Introduction

Importance des Dispositifs de suivi du sommeil des consommateurs

Un sommeil réparateur suffisant est essentiel pour la santé physique et mentale. Ces dernières années, les bracelets de surveillance du sommeil des consommateurs et les applications de téléphonie mobile associées ont créé un moyen efficace pour les individus de comprendre leurs habitudes de sommeil personnelles ou d’améliorer la qualité du sommeil au quotidien. Ces appareils sont relativement abordables, faciles à utiliser et prêts à l’achat sur le marché des consommateurs. La plupart des bracelets de consommation reposent sur un mécanisme similaire d’actigraphie clinique qui déduit les cycles de réveil et de sommeil du mouvement des membres. Les modèles nouvellement lancés intègrent également d’autres flux de biosignaux, tels que la fréquence cardiaque pour mesurer les stades du sommeil. Les utilisateurs peuvent visualiser l’hypnogramme de sommeil d’une nuit entière (la séquence temporelle des étapes du sommeil) et les paramètres de sommeil agrégés, tels que le temps de sommeil total (TST) et le ratio de chaque étape du sommeil sur un tableau de bord. Il existe de plus en plus de preuves que les bracelets de surveillance du sommeil des consommateurs sensibilisent à la santé du sommeil et ont un impact positif sur l’hygiène personnelle du sommeil, bien que l’impact à long terme de ces technologies n’ait pas été élucidé. Entre-temps, les chercheurs et les cliniciens adoptent de plus en plus les bracelets de consommation, tels que les appareils Fitbit, comme outils de mesure des résultats dans les études de recherche. Par rapport à la polysomnographie traditionnelle (PSG), les appareils Fitbit réduisent considérablement le temps et le coût monétaire de la collecte de données longitudinales sur le sommeil, et ils pourraient fournir des informations riches qu’il n’était pas possible de collecter en dehors des laboratoires ou des cliniques de sommeil dans le passé. Les participants peuvent utiliser les appareils dans des conditions de vie libres, sans avoir besoin d’un support technique constant. La nouvelle génération de dispositifs Fitbit pourrait également surpasser l’actigraphie clinique, car ils exploitent plusieurs flux de biosignaux pour la mise en scène du sommeil, alors que l’actigraphie ne peut détecter le réveil et le sommeil que sur la base du mouvement des membres.

Précision des dispositifs de suivi du sommeil des consommateurs

Alors que les bracelets de surveillance du sommeil des consommateurs continuent de gagner en popularité, leur limitation de la précision des mesures a suscité de grandes inquiétudes quant à la qualité des données collectées à l’aide de ces dispositifs. Des données de mauvaise qualité peuvent induire les utilisateurs en erreur pour arriver à de mauvaises conclusions sur leur sommeil. De plus, la qualité des données est une priorité absolue pour les chercheurs qui ont l’intention d’utiliser ces appareils dans des études scientifiques. Par conséquent, la compréhension de la validité des trackers de sommeil des consommateurs présente des avantages pratiques à la fois pour les utilisateurs individuels et pour la communauté de recherche. En réponse à ce besoin, de nombreuses études ont examiné la précision des trackers de sommeil populaires par rapport aux dispositifs médicaux en termes de métriques de sommeil agrégées, y compris le TST, le réveil après l’apparition du sommeil (WASO), l’efficacité du sommeil (SE) et les stades du sommeil, c’est-à-dire le sommeil léger, le sommeil profond et le sommeil paradoxal. Ces études montrent que les modèles précédents de bracelets de consommation ont un problème commun de surestimation du sommeil et de sous-estimation du réveil. Les modèles récents, tels que Fitbit Charge 2, qui reposent sur plusieurs flux de biosignaux ont des performances satisfaisantes pour mesurer la TST et la SE, mais ne parviennent pas à produire des résultats précis pour classer les stades de sommeil.

