Introduzione

Importanza dei dispositivi di localizzazione del sonno dei consumatori

Avere un sonno ristoratore sufficiente è essenziale per la salute fisica e mentale . Negli ultimi anni, i braccialetti di monitoraggio del sonno dei consumatori e le app per telefoni cellulari associate hanno creato un modo efficace per comprendere i modelli di sonno personali o migliorare la qualità del sonno nelle impostazioni quotidiane . Questi dispositivi sono relativamente convenienti, facili da usare e pronti per l’acquisto nel mercato consumer. La maggior parte dei braccialetti dei consumatori si basa su un meccanismo simile di actigrafia clinica che deduce i cicli di veglia e sonno dal movimento degli arti . I modelli appena lanciati incorporano anche altri flussi di segnali biologici, come la frequenza cardiaca per misurare le fasi del sonno. Gli utenti possono visualizzare l’ipnogramma del sonno di un’intera notte (la sequenza temporale delle fasi del sonno) e i parametri aggregati del sonno, come il tempo di sonno totale (TST) e il rapporto di ogni fase del sonno su una dashboard . Ci sono prove crescenti che i braccialetti di monitoraggio del sonno dei consumatori aumentano la consapevolezza della salute del sonno e hanno un impatto positivo sull’igiene personale del sonno , anche se l’impatto a lungo termine di queste tecnologie non è stato chiarito . Nel frattempo, ricercatori e medici stanno adottando sempre più braccialetti di consumo, come i dispositivi Fitbit, come strumenti di misurazione dei risultati negli studi di ricerca . Rispetto alla polisonnografia tradizionale (PSG), i dispositivi Fitbit riducono significativamente il tempo e il costo monetario per la raccolta dei dati longitudinali del sonno e potrebbero fornire informazioni ricche che in passato non era possibile raccogliere al di fuori dei laboratori o delle cliniche del sonno. I partecipanti possono utilizzare i dispositivi in condizioni di vita libera, senza la necessità di un supporto tecnico costante. La nuova generazione di dispositivi Fitbit potrebbe anche sovraperformare l’actigrafia clinica, poiché sfruttano più flussi di biosegnali per la stadiazione del sonno, mentre l’actigrafia è in grado di rilevare solo la veglia e il sonno sulla base del movimento degli arti .

Precisione dei dispositivi di monitoraggio del sonno dei consumatori

Poiché i braccialetti di monitoraggio del sonno dei consumatori continuano a guadagnare popolarità, la loro limitazione nell’accuratezza della misurazione ha sollevato ampie preoccupazioni sulla qualità dei dati raccolti utilizzando questi dispositivi . Dati di bassa qualità possono indurre in errore gli utenti per arrivare a conclusioni sbagliate del loro sonno. Inoltre, la qualità dei dati è di massima priorità per i ricercatori che intendono utilizzare questi dispositivi negli studi scientifici. Pertanto, comprendere la validità dei tracker del sonno dei consumatori ha un vantaggio pratico sia per i singoli utenti che per la comunità di ricerca. In risposta a questa esigenza, molti studi hanno esaminato l’accuratezza dei tracker del sonno più diffusi rispetto ai dispositivi medici in termini di metriche del sonno aggregate, tra cui TST, wake after sleep onset (WASO), sleep efficiency (SE) e sleep stages, ovvero sonno leggero, sonno profondo e sonno REM (Rapid Eye Movement). Questi studi dimostrano che i precedenti modelli di braccialetti di consumo hanno un problema comune di sovrastimare il sonno e sottovalutare la scia . I modelli recenti, come Fitbit Charge 2, che si basano su multistream di biosegnali hanno prestazioni soddisfacenti nella misurazione di TST e SE, ma non riescono a produrre risultati accurati nella classificazione delle fasi del sonno .

