositivo médico. Las discrepancias de los dispositivos para los resultados del sueño se representan en función de los resultados médicos de cada individuo. El sesgo medio varió de 0% (sR→R y sD→W) a aproximadamente 60% (sL→D). No más de 2 participantes estaban situados fuera del límite inferior del acuerdo o del límite superior del acuerdo.

De acuerdo con estudios previos , definimos el rango de error aceptable como ei ≤5%, ya que esto se aproxima a un estándar ampliamente aceptable de significancia estadística en la literatura . A partir de este criterio, no se encontró sesgo sistemático entre Fitbit y el dispositivo médico en la medición de sW→L, sW→R, sL→R, sD→W, sR→L, sR→D y sR→R.

La figura 4 muestra que no se encontró tendencia entre la diferencia y la media de sR→L, sL→R y sR→R. Por el contrario, la Figura 5 y la Figura 6 muestran tendencias claras de que las diferencias de medición fueron mayores para sL→L, sD→D y sW→W, y las diferencias fueron mayores para SW→L,sW→R, sW→D, sL→W, sL→D, sD→W, sD→L, sD→R, sR→W y sR→D. Estos hallazgos sugieren que la precisión de Fitbit Charge 2 en la medición de las transiciones de la etapa de sueño podría deteriorarse a medida que el sueño se volviera más dinámico (más transiciones entre diferentes etapas de sueño).

Ver esta imagen

Ver esta imagen

Ver esta figura

Efecto de Factores específicos del usuario

Los resultados de la prueba de rango con signo de Wilcoxon mostraron que la buena calidad subjetiva del sueño indicada por PSQI como inferior a 5 se asoció con errores disminuidos en la probabilidad de permanecer en la etapa de sueño profundo (PSQI<5, 132.1±173,1%; IPS≥5; 346,8±250,0%; P=.04), pero se asoció con un aumento de los errores en la probabilidad de transición del despertar al sueño REM (PSQI<5, 100,0±0,0%; PSQI≥5, 85,1±25,5%; P=.02).

El tiempo de vigilia superior a 30 min se asoció con un aumento de los errores en la probabilidad de transición del sueño ligero al sueño REM (WASO≥30, 265,8±176,5; WASO<30, 103,9±49,1%; P=.02), pero se asoció con una disminución de los errores en la probabilidad de transición de sueño ligero a vigilia (WASO≥30, 78,6±10,2%; WASO<30, 86,7±8,6%; P=.049), así como en la probabilidad de permanecer en vigilia (WASO≥30, 117.3±269.5%; WASO<30, 125.2±103.6%; P=.006).

SE por encima del 90% se asoció con un aumento de los errores de medición en la probabilidad de transición del sueño REM al sueño ligero (SE>90, 107,1±53,2%; SE≤90%, 55,9±40,4%; P=.047).

Además, edad menor de 25 años (edad<25, 7,9±5,4%; edad≥25, 3,1±2,3%; P=.01), latencia de inicio del sueño (SOL) inferior a 30 min (SOL<30, 8,6±5,8%; SOL≥30, 4,1±3,4%; P=.02), y relación de sueño profundo por encima del 20% (sueño de onda lenta; SWS<20%, 3,9±3,5%; SWS≥20, 9,5±5,2; P=.007) se asociaron con un ligero aumento del error de medición en la probabilidad de permanecer en la etapa de sueño ligero. Sin embargo, los errores medios no superaron el 10% en todos los casos correspondientes.

No se encontraron asociaciones significativas entre los errores de medición de Fitbit y otros factores, como sexo, PT, SOL, relación de sueño ligero, relación de sueño REM y Tavg.

Discusión

Principales hallazgos

Hemos demostrado una comparación numérica de las probabilidades de transición en la etapa de sueño entre Fitbit Charge 2 y el dispositivo médico. El nivel y los límites de acuerdo entre los 2 tipos de dispositivos se ilustraron utilizando gráficos Bland-Altman. Se presentaron los resultados de la prueba de rango con signo de Wilcoxon para demostrar las asociaciones entre los factores específicos del usuario y los errores de medición. Este estudio generó 2 hallazgos principales. En primer lugar, descubrimos que Fitbit Charge 2 subestimaba la dinámica de transición de la etapa de sueño en comparación con el dispositivo médico. En segundo lugar, la precisión del dispositivo se asoció principalmente con 3 factores específicos del usuario: la calidad subjetiva del sueño medida por PSQI, WASO y SE.