Bien que le corps principal des études de validation ait été principalement axé sur les métriques polysomnographiques (par exemple, TST, WASO, sensibilité et spécificité), la performance des bracelets de consommation dans la mesure des transitions du stade du sommeil reste inconnue. La recherche sur le sommeil a montré que les probabilités de transition du stade du sommeil comprennent de riches informations sur les habitudes de sommeil, qui ont été considérées comme plus efficaces que les paramètres polysomnographiques pour caractériser la stabilité du sommeil. L’anomalie de transition au stade du sommeil est un indicateur important des troubles du sommeil. Certaines études se sont également appuyées sur les probabilités de transition au stade du sommeil pour évaluer l’effet du traitement. La signification clinique de la dynamique de transition du stade du sommeil suggère la nécessité d’inclure des métriques pertinentes (probabilités de transition du stade du sommeil) comme paramètres de sommeil des résultats dans les études de validation. Dans la figure 1, une visualisation de la dynamique de transition du stade du sommeil est présentée. La probabilité totale de transition d’un seul État vers d’autres États (y compris le maintien dans le même état) est toujours de 1. Le SX → Y représente la probabilité de transition du stade de sommeil X à Y. Les {X, Y} sont dérivés de {W, L, D, R}, qui sont des abréviations pour le réveil, le sommeil léger, le sommeil profond et le sommeil paradoxal. Par exemple, sW→R indique la probabilité de transition du réveil au sommeil paradoxal, et SW→W indique la probabilité de rester au réveil.

Importance de cette étude

Cette étude visait à déterminer si elle mesurerait avec précision les transitions de phase du sommeil (les probabilités de transition entre le sommeil éveillé, léger, profond et paradoxal) à l’aide de Fitbit Charge 2. Malgré les nombreuses études de validation, la précision des bracelets de consommation dans la mesure de la transition du stade du sommeil n’a pas été étudiée. Nous avons également examiné les facteurs associés aux erreurs de mesure sur les probabilités de transition au stade du sommeil. Des études de validation antérieures sur d’autres types d’appareils portables ont révélé que la précision de l’appareil pouvait varier en fonction des habitudes de sommeil sous-jacentes, de la population étudiée et même de la façon dont le mesurande était défini. Dans le même ordre d’idées, nous avons sélectionné un ensemble de variables indépendantes (prédicteurs possibles), notamment les caractéristiques démographiques des participants, la qualité subjective du sommeil mesurée par l’Indice de qualité du sommeil de Pittsburgh (PSQI) et la qualité objective du sommeil dérivée de données médicales. Les variables dépendantes étaient les erreurs en pourcentage absolues de Fitbit Charge 2 sur les probabilités de transition du stade de sommeil par rapport au dispositif médical. Les résultats de cette étude complètent les études de validation antérieures et contribuent à l’établissement d’une vision holistique de la capacité des bracelets de consommation à mesurer la structure du sommeil dans des conditions de vie libres. Cette étude établit également une référence préliminaire pour les chercheurs qui ont l’intention d’utiliser Fitbit pour mesurer les transitions de phase de sommeil et pour les utilisateurs individuels qui s’appuient sur les données de sommeil de Fitbit pour prendre des décisions de santé.

Voir cette figure

Méthodes

Recrutement

Nous avons recruté des participants en distribuant des affiches sur le campus de l’Université de Tokyo. Au total, 38 personnes se sont intéressées par le biais d’un formulaire en ligne, dont 28 (74%) étaient admissibles à participer à l’étude. Les critères d’inclusion exigeaient que les participants soient des adultes (âge > 18 ans), qu’ils ne souffrent pas de maladies chroniques diagnostiquées et qu’ils puissent assister à un briefing avant la phase de collecte des données. Cette recherche a été approuvée par le comité d’éthique de l’Université de Tokyo. Tous les participants ont donné leur consentement éclairé.