Sebbene il corpo principale degli studi di validazione sia stato prevalentemente focalizzato su metriche polisonnografiche (ad esempio, TST, WASO, sensibilità e specificità), le prestazioni dei braccialetti dei consumatori nella misurazione delle transizioni dello stadio del sonno rimangono sconosciute. La ricerca sul sonno ha dimostrato che le probabilità di transizione dello stadio del sonno comprendono ricche informazioni sui modelli di sonno, che sono stati considerati più efficaci dei parametri polisonnografici nel caratterizzare la stabilità del sonno . L’anomalia della transizione della fase del sonno è un indicatore importante dei disturbi del sonno . Alcuni studi hanno anche fatto affidamento sulle probabilità di transizione dello stadio del sonno per valutare l’effetto del trattamento . Il significato clinico delle dinamiche di transizione dello stadio del sonno suggerisce la necessità di includere metriche rilevanti (probabilità di transizione dello stadio del sonno) come parametri del sonno di esito negli studi di validazione. Nella Figura 1, viene presentata una visualizzazione delle dinamiche di transizione dello stadio del sonno. La probabilità di transizione totale da un singolo stato ad altri stati (incluso rimanere nello stesso stato) è sempre 1. sX→Y rappresenta la probabilità di transizione dallo stadio di sonno X a Y. { X, Y } sono derivati da {W, L, D, R }, che sono abbreviazioni per veglia, sonno leggero, sonno profondo e sonno REM. Ad esempio, SW→R indica la probabilità di transizione dalla veglia al sonno REM e SW→W indica la probabilità di rimanere in scia.

Significato di questo studio

Questo studio mirava a esaminare se misurasse accuratamente le transizioni dello stadio del sonno (le probabilità di transizione tra veglia, luce, sonno profondo e REM) usando Fitbit Charge 2. Nonostante gli abbondanti studi di validazione, l’accuratezza dei braccialetti dei consumatori nella misurazione della transizione dello stadio del sonno non è stata studiata. Abbiamo anche esaminato i fattori associati agli errori di misurazione sulle probabilità di transizione della fase di sonno. Precedenti studi di validazione su altri tipi di dispositivi indossabili hanno rilevato che l’accuratezza del dispositivo potrebbe variare in funzione dei modelli di sonno sottostanti, della popolazione studiata e persino del modo in cui è stato definito il measurand . Sulla stessa linea, abbiamo selezionato una serie di variabili indipendenti (possibili predittori), tra cui le caratteristiche demografiche dei partecipanti, la qualità del sonno soggettiva misurata da Pittsburgh Sleep Quality Index (PSQI) e la qualità del sonno oggettiva derivata da dati medici. Le variabili dipendenti erano gli errori percentuali assolute di Fitbit Charge 2 sulle probabilità di transizione in fase di sonno rispetto al dispositivo medico. I risultati di questo studio completano precedenti studi di validazione e contribuiscono alla creazione di una visione olistica della capacità dei braccialetti dei consumatori di misurare la struttura del sonno in condizioni di vita libera. Questo studio stabilisce anche un riferimento preliminare per i ricercatori che intendono utilizzare Fitbit per misurare le transizioni dello stadio del sonno e per i singoli utenti che si affidano ai dati del sonno Fitbit per prendere decisioni sulla salute.

Visualizza questa figura

Metodi

Reclutamento

Abbiamo reclutato i partecipanti distribuendo manifesti in tutto il campus dell’Università di Tokyo. In totale, 38 persone hanno registrato interesse attraverso un modulo Web-based, di cui 28 (74%) erano ammissibili a partecipare allo studio. I criteri di inclusione richiedevano che i partecipanti fossero adulti (età>18 anni), fossero privi di condizioni croniche diagnosticate e fossero in grado di partecipare a un briefing prima della fase di raccolta dei dati. Questa ricerca è stata approvata dal comitato etico dell’Università di Tokyo. Tutti i partecipanti hanno fornito il consenso informato.