El análisis de transición de la etapa del sueño se ha utilizado para caracterizar la continuidad del sueño y la estabilidad temporal de episodios no REM y REM en la ciencia del sueño . En este estudio, las probabilidades de transición en la etapa del sueño derivadas de los datos médicos demostraron patrones interesantes. Como era de esperar, la probabilidad de que cualquier etapa del sueño permaneciera en la misma etapa era constantemente mayor que la de que esta etapa cambiara a una etapa diferente. Rara vez se produjo una transición directa entre el sueño profundo y el sueño REM. La probabilidad de transiciones de vigilia a sueño profundo o de vigilia a sueño REM fue baja. De manera similar, la probabilidad de transición del sueño profundo a la vigilia también fue baja. Estas características fueron consistentes con los hallazgos reportados en estudios previos del sueño sobre patrones de transición de la etapa del sueño en personas sanas .

La transición de la etapa de sueño es el resultado de interacciones complejas entre muchas regiones cerebrales. Al no ser capaces de detectar marcadores en las ondas cerebrales, como los complejos k , las pulseras de consumo tienen un rendimiento limitado en la clasificación de las etapas del sueño. Estudios anteriores muestran que los dispositivos Fitbit Charge 2 sobreestimaron significativamente el sueño ligero y subestimaron el sueño profundo cuando se validaron en entornos de laboratorio , mientras que subestimaron el sueño profundo y sobreestimaron el sueño ligero y REM cuando se validaron en condiciones de vida libre . Este estudio complementa los hallazgos anteriores y aporta nuevos conocimientos sobre la capacidad de Fitbit para capturar transiciones en la etapa de sueño. En general, observamos que Fitbit Charge 2 se desvió significativamente del dispositivo médico en la medición de la dinámica de transición de la etapa de sueño. En particular, las probabilidades promedio de permanecer en la etapa de vigilia y en la etapa profunda medidas por Fitbit fueron significativamente más altas que las medidas por el dispositivo médico. Por el contrario, Fitbit subestimó las probabilidades de transiciones de etapa de sueño ligero a despertar y de sueño ligero a sueño profundo. Esto es probablemente debido a la clasificación errónea de las épocas de vigilia y sueño profundo a sueño ligero . El sesgo sistemático (entre el 40% y el 60%) se ilustró en las gráficas de Bland-Altman sobre estas probabilidades de transición en la etapa de sueño. Por otro lado, no se observó sesgo sistemático ni diferencia de medias en la medición de la probabilidad de permanecer en la etapa de sueño REM. Este resultado proporciona evidencia complementaria al hallazgo en el estudio de De Zambotti et al de que Fitbit Charge 2 coincidió bien con los dispositivos médicos en la detección del sueño REM.

Un aspecto único de este estudio es que también examinamos el efecto de factores específicos del usuario y encontramos múltiples asociaciones. Nuestro análisis mostró que la calidad subjetiva del sueño medida por PSQI, WASO después de despertar y SE fueron predictores significativamente fuertes de errores de medición en las probabilidades de transición de la etapa de sueño. La edad, el SOL y la relación de sueño profundo fueron predictores significativos pero débiles, mientras que el sexo, la PT, la relación de sueño ligero, la relación de sueño REM y el ciclo de sueño promedio no se asociaron con los errores de medición de Fitbit.