Procédures d’étude

Un briefing en face à face a été organisé avec chaque participant individuellement avant la phase de collecte des données. Lors de cette réunion, nous avons installé l’application Fitbit sur les téléphones mobiles des participants et fourni des instructions verbales sur l’utilisation des appareils et la synchronisation de l’appareil Fitbit avec son application pour téléphone mobile. Les participants ont reçu les éléments suivants pour la collecte de données: une charge Fitbit 2, un dispositif médical nommé Lunette de sommeil, des électrodes, des chargeurs et des manuels. À la fin de la séance d’information, les participants ont été invités à remplir un questionnaire PSQI pour mesurer leur qualité de sommeil perçue. Le PSQI est un instrument largement utilisé pour évaluer la qualité subjective du sommeil moyennée au cours du dernier mois 1, et un PSQI≥5 est révélateur d’un mauvais sommeil perçu. Nous avons collecté le PSQI, car il peut être associé à la précision de mesure de Fitbit. Plus de détails sur les facteurs d’association potentiels de la précision des mesures seront fournis dans la section suivante.

Après le briefing, les participants ont mesuré leur sommeil à l’aide des deux appareils pendant 3 nuits consécutives chez eux pour s’assurer que Fitbit Charge 2 était évalué dans un cadre écologiquement valide. On leur a demandé de porter le Fitbit au poignet non dominant lors de la collecte de données. Tous les participants ont reçu une récompense monétaire lorsqu’ils ont retourné les appareils après la collecte des données.

Collecte de données

Dans cette étude, nous avons recueilli des données sur le sommeil simultanément à l’aide de Fitbit Charge 2 et d’un dispositif médical. Fitbit Charge 2 (Fitbit Inc) est un bracelet d’activité portable avec un accéléromètre triaxial intégré. Il estime les étapes du sommeil pour chaque période de 30 secondes en intégrant les données de mouvement et de fréquence cardiaque d’un utilisateur. Avec les progrès des logiciels et du matériel, Fitbit Charge 2 a surmonté certains problèmes des modèles précédents, et il est capable de mesurer TST et SE avec une bonne précision. Un moniteur de sommeil médical nommé Sleep Scope (Sleep Well Co) a été utilisé pour obtenir la vérité du sol sur les hypnogrammes du sommeil. Sleep Scope est un électroencéphalogramme monocanal de qualité clinique (Certification de dispositif médical japonais 225ADBZX00020000), qui a été validé par rapport au PSG (accord = 86,9%, valeur moyenne de Cohen Kappa = 0,75). La portée du sommeil a été choisie par rapport au PSG car elle permettait la collecte de données chez les participants plutôt que dans un laboratoire de sommeil. Cela garantit que Fitbit Charge 2 a été évalué dans un cadre écologiquement valide; cela garantit également la minimisation de la perturbation possible du sommeil par un environnement inconnu.

Au cours de la phase de collecte des données, les participants ont suivi leur sommeil pendant 3 nuits consécutives chez eux. Suivant la pratique courante en science du sommeil, nous avons analysé la deuxième nuit pour chaque participant afin de supprimer l’effet de la première nuit. Si les données de la deuxième nuit n’étaient pas valides, les données de la troisième nuit étaient analysées. Les données de la première nuit n’ont été sélectionnées que lorsque ni la deuxième ni la troisième nuit n’étaient valides.

Les données de sommeil de Fitbit ont été récupérées via l’interface de programme d’application (API) de Fitbit. Fitbit Charge 2 fournit des données de sommeil à 2 niveaux via une API publique. Les données de niveau d’étape comprennent les niveaux d’étape de sommeil, y compris le réveil, le sommeil léger, le sommeil profond et le sommeil paradoxal. Ces données sont agrégées à une granularité de 30 secondes, ce qui est conforme au stade standard du sommeil en milieu clinique. Si les données de niveau de scène ne sont pas disponibles, les données de niveau classique seront fournies comme alternative. Les données de niveau classiques comprennent les niveaux de modèle de sommeil, y compris endormi, agité et éveillé, et elles sont agrégées à une granularité plus grossière de 60 secondes. Dans cette étude, nous nous sommes intéressés aux données de sommeil au niveau du stade, et les données de niveau classiques ont été rejetées, car elles ne contenaient aucune information sur le sommeil profond, le sommeil léger et le sommeil paradoxal.