Procedure di studio

Si è tenuto un briefing faccia a faccia con ciascun partecipante individualmente prima della fase di raccolta dei dati. In questo incontro, abbiamo installato l’app Fitbit sui telefoni cellulari dei partecipanti e fornito istruzioni verbali su come utilizzare i dispositivi e come sincronizzare il dispositivo Fitbit con la sua app per telefoni cellulari. Ai partecipanti sono stati forniti i seguenti elementi per la raccolta dei dati: un Fitbit Charge 2, un dispositivo medico denominato Sleep Scope, elettrodi, caricabatterie e manuali. Alla fine del briefing, ai partecipanti è stato chiesto di compilare un questionario PSQI per misurare la qualità del sonno percepita. Il PSQI è uno strumento ampiamente utilizzato per valutare la qualità del sonno soggettivo in media negli ultimi 1 mese, e un PSQI≥5 è indicativo di un sonno povero percepito. Abbiamo raccolto il PSQI, come può associare alla precisione di misura di Fitbit. Maggiori dettagli sui potenziali fattori di associazione della precisione di misura saranno forniti nella prossima sezione.

Dopo il briefing, i partecipanti hanno misurato il loro sonno utilizzando entrambi i dispositivi per 3 notti consecutive nelle loro case per garantire che Fitbit Charge 2 fosse valutato in un ambiente ecologicamente valido. È stato chiesto loro di indossare il Fitbit sul polso non dominante durante la raccolta dei dati. Tutti i partecipanti hanno ricevuto una ricompensa monetaria quando hanno restituito i dispositivi dopo la raccolta dei dati.

Raccolta dati

In questo studio, abbiamo raccolto i dati del sonno contemporaneamente utilizzando Fitbit Charge 2 e un dispositivo medico. Fitbit Charge 2 (Fitbit Inc) è un braccialetto di attività indossabile con un accelerometro triassiale incorporato. Stima le fasi del sonno per ogni secondo periodo di 30 integrando i dati di movimento e frequenza cardiaca di un utente. Con i progressi nel software e nell’hardware, Fitbit Charge 2 ha superato alcuni problemi dei modelli precedenti ed è in grado di misurare TST e SE con buona precisione . Un monitor del sonno medico denominato Sleep Scope (Sleep Well Co) è stato utilizzato per ottenere la verità a terra sugli ipnogrammi del sonno. Sleep Scope è un elettroencefalogramma a canale singolo di grado clinico (certificazione giapponese dei dispositivi medici 225ADBZX00020000), che è stato convalidato contro PSG (accordo=86,9%, valore medio di Cohen Kappa =0,75) . Sleep Scope è stato scelto su PSG in quanto ha permesso la raccolta dei dati nelle case dei partecipanti piuttosto che in un laboratorio del sonno. Ciò garantisce che Fitbit Charge 2 sia stato valutato in un’impostazione ecologicamente valida; ciò garantisce anche la minimizzazione della possibile interruzione del sonno da parte di un ambiente non familiare.

Nella fase di raccolta dei dati, i partecipanti hanno monitorato il loro sonno per 3 notti consecutive nelle loro case. Seguendo la pratica comune nella scienza del sonno, abbiamo analizzato la seconda notte per ogni partecipante per rimuovere il primo effetto notturno . Se i dati della seconda notte non erano validi, sono stati analizzati i dati della terza notte. I dati della prima notte sono stati selezionati solo quando né la seconda notte né la terza notte erano validi.

I dati Fitbit sleep sono stati recuperati tramite l’API (Application Program Interface) di Fitbit. Fitbit Charge 2 fornisce dati di sonno a 2 livelli tramite API pubblica. I dati del livello di fase comprendono i livelli di fase del sonno, tra cui veglia, sonno leggero, sonno profondo e sonno REM. Questi dati sono aggregati a granularità di 30 secondi, che è conforme alla stadiazione standard del sonno in ambito clinico. Se i dati di livello stage non sono disponibili, in alternativa verranno forniti i dati di livello classic. I dati di livello classico comprendono i livelli di pattern di sonno, inclusi addormentato, irrequieto e sveglio, e sono aggregati con una granularità più grossolana di 60 secondi. In questo studio, eravamo interessati ai dati del sonno a livello di stadio e i dati di livello classico sono stati scartati, in quanto non contenevano informazioni sul sonno profondo, sul sonno leggero e sul sonno REM.

