Introdução

a Importância do Sono dos Consumidores Dispositivos de controle

Ter o suficiente sono restaurador é essencial para a saúde física e mental . Nos últimos anos, as pulseiras de monitorização do sono dos consumidores e as aplicações associadas de telemóveis criaram uma forma eficaz de os indivíduos compreenderem os padrões pessoais de sono ou melhorarem a qualidade do sono nas definições diárias . Estes dispositivos são relativamente acessíveis, fáceis de usar e prontos para comprar no mercado do consumidor. A maioria das pulseiras do consumidor dependem de um mecanismo semelhante de actigrafia clínica que infere ciclos de despertar e sono a partir do movimento dos membros . Modelos recém-lançados também incorporam outros fluxos de biossinais, como a frequência cardíaca para medir estágios de sono. Os usuários podem visualizar um hipnograma de sono de uma noite inteira (a sequência temporal dos estágios de sono) e os parâmetros de sono agregados, como o tempo total de sono (TST) e a proporção de cada estágio de sono em um painel . Há cada vez mais evidências de que as pulseiras de monitorização do sono dos consumidores sensibilizam para a saúde do sono e têm um impacto positivo na higiene pessoal do sono , embora o impacto a longo prazo destas tecnologias não tenha sido esclarecido . Entretanto, investigadores e médicos estão cada vez mais a adoptar pulseiras de consumo, tais como dispositivos Fitbit, como ferramentas de medição de resultados em estudos de investigação . Em comparação com a polissonografia tradicional (PSG), os dispositivos Fitbit reduzem significativamente o tempo e o custo monetário para a coleta de dados longitudinais de sono, e eles poderiam fornecer informações ricas que não era possível coletar fora laboratórios de sono ou clínicas no passado. Os participantes podem utilizar os dispositivos em condições de vida livres, sem necessidade de suporte técnico constante. A nova geração de dispositivos Fitbit também poderia, possivelmente, superar a actigrafia clínica, uma vez que Eles alavancam múltiplos fluxos de sinais biológicos para estadiamento do sono, enquanto a actigrafia só é capaz de detectar o despertar e o sono com base no movimento dos membros .à medida que as pulseiras de monitorização do sono dos consumidores continuam a ganhar popularidade, a sua limitação na precisão da medição levantou grandes preocupações sobre a qualidade dos dados recolhidos através destes dispositivos . Dados de baixa qualidade podem induzir os usuários em erro para chegar a conclusões erradas de seu sono. Além disso, a qualidade dos dados é da máxima prioridade para os investigadores que pretendem utilizar estes dispositivos em estudos científicos. Por conseguinte, a compreensão da validade dos localizadores do sono do consumidor tem benefícios práticos tanto para os utilizadores individuais como para a comunidade de investigação. Em resposta a esta necessidade, muitos estudos examinaram a precisão dos rastreadores populares do sono em comparação com os dispositivos médicos em termos de métricas agregadas do sono, incluindo TST, wake after sleep onset (WASO), eficiência do sono (SE), e estágios do sono, ou seja, sono leve, sono profundo, e rápido movimento ocular (REM) sono . Estes estudos mostram que os modelos anteriores de pulseiras de consumo têm um problema comum de sobrestimar o sono e subestimar o despertar . Modelos recentes, como a Fitbit Charge 2, que dependem de várias vertentes de biossinais têm um desempenho satisfatório na medição de TST e SE, mas não conseguem produzir resultados precisos na classificação das fases de sono .

embora o principal corpo de estudos de validação tenha sido predominantemente focado em métricas polissonográficas (eg, TST, WASO, sensibilidade e especificidade), o desempenho das pulseiras de consumo na medição das transições do estágio do sono permanece desconhecido. A pesquisa do sono mostrou que as probabilidades de transição do estágio do sono incluem informações ricas sobre os padrões do sono, que têm sido considerados mais eficazes do que os parâmetros polissonográficos na caracterização da estabilidade do sono . A anormalidade de transição do estágio do sono é um importante indicador de distúrbios do sono . Alguns estudos também se basearam em probabilidades de transição do estágio do sono para avaliar o efeito do tratamento . A significância clínica da dinâmica de transição do estágio do sono sugere a necessidade de incluir métricas relevantes (probabilidades de transição do estágio do sono) como parâmetros do resultado do sono nos estudos de validação. Na Figura 1, é apresentada uma visualização da dinâmica de transição do estágio do sono. A probabilidade total de transição de um único estado para outros estados (incluindo ficar no mesmo estado) é sempre 1. The sX→Y represents the transition probability from sleep stage X to Y. The { X, Y } are derived from { W, L, D, R}, which are abbreviations for wake, light sleep, deep sleep, and REM sleep. Por exemplo, sW→R denota a probabilidade de transição de wake para REM sleep, e sW→W denota a probabilidade de ficar em wake.