Les données du dispositif médical ont été analysées par la société Sleep Well, à l’aide d’algorithmes de notation automatique propriétaires, suivies d’une inspection visuelle époque par époque par des spécialistes sur la base de normes établies, et des corrections ont été ajoutées si nécessaire. Les données Fitbit et les données médicales ont été synchronisées pour s’assurer que l’heure de début était alignée.

Pour examiner l’effet des facteurs spécifiques à l’utilisateur sur la précision des mesures, nous avons également recueilli des données sur les facteurs énumérés dans le tableau 1. L’âge et le sexe étaient fondés sur l’autodéclaration, et l’IQSP a été mesurée par le questionnaire de l’IQSP. Les mesures de la qualité du sommeil ont toutes été dérivées des données médicales.

Analyse statistique

L’objectif global de l’analyse était double. Nous avions pour objectif d’examiner la précision de Fitbit Charge 2 dans la mesure des transitions de phase de sommeil par rapport à un dispositif médical. Nous nous sommes également intéressés aux associations de facteurs spécifiques à l’utilisateur avec la précision de mesure de Fitbit Charge 2. Tous les niveaux de signification statistique signalés étaient recto-verso, et l’analyse statistique a été effectuée à l’aide de la version 3.5.3 du logiciel statistique R (La Fondation R).

Tout d’abord, la statique descriptive des paramètres du sommeil a été dérivée des données médicales. Un test t à 2 queues jumelé a été utilisé pour déterminer s’il existait des différences statistiquement significatives sur les habitudes de sommeil entre les hommes et les femmes, ainsi qu’entre les participants de moins de 25 ans et de plus de 25 ans. Deuxièmement, les probabilités de transition au stade du sommeil ont été calculées en divisant le nombre de transitions d’un état de sommeil spécifique à un état de sommeil spécifique par le nombre total de transitions de cet état spécifique à tous les états de sommeil (y compris rester dans le même état). Comme le montre la figure 2, {X, Y et B} sont dérivés de {W, L, D et R} et nX→Y est le nombre de transitions du stade de sommeil X à Y pendant une nuit entière de sommeil. Les W, L, D et R sont les abréviations de réveil, sommeil léger, sommeil profond et sommeil paradoxal. Les probabilités de transition au stade du sommeil ont été calculées à partir des données Fitbit et des données médicales pour chaque participant, puis moyennées sur l’ensemble de la cohorte pour obtenir les probabilités moyennes de transition au stade du sommeil. La différence systématique entre les 2 appareils a été évaluée en appliquant un test t apparié sur les probabilités de transition au stade du sommeil. Une valeur P ci-dessous.05 a été considéré comme statistiquement significatif. Le niveau d’accord entre 2 appareils a été examiné à l’aide des tracés Bland-Altman.

Voir cette figure

Le pourcentage d’erreur absolu eX→Y a été calculé à l’aide de l’équation de la figure 3, où {X, Y et B} sont dérivés de {W, L, D et R}, sFX→Y et sMX→Y sont la probabilité de transition du stade de sommeil X à Y, dérivée des données Fitbit et des données médicales.

Pour examiner l’effet des facteurs spécifiques à l’utilisateur sur le pourcentage d’erreur absolu, l’ensemble de données a été divisé en 2 sous-ensembles selon les valeurs seuils de seuil énumérées dans le tableau 1. Un test de rang signé de Wilcoxon a été effectué pour examiner s’il existait des différences significatives entre les 2 sous-ensembles en termes de mesures du sommeil des résultats (probabilités de transition du stade du sommeil). La sélection des valeurs de seuil de coupure était conforme à la littérature en science du sommeil.