I dati del dispositivo medico sono stati analizzati dalla società Sleep Well, utilizzando algoritmi di punteggio automatici proprietari, seguiti da un’ispezione visiva epoca per epoca da parte di specialisti sulla base di standard stabiliti e , se necessario, sono state aggiunte correzioni. I dati Fitbit e i dati medici sono stati sincronizzati per assicurarsi che l’ora di inizio fosse allineata.

Per esaminare l’effetto dei fattori specifici dell’utente sulla precisione della misurazione, abbiamo anche raccolto dati sui fattori elencati nella Tabella 1. L’età e il sesso erano basati sull’auto-relazione e il PSQI è stato misurato dal questionario PSQI . Le metriche sulla qualità del sonno sono state tutte derivate dai dati medici.

Analisi statistica

L’obiettivo generale dell’analisi era duplice. Abbiamo cercato di esaminare l’accuratezza di Fitbit Charge 2 nella misurazione delle transizioni di fase del sonno rispetto a un dispositivo medico. Eravamo anche interessati alle associazioni di fattori specifici dell’utente con la precisione di misura di Fitbit Charge 2. Tutti i livelli di significatività statistica riportati erano 2 lati, e l’analisi statistica è stata eseguita utilizzando R software statistico versione 3.5.3 (La Fondazione R).

In primo luogo, la statica descrittiva dei parametri del sonno è stata derivata dai dati medici. Il test t accoppiato a 2 code è stato utilizzato per sondare se ci fossero differenze statisticamente significative sui modelli di sonno tra uomini e donne, così come tra i partecipanti al di sotto dei 25 anni e al di sopra dei 25 anni di età. In secondo luogo, le probabilità di transizione della fase di sonno sono state calcolate dividendo il numero di transizioni da uno stato di sonno specifico a uno stato di sonno specifico per il numero totale di transizioni da quello stato specifico a tutti gli stati di sonno (incluso il rimanere nello stesso stato). Come mostrato in Figura 2, {X, Y e B} sono derivati da {W, L, D e R } e Nx→Y è il numero di transizioni dallo stadio di sonno X a Y durante il sonno di un’intera notte. W, L, D e R sono le abbreviazioni per wake, light sleep, deep sleep e REM sleep. Le probabilità di transizione dello stadio del sonno sono state calcolate dai dati Fitbit e dai dati medici per ciascun partecipante e quindi calcolate in media su tutta la coorte per ottenere le probabilità medie di transizione dello stadio del sonno. La differenza sistematica tra i 2 dispositivi è stata valutata applicando il test t accoppiato sulle probabilità di transizione dello stadio del sonno. Un valore P sotto .05 è stato considerato statisticamente significativo. Il livello di accordo tra 2 dispositivi è stato esaminato utilizzando i grafici Bland-Altman .

Visualizza questa figura

Visualizza questa figura

L’errore percentuale assoluto EX→Y è stato calcolato usando l’equazione in Figura 3, dove { X, Y e B } sono derivati da { W, L, D e R}, sFX→Y e sMX→Y sono la probabilità di transizione dallo stadio di sonno X a Y, derivata dai dati Fitbit e dai dati medici.

Per esaminare l’effetto dei fattori specifici dell’utente sull’errore percentuale assoluto, il set di dati è stato suddiviso in 2 sottoinsiemi in base ai valori di soglia di cut-off elencati nella Tabella 1. Il test di Wilcoxon firmato-rank è stato condotto per esaminare se ci fossero differenze significative tra i sottoinsiemi 2 in termini di metriche del sonno del risultato (probabilità di transizione dello stadio del sonno). La selezione dei valori di soglia di cut-off era in linea con la letteratura nella scienza del sonno .