Significance of This Study

This study aimed to examine whether it would accurately measure sleep stage transitions (the transition probabilities among waking, light, deep, and REM sleep) using Fitbit Charge 2. Apesar dos abundantes estudos de validação, a exatidão das pulseiras de consumo na medição da transição do estágio do sono não foi investigada. Também examinamos os fatores que estão associados com os erros de medição nas probabilidades de transição do estágio de sono. Estudos de validação anteriores sobre outros tipos de dispositivos wearable descobriram que a precisão do dispositivo pode variar em função dos padrões de sono subjacentes, a população estudada, e até mesmo como o measurand foi definido . Ao longo da mesma linha, selecionamos um conjunto de variáveis independentes (possíveis preditores), incluindo características demográficas dos participantes, qualidade subjetiva do sono medida pelo Índice de qualidade do sono de Pittsburgh (PSQI) , e qualidade objetiva do sono derivada de dados médicos. As variáveis dependentes foram os erros percentuais absolutos da carga Fitbit 2 sobre probabilidades de transição do estágio de sono em comparação com o dispositivo médico. Os resultados deste estudo complementam estudos de validação anteriores e contribuem para o estabelecimento de uma visão holística da capacidade das pulseiras de consumo para medir a estrutura do sono em condições de vida livres. Este estudo também estabelece uma referência preliminar para pesquisadores que pretendem usar Fitbit para medir transições de estágio de sono e para usuários individuais que dependem de dados de sono Fitbit para tomar decisões de saúde.

Ver esta figura

Métodos

Recrutamento

Nós recrutados os participantes através da distribuição de cartazes em todo o campus da Universidade de Tóquio. No total, 38 pessoas registraram interesse através de uma forma Web, dos quais 28 (74%) eram elegíveis para participar do estudo. Os critérios de inclusão exigiam que os participantes fossem adultos (idade>18 anos), estavam livres de condições crônicas diagnosticadas, e foram capazes de assistir a um briefing antes da fase de coleta de dados. Esta pesquisa foi aprovada pelo Comitê de Ética da Universidade de Tóquio. Todos os participantes deram o seu consentimento informado.Procedimentos de estudo antes da fase de recolha de dados. Nesta reunião, instalamos o aplicativo Fitbit nos telefones celulares dos participantes e fornecemos instruções verbais sobre como usar os dispositivos e como sincronizar o dispositivo Fitbit com seu aplicativo de telefone celular. Os participantes receberam os seguintes itens para a coleta de dados: um Fitbit Charge 2, um dispositivo médico chamado Sleep Scope, eletrodos, Carregadores e manuais. No final do briefing, os participantes foram convidados a preencher um questionário PSQI para medir a sua qualidade de sono percebida. O PSQI é um instrumento amplamente utilizado para avaliar a qualidade subjetiva do sono em média ao longo do último 1 mês, e um PSQI≥5 é indicativo de percepção de sono pobre. Recolhemos o PSQI, que pode associar à precisão de medição do Fitbit. Mais detalhes sobre os fatores de associação potenciais de precisão de medição serão fornecidos na próxima seção.após o briefing, os participantes mediram o sono usando ambos os dispositivos durante 3 noites consecutivas em suas casas para garantir que a carga Fitbit 2 fosse avaliada em um ambiente ecologicamente válido. Pediram-lhes que usassem o Fitbit no pulso não-dominante durante a recolha de dados. Todos os participantes receberam uma recompensa monetária quando devolveram os dispositivos após a coleta de dados.

recolha de dados

neste estudo, recolhemos dados sobre o sono simultaneamente utilizando a carga Fitbit 2 e um dispositivo médico. Fitbit Charge 2 (Fitbit Inc) é uma pulseira de atividade wearable com um acelerômetro triaxial incorporado. Estima estágios de sono para cada período de 30 segundos, integrando os dados do movimento e da frequência cardíaca de um usuário. Com avanços em software e hardware, Fitbit Charge 2 superou alguns problemas de modelos anteriores, e é capaz de medir TST e SE com boa precisão . Um monitor médico de sono chamado Sonep Scope (Sleep Well Co) foi usado para obter a verdade sobre hipnogramas de sono. O Sleep Scope é um eletroencefalograma de canal único de grau clínico (certificado de Dispositivo Médico Japonês 225ADBZX00020000), que foi validado contra PSG (acordo=86,9%, valor médio Cohen Kappa =0,75). Sleep Scope foi escolhido em vez de PSG, uma vez que permitiu a coleta de dados nas casas dos participantes, em vez de em um laboratório de sono. Isso garante que a carga Fitbit 2 foi avaliada em um ambiente ecologicamente válido; isso também garante a minimização da possível perturbação do sono por meio de ambiente desconhecido.na fase de coleta de dados, os participantes rastrearam seu sono por 3 noites consecutivas em suas casas. Seguindo a prática comum em Ciências do sono, analisamos a segunda noite para cada participante remover o primeiro efeito noturno . Se os dados da segunda noite não eram válidos, então os dados da terceira noite foram analisados. Os dados da primeira noite só foram selecionados quando nem a segunda noite nem a terceira noite era válida.