Résultats

Statistiques descriptives

Au total, 28 jeunes adultes sans maladie chronique ont participé à l’étude. Au total, 5 participants ont été exclus de l’analyse en raison de l’impossibilité d’obtenir des données de sommeil au niveau du stade avec Fitbit. C’est-à-dire que seules des données de sommeil de niveau classique ont été obtenues auprès de ces participants; les données ne contenaient aucune information sur le sommeil léger, profond et paradoxal. Par conséquent, il n’a pas été possible de calculer les probabilités de transition du stade du sommeil pour ces participants. L’ensemble de données final comprend donc les données de sommeil de 23 participants (hommes: femmes = 14:9). Ce nombre de participants est comparable à d’autres études de validation. Tous les participants étaient des étudiants universitaires âgés de 21 à 30 ans (moyenne 24,3, SD 2,7). Au total, 8 des 23 participants avaient un QSP supérieur à 5, ce qui indiquait une qualité de sommeil insatisfaite. Des différences statistiquement significatives ont été observées entre les hommes et les femmes en termes de temps de réveil (femmes : 9,7 min; hommes: 22,8 min; P =.02) et le rapport du stade de sommeil 1 (femmes: 7,7 (%); hommes: 14,3 (%); P =.02). Nous avons également comparé les habitudes de sommeil des participants de moins de 25 ans et de plus de 25 ans. Des différences statistiquement significatives ont été trouvées en termes de TST (moins de 25 ans: 308,7 min; au-dessus de 25 ans: 396,8 min; P =.03), probabilité de transition du sommeil profond au sommeil léger (moins de 25 ans: 5,5%; au-dessus de 25 ans : 1,5%; P =.02), et la probabilité de rester dans un sommeil léger (en dessous de 25 ans: 85,3 (%); au-dessus de 25 ans: 94,8 (%); P =.008).

Différences systématiques

Le tableau 2 présente les probabilités estimées de transition du stade de sommeil dérivées des données médicales et des données Fitbit, ainsi que les résultats du test t apparié. Nous avons calculé les probabilités de transition au stade du sommeil individuellement pour chaque participant, puis fait la moyenne des résultats sur l’ensemble de la cohorte. Il est montré que les transitions suivantes se sont rarement produites: sommeil profond au sommeil paradoxal et au réveil, sommeil léger au sommeil paradoxal, sommeil paradoxal au sommeil profond et sommeil paradoxal au sommeil léger. Les résultats du test t ont indiqué qu’il y avait des différences significatives entre les probabilités de transition au stade du sommeil mesurées par Fitbit et celles mesurées par le dispositif médical. Fitbit s’est écarté du dispositif médical sur toutes les probabilités de transition à l’exception de la probabilité de transition du sommeil léger au sommeil paradoxal (sFL →R = 0,9%; sML →R = 1,7%), la probabilité de transition du sommeil profond au réveil (sFD →W = sMD →W = 0.2%), et la probabilité de rester en phase de sommeil paradoxal (sFR→R = sMR→R = 96,9%). En général, Fitbit a sous-estimé la dynamique de transition du stade du sommeil. Les probabilités de rester dans un stade de sommeil spécifique ont été significativement surestimées, tandis que les probabilités de transitions d’un stade spécifique à un stade différent ont été principalement sous-estimées.

Niveau d’accord et de corrélations

Les figures 4 à 6 montrent les graphiques de Bland-Altman comparant Fitbit Charge 2 avec le dispositif médical. Les écarts entre les appareils pour les résultats du sommeil sont tracés en fonction des résultats médicaux de chaque individu. Le biais moyen variait de 0 % (sR→R et sD→W) à environ 60 % (sL→D). Pas plus de 2 participants étaient situés en dehors de la limite inférieure de l’accord ou de la limite supérieure de l’accord.

Conformément aux études précédentes, nous avons défini la plage d’erreur acceptable comme ei ≤5%, car cela se rapproche d’une norme largement acceptable pour la signification statistique dans la littérature. Sur la base de ce critère, aucun biais systématique n’a été constaté entre Fitbit et le dispositif médical pour mesurer sW→L, sW→R, sL→R, sD→W, sR→L, sR→D et sR→R.