Risultati

Statistiche descrittive

Un totale di 28 giovani adulti senza malattie croniche hanno partecipato allo studio. Un totale di partecipanti 5 è stato escluso dall’analisi a causa del mancato ottenimento di dati sul sonno a livello di stadio con Fitbit. Cioè, solo i dati di sonno di livello classico sono stati ottenuti da questi partecipanti; i dati non avevano informazioni sul sonno leggero, profondo e REM. Pertanto, non è stato possibile calcolare le probabilità di transizione della fase di sonno per questi partecipanti. Il set di dati finale comprende quindi i dati del sonno di 23 partecipanti (uomini:donne=14:9). Questo numero di partecipanti è paragonabile ad altri studi di validazione . Tutti i partecipanti erano studenti universitari di età compresa tra 21 e 30 anni (media 24,3, SD 2,7). Un totale di 8 dei partecipanti 23 aveva un PSQI superiore a 5, che era indicativo di una qualità del sonno insoddisfatta. Differenze statisticamente significative sono state trovate tra uomini e donne in termini di tempo di veglia (donne: 9.7 min; uomini: 22.8 min; P=.02) e il rapporto tra stadio del sonno 1 (donne: 7,7 (%); uomini: 14,3 (%); P=.02). Abbiamo anche confrontato i modelli di sonno tra i partecipanti al di sotto e al di sopra di 25 anni. Differenze statisticamente significative sono state trovate in termini di TST (sotto i 25 anni: 308,7 min; sopra i 25 anni: 396,8 min; P=.03), probabilità di transizione dal sonno profondo al sonno leggero (sotto i 25 anni: 5,5%; sopra i 25 anni: 1,5%; P=.02), e la probabilità di rimanere in sonno leggero (sotto i 25 anni: 85,3 (%); sopra i 25 anni: 94,8 (%); P=.008).

Differenze sistematiche

La tabella 2 presenta le probabilità stimate di transizione dello stadio del sonno derivate da dati medici e dati Fitbit, nonché i risultati del test t accoppiato. Abbiamo calcolato le probabilità di transizione della fase del sonno individualmente per ciascun partecipante e quindi abbiamo calcolato i risultati in media su tutta la coorte. È dimostrato che le seguenti transizioni si sono verificate raramente: sonno profondo per sonno REM e veglia, sonno leggero per sonno REM, sonno REM per sonno profondo e sonno REM per sonno leggero. I risultati del test t hanno indicato che vi erano differenze significative tra le probabilità di transizione dello stadio del sonno misurate da Fitbit e quelle misurate dal dispositivo medico. Fitbit deviato dal dispositivo medico su tutte le probabilità di transizione ad eccezione della probabilità di transizione dal sonno leggero al sonno REM (sFL→R = 0,9%; sML→R = 1,7%), la probabilità di transizione dal sonno profondo alla veglia (sFD→W = sMD→W =0.2%), e la probabilità di rimanere in fase di sonno REM (sFR→R = sMR→R =96,9%). In generale, Fitbit ha sottovalutato le dinamiche di transizione dello stadio del sonno. Le probabilità di rimanere in uno stadio specifico del sonno sono state significativamente sovrastimate, mentre le probabilità di transizioni da uno stadio specifico a uno stadio diverso sono state per lo più sottostimate.

Livello di accordo e correlazioni

Le figure 4-6 mostrano i grafici Bland-Altman che confrontano Fitbit Charge 2 con il dispositivo medico. Le discrepanze del dispositivo per i risultati del sonno sono tracciate in funzione dei risultati medici per ogni individuo. Il bias medio variava da 0% (sR→R e sD→W) a circa il 60% (sL→D). Non più di 2 partecipanti erano situati al di fuori del limite inferiore dell’accordo o del limite superiore dell’accordo.

In linea con studi precedenti , abbiamo definito l’intervallo di errore accettabile come ei ≤5%, poiché questo si avvicina a uno standard ampiamente accettabile per la significatività statistica in letteratura . Sulla base di questo criterio, non è stato rilevato alcun pregiudizio sistematico tra Fitbit e il dispositivo medico nella misurazione di SW→L, Sw→R, sL→R, sD→W, sR→L, sR→D e sR→R.