A pesar del hallazgo de estudios de validación anteriores de que la mala calidad del sueño se asocia con el deterioro del rendimiento de los dispositivos de monitoreo del sueño en la medición de las métricas polisomnográficas del sueño , este estudio revela que la relación es más complicada entre la calidad del sueño y la precisión del dispositivo en la medición de las transiciones de la etapa del sueño. De hecho, encontramos que una buena calidad subjetiva del sueño (PSQI<5) se asoció con una disminución del error de medición en la probabilidad de permanecer en la etapa de sueño profundo, y un sueño menos fragmentado (WASO<30 min) se asoció con una disminución de los errores en la probabilidad de transición del sueño ligero al sueño REM. Sin embargo, también se encontró que un buen sueño se caracteriza por un inicio rápido del sueño (SOL<30 min), una alta proporción de sueño profundo (SWS>20%), una buena sensación subjetiva (PSQI<5), despertares cortos (WASO<30 min) y SE alta (SE>90%) se asociaron con un aumento de errores de medición en diferentes probabilidades de transición de resultados. Este resultado contradice los hallazgos previos en la actigrafía que deterioraban el sueño (por ejemplo, WASO largo y SOL) y aumentaban los errores de medición . Esta disparidad sugiere que los hallazgos relacionados con la actigrafía clínica no deben generalizarse a las pulseras de los consumidores sin una validación adicional.

Además, se encontró que la edad era un predictor significativo pero débil de errores de medición. Los participantes en el rango de edad de 25 a 30 años tenían errores de medición disminuidos en la probabilidad de permanecer en la etapa de sueño ligero en comparación con los menores de 25 años. Como la edad ha sido ampliamente reconocida como un factor significativo que altera los patrones de sueño , el efecto de la edad también puede remontarse a la diferencia en los patrones de sueño subyacentes. Los datos médicos del sueño mostraron que los participantes más jóvenes generalmente tenían un sueño más corto y una dinámica de transición de la etapa de sueño más alta (transición del sueño profundo al sueño ligero), lo que puede explicar el aumento de los errores de medición. Sin embargo, este hallazgo no debe generalizarse a un amplio rango de grupos de edad debido al muestreo restringido de la edad en este estudio. Se necesitan más estudios para examinar sistemáticamente el efecto de la edad en la precisión del dispositivo.

Nuestros hallazgos complementan los de estudios de validación previos sobre pulseras para consumidores para el seguimiento del sueño en general. Fitbit Charge 2 ha demostrado un rendimiento satisfactorio en la medición de TST y SE, pero sigue siendo incapaz de clasificar las etapas de sueño con una buena precisión . Nuestros hallazgos muestran que Fitbit Charge 2 también puede subestimar la dinámica de transición del sueño, por lo que debe usarse con precaución. Este estudio establece una referencia preliminar para los investigadores que tienen la intención de usar el dispositivo Fitbit para medir las transiciones de la etapa del sueño en estudios científicos, y este estudio sugiere que es posible que sea necesario tener en cuenta los patrones de sueño percibidos y objetivos al elegir herramientas de monitoreo del sueño.

Limitaciones

Este estudio está sujeto a las siguientes limitaciones. En primer lugar, los participantes representan a una población joven y saludable que estaba libre de trastornos del sueño o enfermedades crónicas. Por lo tanto, los resultados no se pueden generalizar a poblaciones mayores o clínicas. En segundo lugar, la fase de recolección de datos no fue de naturaleza longitudinal, y solo se analizó 1 noche de sueño de cada participante. Por lo tanto, los resultados pueden no contar las variaciones intrapersonales. En tercer lugar, la lista de posibles factores afectantes investigados en este estudio no fue exhaustiva y puede verse afectada por un muestreo restringido. La investigación adicional debe abordar estas limitaciones incluyendo una población diversa, extendiendo la duración de la recolección de datos y examinando el efecto de otros predictores potenciales de la precisión del dispositivo.

Conclusiones

Hemos demostrado que Fitbit Charge 2 subestimó significativamente la dinámica de transición de la etapa del sueño en comparación con el dispositivo médico y que la precisión de la medición podría verse afectada principalmente por la calidad percibida del sueño, la continuidad del sueño y la SE. A pesar de la tendencia positiva de mejorar la precisión de los últimos rastreadores de sueño portátiles para el consumidor, es necesario reconocer la limitación de estos dispositivos para detectar la dinámica de transición de la etapa de sueño. Como herramienta de medición de resultados, Fitbit Charge 2 puede no ser adecuado para estudios de investigación relacionados con las transiciones de la etapa del sueño o para la toma de decisiones de atención médica. La investigación adicional debe centrarse en mejorar la precisión de estas pulseras de consumo para medir no solo los parámetros polisomnográficos, sino también la dinámica de transición de la etapa de sueño.