La figure 4 montre qu’aucune tendance n’a été trouvée entre la différence et la moyenne de sR→L, sL→R et sR→R. En revanche, les figures 5 et 6 montrent clairement que les différences de mesure étaient plus grandes pour les niveaux inférieurs de sL →L, sD →D et sW → W, et les différences étaient plus grandes pour les niveaux supérieurs de SW →L, sW → R, SW →D, sL → W, sL →D, sD → W, sD →L, sD →R, sR → W et sR →D. Ces résultats suggèrent que la précision de la charge Fitbit 2 dans la mesure des transitions de phase de sommeil pourrait être détériorée à mesure que le sommeil devenait plus dynamique (plus de transitions entre les différents stades de sommeil).

Voir cette figure

Effet de facteurs spécifiques à l’utilisateur

Les résultats du test de rang signé Wilcoxon ont montré qu’une bonne qualité de sommeil subjectif indiquée par PSQI comme inférieure à 5 était associée à une diminution des erreurs dans la probabilité de rester en phase de sommeil profond (PSQI <5, 132,1± 173,1%; PSQI≥5, 346,8 ±250,0%; P =.04), mais elle était associée à une augmentation des erreurs de probabilité de transition du réveil au sommeil paradoxal (PSQI < 5, 100,0±0,0%; PSQI≥5, 85,1±25,5%; P =.02).

Un temps de réveil supérieur à 30 min était associé à une augmentation des erreurs de probabilité de transition du sommeil léger au sommeil paradoxal (WASO≥30, 265,8±176,5; WASO < 30, 103,9±49,1%; P =.02), mais elle était associée à une diminution des erreurs de probabilité de transition du sommeil léger au réveil (WASO≥30, 78,6 ±10,2%; WASO <30, 86,7±8,6%; P =.049), ainsi que la probabilité de rester dans le sillage (WASO≥30, 117,3±269,5%; WASO <30, 125,2±103,6%; P =.006).

SE au-dessus de 90% était associé à une augmentation des erreurs de mesure dans la probabilité de transition du sommeil paradoxal au sommeil léger (SE > 90, 107,1 ±53,2%; SE≤90%, 55,9±40,4%; P =.047).

En outre, l’âge de moins de 25 ans (âge < 25, 7,9±5,4%; âge≥25, 3,1±2,3%; P =.01), latence d’apparition du sommeil (SOL) inférieure à 30 min (SOL < 30, 8,6 ±5,8%; SOL≥30, 4,1±3,4%; P =.02), et un taux de sommeil profond supérieur à 20% (sommeil à ondes lentes; SWS < 20%, 3,9±3,5%; SWS≥20, 9,5±5,2; P =.007) ont été associés à une légère augmentation de l’erreur de mesure de la probabilité de rester en phase de sommeil léger. Néanmoins, les erreurs moyennes ne dépassaient pas 10% dans tous les cas correspondants.

Aucune association significative n’a été trouvée entre les erreurs de mesure de Fitbit et d’autres facteurs, notamment le sexe, le TST, le SOL, le rapport de sommeil léger, le rapport de sommeil paradoxal et le Tavg.

Discussion

Principaux résultats

Nous avons démontré une comparaison numérique des probabilités de transition au stade du sommeil entre Fitbit Charge 2 et le dispositif médical. Le niveau et les limites d’accord entre les 2 types de dispositifs ont été illustrés à l’aide de tracés Bland-Altman. Les résultats du test de classement signé Wilcoxon ont été présentés pour démontrer les associations entre les facteurs spécifiques à l’utilisateur et les erreurs de mesure. Cette étude a généré 2 résultats principaux. Tout d’abord, nous avons constaté que Fitbit Charge 2 sous-estimait la dynamique de transition du stade de sommeil par rapport au dispositif médical. Deuxièmement, la précision de l’appareil était principalement associée à 3 facteurs spécifiques à l’utilisateur: la qualité subjective du sommeil mesurée par PSQI, WASO et SE.