La figura 4 mostra che non è stata trovata alcuna tendenza tra la differenza e la media di sR→L, sL→R e sR→R. In contrasto, la Figura 5 e la Figura 6 mostra un chiaro trend che le differenze di misura sono stati superiori per abbassare sL→L, sD→D, e sW→W, e le differenze sono maggiori per una maggiore sW→L,s→R, s→D, sL→W, sL→D, sD→W, sD→L, sD→R, sR→W, e sR→D. Questi risultati suggeriscono che la precisione di Fitbit Charge 2, nella misura di una fase di sonno transizioni potrebbe essere peggiorata sonno è diventato più dinamico, più transizioni tra le diverse fasi del sonno).

Visualizza questa figura

Visualizza questa figura

Vista questa figura

Effetto dell’Utente Specifici Fattori

I risultati del test di Wilcoxon signed rank test ha mostrato che il bene soggettivo, la qualità del sonno indicato da PSQI come inferiore 5 è stato associato con una diminuzione di errori nella probabilità di rimanere nel sonno profondo fase (PSQI<5, 132.1±173.1%; PSQI≥5, 346.8±250.0%; P=.04), ma è stato associato ad un aumento degli errori nella probabilità di transizione dalla veglia al sonno REM (PSQI<5, 100,0±0,0%; PSQI≥5, 85,1±25,5%; P=.02).

Il tempo di veglia più lungo di 30 min è stato associato ad un aumento degli errori nella probabilità di transizione dal sonno leggero al sonno REM (WASO≥30, 265,8±176,5; WASO<30, 103,9±49,1%; P=.02), ma è stato associato a una diminuzione degli errori nella probabilità di transizione dal sonno leggero alla veglia (WASO≥30, 78,6±10,2%; WASO<30, 86,7±8,6%; P=.049), così come la probabilità di rimanere in scia (WASO≥30, 117,3±269,5%; WASO<30, 125,2±103,6%; P=.006).

SE superiore al 90% è stato associato ad un aumento degli errori di misurazione nella probabilità di transizione dal sonno REM al sonno leggero (SE>90, 107,1±53,2%; SE≤90%, 55,9±40,4%; P=.047).

Inoltre, età inferiore a 25 anni (età< 25, 7,9±5,4%; età≥25, 3,1±2,3%; P=.01), latenza di insorgenza del sonno (SOL) inferiore a 30 min (SOL<30, 8,6±5,8%; SOL≥30, 4,1±3,4%; P=.02), e rapporto di sonno profondo superiore al 20% (sonno onda lenta; SWS<20%, 3.9±3.5%; SWS≥20, 9.5±5.2; P=.007) sono stati associati a un leggero aumento dell’errore di misurazione nella probabilità di rimanere in fase di sonno leggero. Tuttavia, gli errori medi non erano superiori al 10% in tutti i casi corrispondenti.

Non sono state trovate associazioni significative tra errori di misurazione di Fitbit e altri fattori, tra cui sesso, TST, SOL, rapporto di sonno leggero, rapporto di sonno REM e Tavg.

Discussione

Principali risultati

Abbiamo dimostrato un confronto numerico sulle probabilità di transizione in fase di sonno tra Fitbit Charge 2 e il dispositivo medico. Il livello e i limiti di accordo tra i 2 tipi di dispositivi sono stati illustrati utilizzando grafici Bland-Altman. I risultati del test Wilcoxon signed-rank sono stati presentati per dimostrare le associazioni tra fattori specifici dell’utente e errori di misurazione. Questo studio ha generato 2 risultati principali. Innanzitutto, abbiamo scoperto che Fitbit Charge 2 sottovalutava le dinamiche di transizione della fase del sonno rispetto al dispositivo medico. In secondo luogo, la precisione del dispositivo è stata principalmente associata a 3 fattori specifici dell’utente: qualità del sonno soggettiva misurata da PSQI, WASO e SE.

L’analisi della transizione dello stadio del sonno è stata utilizzata per caratterizzare la continuità del sonno e la stabilità temporale degli attacchi non REM e REM nella scienza del sonno . In questo studio, le probabilità di transizione dello stadio del sonno derivate dai dati medici hanno dimostrato modelli interessanti. Come previsto, la probabilità per qualsiasi fase del sonno di rimanere nello stesso stadio era costantemente superiore a quella per questo stadio di passare a uno stadio diverso. La transizione diretta tra sonno profondo e sonno REM è raramente avvenuta. La probabilità di transizioni dalla veglia al sonno profondo o dalla veglia al sonno REM era bassa. Allo stesso modo, anche la probabilità di transizione dal sonno profondo alla veglia era bassa. Queste caratteristiche erano coerenti con i risultati riportati in precedenti studi sul sonno sui modelli di transizione dello stadio del sonno in persone sane .