Fitbit sleep data were retrieved through the application program interface (API) of Fitbit. O Fitbit Charge 2 fornece dados de latência a 2 níveis através da API pública. Os dados do nível de estágio incluem níveis de sono, incluindo despertar, sono leve, sono profundo e sono REM. Estes dados são agregados à granularidade de 30 segundos, o que cumpre com o estadiamento padrão do sono no contexto clínico. Se os dados do nível de estágio não estiverem disponíveis, os dados do nível clássico serão fornecidos como alternativa. Os dados de nível clássico incluem níveis de padrão de sono, incluindo o sono, inquieto e acordado, e eles são agregados em uma granularidade mais grosseira de 60 segundos. Neste estudo, estávamos interessados nos dados do nível de sono do estágio, e os dados do nível clássico foram descartados, uma vez que eles não continham informações sobre sono profundo, sono leve e sono REM.

os dados do dispositivo médico foram analisados pela empresa de poço de sono, usando algoritmos de pontuação automática proprietária, seguido de inspeção visual época-a-época por especialistas com base em padrões estabelecidos , e correções foram adicionadas se necessário. Os dados Fitbit e os dados médicos foram sincronizados para garantir que a hora de início estava alinhada.para examinar o efeito de fatores específicos do usuário na precisão da medição, também coletamos dados sobre os fatores listados na Tabela 1. A idade e o Sexo foram baseados no auto-relatório, e PSQI foi medido pelo questionário PSQI . As métricas de qualidade do sono foram todas derivadas dos dados médicos.

análise estatística

o objectivo global da análise foi duas vezes superior. Procurámos examinar a precisão da carga de Fitbit 2 na medição das transições do estágio do sono em comparação com um dispositivo médico. Estávamos também interessados nas associações de fatores específicos do usuário com a precisão de medição da taxa Fitbit 2. Todos os níveis de significância estatística relatados foram de 2 lados, e a análise estatística foi realizada usando R statistical software version 3.5.3 (the R Foundation).primeiro, os parâmetros descritivos dos parâmetros do sono foram derivados dos dados médicos. O teste t emparelhado de duas caudas foi usado para sondar se havia diferenças estatisticamente significativas nos padrões de sono entre homens e mulheres, bem como entre participantes com menos de 25 anos de idade e acima de 25 anos de idade. Em segundo lugar, as probabilidades de transição do estágio de sono foram calculadas dividindo o número de transições de um estado de sono específico para um estado de sono específico pelo número total de transições desse estado específico para todos os estados de sono (incluindo permanecer no mesmo estado). Como mostrado na Figura 2, { X, Y, e B } são derivados de { W, L, D, e r } e NX→Y é o número de transições do estágio x de sono para Y durante uma noite inteira de sono. O W, L, D E R são as abreviaturas para despertar, sono leve, sono profundo e sono REM. As probabilidades de transição do estágio do sono foram calculadas a partir de dados Fitbits e dados médicos para cada participante e, em seguida, médias ao longo de toda a coorte para obter as probabilidades médias de transição do estágio do sono. A diferença sistemática entre os dois dispositivos foi avaliada através da aplicação do teste t emparelhado nas probabilidades de transição do estágio de latência. Um valor P abaixo .5 foi considerado estatisticamente significativo. O nível de concordância entre dois dispositivos foi examinado usando as parcelas Bland-Altman .

Ver esta figura

Ver esta figura

A absoluta percentual de erro do eX – →Y foi calculado utilizando a equação apresentada na Figura 3, onde { X, Y, e B } são derivados a partir de { W, L, D, R }, sFX→Y e sMX→Y são a probabilidade de transição do estágio de sono de X para Y, derivada do Fitbit de dados e dados médicos.

para examinar o efeito dos factores específicos do utilizador sobre o erro percentual absoluto, O conjunto de dados foi dividido em 2 subconjuntos de acordo com os valores-limite indicados no quadro 1. O teste Wilcoxon signed-rank foi realizado para examinar se havia diferenças significativas entre os dois subconjuntos em termos de métricas de sono dos resultados (probabilidades de transição do estágio de sono). A selecção dos valores-limite estava de acordo com a literatura em Ciências do sono .