L’analyse de transition du stade du sommeil a été utilisée pour caractériser la continuité du sommeil et la stabilité temporelle des épisodes non REM et REM en science du sommeil. Dans cette étude, les probabilités de transition du stade du sommeil dérivées des données médicales ont démontré des modèles intéressants. Comme prévu, la probabilité pour qu’un stade du sommeil reste au même stade était constamment supérieure à celle pour que ce stade passe à un stade différent. La transition directe entre le sommeil profond et le sommeil paradoxal s’est rarement produite. La probabilité de transitions du réveil au sommeil profond ou du réveil au sommeil paradoxal était faible. De même, la probabilité de transition du sommeil profond au réveil était également faible. Ces caractéristiques étaient cohérentes avec les résultats rapportés dans des études antérieures sur le sommeil sur les schémas de transition du stade du sommeil chez des personnes en bonne santé.

La transition au stade du sommeil est le résultat d’interactions complexes entre de nombreuses régions du cerveau. Ne pouvant pas détecter de marqueurs dans les ondes cérébrales, tels que les complexes k, les bracelets de consommation ont des performances limitées dans la classification des stades du sommeil. Des études antérieures ont montré que les appareils Fitbit Charge 2 surestimaient considérablement le sommeil léger et le sommeil profond lorsqu’ils étaient validés en laboratoire, alors qu’ils sous-estimaient le sommeil profond et surestimaient la lumière et le sommeil paradoxal lorsqu’ils étaient validés dans des conditions de vie libres. Cette étude complète les résultats précédents et apporte de nouvelles informations sur la capacité de Fitbit à capturer les transitions de phase de sommeil. Dans l’ensemble, nous avons observé que Fitbit Charge 2 s’écartait de manière significative du dispositif médical dans la mesure de la dynamique de transition du stade de sommeil. Notamment, les probabilités moyennes de rester en phase de sillage et en phase profonde mesurées par Fitbit étaient significativement plus élevées que celles mesurées par le dispositif médical. En revanche, Fitbit a sous-estimé les probabilités de transitions de scène du sommeil léger au réveil et du sommeil léger au sommeil profond. Cela est probablement dû à la classification erronée des époques de veille et de sommeil profond en sommeil léger. Un biais systématique (entre 40% et 60%) a été illustré dans les graphiques de Bland-Altman sur ces probabilités de transition au stade du sommeil. D’autre part, aucun biais systématique et différence moyenne n’ont été observés dans la mesure de la probabilité de rester au stade du sommeil paradoxal. Ce résultat fournit des preuves complémentaires à la conclusion de l’étude de De Zambotti et al selon laquelle Fitbit Charge 2 convenait bien aux dispositifs médicaux pour détecter le sommeil paradoxal.

Un aspect unique de cette étude est que nous avons également examiné l’effet de facteurs spécifiques à l’utilisateur et trouvé de multiples associations. Notre analyse a montré que la qualité subjective du sommeil mesurée par PSQI, wake after WASO et SE étaient des prédicteurs significativement forts des erreurs de mesure dans les probabilités de transition du stade du sommeil. L’âge, le SOL et le rapport de sommeil profond étaient des prédicteurs significatifs mais faibles, tandis que le sexe, le TST, le rapport de sommeil léger, le rapport de sommeil paradoxal et le cycle de sommeil moyen n’étaient pas associés aux erreurs de mesure de Fitbit.

Malgré les résultats d’études de validation antérieures selon lesquelles une mauvaise qualité du sommeil est associée à une détérioration des performances des dispositifs de surveillance du sommeil dans la mesure des métriques polysomnographiques du sommeil, cette étude révèle que la relation est plus compliquée entre la qualité du sommeil et la précision des dispositifs dans la mesure des transitions de phase du sommeil. En effet, nous avons constaté qu’une bonne qualité subjective du sommeil (PSQI < 5) était associée à une diminution de l’erreur de mesure de la probabilité de rester en phase de sommeil profond, et un sommeil moins fragmenté (WASO < 30 min) était associé à une diminution des erreurs de probabilité de transition du sommeil léger au sommeil paradoxal. Néanmoins, il est également constaté qu’un bon sommeil se caractérise par un début de sommeil rapide (SOL < 30 min), un rapport élevé de sommeil profond (SWS > 20%), un bon sentiment subjectif (PSQI < 5), des réveils courts (WASO < 30 min) et une SE élevée (SE> 90 %) ont été associées à une augmentation des erreurs de mesure dans différentes probabilités de transition des résultats. Ce résultat contredit les résultats précédents sur l’actigraphie selon lesquels la détérioration du sommeil (par exemple, long WASO et SOL) augmentait les erreurs de mesure. Cette disparité suggère que les résultats liés à l’actigraphie clinique ne devraient pas être généralisés aux bracelets de consommation sans validation supplémentaire.