La transizione dello stadio del sonno è il risultato di interazioni complesse tra molte regioni del cervello. Non essendo in grado di rilevare i marcatori nelle onde cerebrali, come i complessi k , i braccialetti dei consumatori hanno prestazioni limitate nella classificazione delle fasi del sonno. Studi precedenti dimostrano che i dispositivi Fitbit Charge 2 sovrastimavano significativamente il sonno leggero e sottovalutavano il sonno profondo quando convalidato in ambienti di laboratorio, mentre sottovalutavano il sonno profondo e sovrastimavano il sonno leggero e REM quando convalidato in condizioni di vita libera . Questo studio integra i risultati precedenti e contribuisce a nuove informazioni sulla capacità di Fitbit di catturare le transizioni dello stadio del sonno. Nel complesso, abbiamo osservato che Fitbit Charge 2 deviava significativamente dal dispositivo medico nella misurazione delle dinamiche di transizione dello stadio del sonno. In particolare, le probabilità medie di rimanere in wake stage e deep stage misurate da Fitbit erano significativamente più alte di quelle misurate dal dispositivo medico. Al contrario, Fitbit ha sottovalutato le probabilità delle transizioni di fase dal sonno leggero alla veglia e dal sonno leggero al sonno profondo. Questo è probabilmente a causa dell’errata classificazione delle epoche di sonno profondo e sonno profondo al sonno leggero . Bias sistematico (tra il 40% e il 60%) è stato illustrato nei grafici Bland-Altman su queste probabilità di transizione dello stadio del sonno. D’altra parte, non sono stati osservati pregiudizi sistematici e differenze medie nella misurazione della probabilità di rimanere in fase di sonno REM. Questo risultato fornisce prove complementari alla scoperta nello studio di De Zambotti et al che Fitbit Charge 2 ha accettato bene i dispositivi medici nel rilevare il sonno REM.

Un aspetto unico di questo studio è che abbiamo anche esaminato l’effetto di fattori specifici dell’utente e trovato più associazioni. La nostra analisi ha mostrato che la qualità soggettiva del sonno misurata da PSQI, wake after WASO e SE erano significativamente forti predittori di errori di misurazione nelle probabilità di transizione dello stadio del sonno. Età, SOL e rapporto di sonno profondo erano predittori significativi ma deboli, mentre sesso, TST, rapporto di sonno leggero, rapporto di sonno REM e ciclo di sonno medio non erano associati agli errori di misurazione di Fitbit.

Nonostante i precedenti studi di convalida che la scarsa qualità del sonno è associata a prestazioni deteriorate dei dispositivi di monitoraggio del sonno nella misurazione delle metriche del sonno polisonnografico , questo studio rivela che la relazione è più complicata tra qualità del sonno e precisione del dispositivo nella misurazione delle transizioni dello stadio del sonno. In effetti, abbiamo scoperto che una buona qualità del sonno soggettivo (PSQI<5) era associata a un diminuito errore di misurazione nella probabilità di rimanere in fase di sonno profondo e un sonno meno frammentato (WASO<30 min) era associato a una diminuzione degli errori nella probabilità di transizione dal sonno leggero al sonno REM. Tuttavia, si è anche trovato che il buon sonno, caratterizzata da rapida insorgenza di sonno (SOL<30 min), con un alto rapporto di sonno profondo (SWS>20%), buona sensazione soggettiva (PSQI<5), brevi risvegli (WASO<30 min), e alta SE (SE>90%) sono stati associati con un aumentato gli errori di misura in esito diverso, le probabilità di transizione. Questo risultato contraddice i precedenti risultati sull’actigrafia che ha deteriorato il sonno (ad esempio, lungo WASO e SOL) ha aumentato gli errori di misurazione . Questa disparità suggerisce che i risultati relativi all’actigrafia clinica non dovrebbero essere generalizzati ai braccialetti dei consumatori senza ulteriore convalida.