Resultados

Estatísticas Descritivas

Um total de 28 jovens adultos sem doenças crônicas participaram do estudo. Um total de 5 participantes foram excluídos da análise por causa da incapacidade de obter dados de latência de nível de estágio com Fitbit. Ou seja, apenas os dados clássicos do nível de sono foram obtidos desses participantes; os dados não tinham informações sobre o sono leve, profundo e REM. Portanto, não foi possível calcular probabilidades de transição do estágio de sono para estes participantes. O conjunto de dados final inclui, assim, dados sobre o sono de 23 participantes (homens:mulheres=14:9). Este número de participantes é comparável a outros estudos de validação . Todos os participantes eram estudantes universitários entre 21 e 30 anos (média 24,3, SD 2.7). Um total de 8 dos 23 participantes tinha um PSQI superior a 5, o que era indicativo de qualidade de sono insatisfeita. Foram encontradas diferenças estatisticamente significativas entre homens e mulheres em termos de tempo de vigília (mulheres: 9,7 min; homens: 22,8 min; P=.02) e a razão do Estágio 1 do sono (mulheres: 7,7(%); homens: 14,3 ( % ); P=.02). Também comparamos os padrões de sono entre participantes abaixo e acima de 25 anos. As diferenças estatisticamente significativas foram encontradas em termos de TST (abaixo de 25 anos: 308,7 min; acima de 25 anos: 396,8 min; P=.03), probabilidade de transição do sono profundo para o sono leve (menos de 25 anos: 5,5%; acima de 25 anos: 1,5%; P=.02), e a probabilidade de ficar em sono leve (abaixo de 25 anos: 85.3(%); acima de 25 anos: 94.8(%); P=.008).

diferenças sistemáticas

a Tabela 2 apresenta as probabilidades estimadas de transição do Estado de sono derivadas de dados médicos e dados de Fitbit, bem como os resultados do teste t emparelhado. Calculamos probabilidades de transição em estágio de sono individualmente para cada participante e, em seguida, os resultados médios em toda a coorte. É mostrado que as seguintes transições raramente ocorreram: sono profundo para REM Dormir e acordar, sono leve para REM dormir, sono REM para sono profundo, e sono REM para iluminar o sono. Os resultados do teste t indicaram que havia diferenças significativas entre as probabilidades de transição do estágio de sono medidas por Fitbit e as medidas pelo dispositivo médico. Fitbit desviou do dispositivo médico sobre todas as probabilidades de transição, exceto para a transição de probabilidade a partir de sono leve para o sono REM (sFL→R = 0.9%; sML→R =1.7%), a probabilidade de transição do sono profundo para despertar (sFD→W = sMD→W =0.2%), e a probabilidade de ficar em fase de sono REM (sFR→R = sMR→R =96,9%). Em geral, Fitbit subestimou a dinâmica de transição do estágio de sono. As probabilidades de permanecer numa fase específica do sono foram significativamente sobrestimadas, enquanto as probabilidades de transições de uma fase específica para uma fase diferente foram, na sua maioria, subestimadas.

nível de Concordância e correlações

As Figuras 4-6 mostram as parcelas Bland-Altman comparando a carga Fitbit 2 com o dispositivo médico. Discrepâncias do dispositivo para os resultados do sono são traçados como uma função dos resultados médicos para cada indivíduo. O viés médio variou de 0% (sR→r e sD→W) a aproximadamente 60% (sL→D). No more than 2 participants were situated outside the lower limit of agreement or the upper limit of agreement.de acordo com estudos anteriores , definimos o intervalo de erro aceitável como IE ≤5%, pois isso aproxima-se de um padrão amplamente aceitável para significância estatística na literatura . Com base neste critério, sem erro sistemático foi encontrada entre o Fitbit e o dispositivo médico na medição sW→L, sW→R, sL→R, sD→W, sR→L, sR→D, e o sR→R.

a Figura 4 mostra que nenhuma tendência foi encontrada entre a diferença e a média do sR→L, sL→R e sR→R. Em contraste, a Figura 5 e a Figura 6 mostram tendências claras que a medida que as diferenças foram maiores para menores sL→L, sD→D, e sW→W, e as diferenças foram maiores para maior sW→L,sW→R, sW→D, sL→W, sL→D, sD→W, sD→L, sD→R, sR→W, e o sR→D. Estes resultados sugerem que a precisão da Fitbit Carga de 2 em medir o estágio de sono transições pode ser deteriorado como dormir tornou-se mais dinâmico (mais transições entre as diferentes fases de sono).