De plus, l’âge s’est avéré être un prédicteur important mais faible des erreurs de mesure. Les participants de la tranche d’âge de 25 à 30 ans avaient une diminution des erreurs de mesure dans la probabilité de rester en phase de sommeil léger par rapport à ceux de moins de 25 ans. Comme l’âge a été largement reconnu comme un facteur important qui modifie les habitudes de sommeil, l’effet de l’âge peut également être attribué à la différence des habitudes de sommeil sous-jacentes. Les données sur le sommeil médical ont montré que les jeunes participants avaient généralement un sommeil plus court et une dynamique de transition du stade de sommeil plus élevée (transition du sommeil profond au sommeil léger), ce qui peut expliquer l’augmentation des erreurs de mesure. Néanmoins, cette conclusion ne devrait pas être généralisée à un large éventail de groupes d’âge en raison de l’échantillonnage restreint de l’âge dans cette étude. D’autres études sont nécessaires pour examiner systématiquement l’effet de l’âge sur la précision de l’appareil.

Nos résultats complètent ceux des études de validation précédentes sur les bracelets de consommation pour le suivi du sommeil en général. Fitbit Charge 2 a démontré des performances satisfaisantes dans la mesure de la TST et de la SE, mais il reste incapable de classer les stades de sommeil avec une bonne précision. Nos résultats montrent que Fitbit Charge 2 peut également sous-estimer la dynamique de transition du sommeil, et il doit donc être utilisé avec prudence. Cette étude établit une référence préliminaire pour les chercheurs qui ont l’intention d’utiliser l’appareil Fitbit pour mesurer les transitions du stade du sommeil dans des études scientifiques, et cette étude suggère que les habitudes de sommeil perçues et objectives peuvent devoir être prises en compte lors du choix des outils de surveillance du sommeil.

Limitations

Cette étude est soumise aux limitations suivantes. Premièrement, les participants représentent une population jeune et en bonne santé, exempte de troubles du sommeil ou de maladies chroniques. Par conséquent, les résultats ne peuvent pas être généralisés aux populations plus âgées ou cliniques. Deuxièmement, la phase de collecte des données n’était pas de nature longitudinale et seule une nuit de sommeil de chaque participant a été analysée. Ainsi, les résultats peuvent ne pas compter les variations intrapersonnelles. Troisièmement, la liste des facteurs d’incidence potentiels étudiés dans cette étude n’était pas exhaustive, et elle pourrait être affectée par un échantillonnage restreint. D’autres recherches devraient aborder ces limites en incluant une population diversifiée, en prolongeant la durée de la collecte des données et en examinant l’effet d’autres prédicteurs potentiels de la précision des appareils.

Conclusions

Nous avons démontré que Fitbit Charge 2 a considérablement sous-estimé la dynamique de transition du stade du sommeil par rapport au dispositif médical et que la précision des mesures pouvait être principalement affectée par la qualité du sommeil perçue, la continuité du sommeil et la SE. Malgré la tendance positive de l’amélioration de la précision des derniers trackers de sommeil portables grand public, la limitation de ces dispositifs dans la détection de la dynamique de transition du stade du sommeil doit être reconnue. En tant qu’outil de mesure des résultats, Fitbit Charge 2 peut ne pas être adapté aux études de recherche liées aux transitions du stade du sommeil ou à la prise de décision en matière de soins de santé. D’autres recherches devraient se concentrer sur l’amélioration de la précision de ces bracelets de consommation pour mesurer non seulement les paramètres polysomnographiques, mais également la dynamique de transition du stade du sommeil.