Inoltre, l’età è risultata essere un predittore significativo ma debole di errori di misurazione. I partecipanti nella fascia di età da 25 a 30 avevano diminuito gli errori di misurazione nella probabilità di rimanere in fase di sonno leggero rispetto a quelli più giovani di 25 anni. Poiché l’età è stata ampiamente riconosciuta come un fattore significativo che altera i modelli di sonno, l’effetto dell’età può anche essere ricondotto alla differenza nei modelli di sonno sottostanti. I dati medici sul sonno hanno mostrato che i partecipanti più giovani avevano generalmente un sonno più breve e dinamiche di transizione dello stadio del sonno più elevate (transizione dal sonno profondo al sonno leggero), che possono spiegare l’aumento degli errori di misurazione. Tuttavia, questo risultato non dovrebbe essere generalizzato a un’ampia gamma di gruppi di età a causa del campionamento limitato dell’età in questo studio. Sono necessari ulteriori studi per esaminare sistematicamente l’effetto dell’età sulla precisione del dispositivo.

I nostri risultati completano quelli di precedenti studi di validazione sui braccialetti dei consumatori per il monitoraggio del sonno in generale. Fitbit Charge 2 ha dimostrato prestazioni soddisfacenti nella misurazione di TST e SE, ma rimane incapace di classificare gli stadi del sonno con una buona precisione . I nostri risultati mostrano che Fitbit Charge 2 può anche sottovalutare le dinamiche di transizione del sonno, e dovrebbe quindi essere usato con cautela. Questo studio stabilisce un riferimento preliminare per i ricercatori che intendono utilizzare il dispositivo Fitbit per misurare le transizioni dello stadio del sonno negli studi scientifici e questo studio suggerisce che potrebbero essere necessari modelli di sonno sia percepiti che oggettivi quando si scelgono strumenti di monitoraggio del sonno.

Limitazioni

Questo studio è soggetto alle seguenti limitazioni. In primo luogo, i partecipanti rappresentano una giovane popolazione sana che era priva di disturbi del sonno o malattie croniche. Pertanto, i risultati non possono essere generalizzati a popolazioni più anziane o cliniche. In secondo luogo, la fase di raccolta dei dati non era di natura longitudinale e solo 1 notte di sonno da ciascun partecipante è stata analizzata. Pertanto, i risultati potrebbero non riuscire a contare le variazioni intrapersonali. In terzo luogo, l’elenco dei potenziali fattori influenzanti studiati in questo studio non era esaustivo e potrebbe essere influenzato da un campionamento limitato. Ulteriori ricerche dovrebbero affrontare queste limitazioni includendo una popolazione diversificata, estendendo la durata della raccolta dei dati ed esaminando l’effetto di altri potenziali predittori dell’accuratezza del dispositivo.

Conclusioni

Abbiamo dimostrato che Fitbit Charge 2 ha sottovalutato significativamente le dinamiche di transizione dello stadio del sonno rispetto al dispositivo medico e che l’accuratezza della misurazione potrebbe essere influenzata principalmente dalla qualità del sonno percepita, dalla continuità del sonno e dalla SE. Nonostante la tendenza positiva di una maggiore precisione per gli ultimi inseguitori indossabili del sonno dei consumatori, la limitazione di questi dispositivi nel rilevare le dinamiche di transizione della fase del sonno deve essere riconosciuta. Come strumento di misurazione dei risultati, Fitbit Charge 2 potrebbe non essere adatto per studi di ricerca relativi alle transizioni della fase del sonno o per il processo decisionale sanitario. Ulteriori ricerche dovrebbero concentrarsi sul miglioramento della precisione di questi braccialetti di consumo nella misurazione non solo dei parametri polisonnografici, ma anche delle dinamiche di transizione dello stadio del sonno.