Ver esta figura

Ver esta figura

Ver esta figura

Efeito de Fatores Específicos

Os resultados de Wilcoxon mostrou que boa subjetiva da qualidade do sono, indicado por PSQI como inferior a 5 foi associada com a diminuição de erros na probabilidade de ficar em profundo estado de sono (PSQI<5, 132.1±173.1%; PSQI≥5, 346.8±250.0%; P=.04), mas foi associada a erros aumentados na probabilidade de transição desde o acordar ao sono REM (PSQI<5, 100.0±0.0%; PSQI≥5, 85.1±25.5%; P=.02).

ake time longer than 30 min was associated with increased errors in transition probability from light sleep to REM sleep (WASO≥30, 265.8±176.5; WASO<30, 103.9±49.1%; P=.02), mas foi associada com a diminuição de erros na transição de probabilidade de luz de sono para acordar (WASO≥30, DE 78,6±10.2%; WASO<30, de 86,7±8.6%; P=.049), bem como a probabilidade de ficar na esteira (WASO≥30, 117.3±269.5%; WASO<30, 125.2±103.6%; P=.006).

se acima de 90% foi associado a erros de medição aumentados na probabilidade de transição do sono REM para o sono leve (SE > 90, 107.1±53.2%; se≤90%, 55.9±40.4%; P=.047).

além disso, a idade abaixo de 25 anos (idade<25, de 7,9±5.4%; idade≥25, de 3,1±2.3%; P=.01), latência de início do sono (SOL) inferior a 30 min (SOL<30, 8, 6±5, 8%; SOL≥30, 4, 1±3,4%; P=.02), e o sono profundo taxa acima de 20% (sono de ondas lentas; SWS<20%, de 3,9±3.5%; SWS≥20, DE 9,5±5.2; P=.007) foram associados a um ligeiro aumento do erro de medição na probabilidade de permanecer em estado de sono leve. No entanto, os erros médios não ultrapassaram 10% em todos os casos correspondentes.

não foram encontradas associações significativas entre erros de medição de Fitbit e outros fatores, incluindo sexo, TST, SOL, razão de sono leve, razão de sono REM, e Tavg.

discussão

principais achados

demonstrámos uma comparação numérica sobre probabilidades de transição do estágio de sono entre a carga Fitbit 2 e o dispositivo médico. O nível e os limites de acordo entre os 2 tipos de dispositivos foram ilustrados usando gráficos Bland-Altman. Os resultados do teste Wilcoxon signed–rank foram apresentados para demonstrar as associações entre fatores específicos do Usuário e erros de medição. Este estudo gerou dois resultados principais. Primeiro, descobrimos que a carga de Fitbit 2 subestimou a dinâmica de transição do estágio do sono em comparação com o dispositivo médico. Em segundo lugar, a precisão do dispositivo foi associada principalmente com 3 fatores específicos do Usuário: qualidade subjetiva do sono medida por PSQI, WASO, e SE.

Sleep stage transition analysis has been used to characterize sleep continuity and the temporal stability of non-REM and REM bouts in sleep science . Neste estudo, as probabilidades de transição do estágio do sono derivadas dos dados médicos demonstraram padrões interessantes. Como esperado, a probabilidade de qualquer estágio de sono permanecer no mesmo estágio era constantemente maior do que aquela para que este estágio mudasse para um estágio diferente. A transição direta entre sono profundo e sono REM raramente acontecia. A probabilidade de transições do despertar para o sono profundo ou do despertar para o sono REM era baixa. Da mesma forma, a probabilidade de transição do sono profundo para o despertar também era baixa. Estas características foram consistentes com os achados relatados em estudos anteriores sobre os padrões de transição do estágio do sono em pessoas saudáveis .

a transição do estágio do sono é o resultado de interações complexas entre muitas regiões do cérebro. Não sendo capaz de detectar marcadores em ondas cerebrais, tais como complexos-k , pulseiras de consumo têm um desempenho limitado na classificação de estágios de sono. Estudos anteriores mostram que os dispositivos Fitbit Charge 2 sobrestimaram significativamente o sono leve e subestimaram o sono profundo quando validados em ambientes de laboratório , ao passo que subestimaram o sono profundo e sobrestimaram a luz e o sono REM quando validados em condições de vida livres . Este estudo complementa as descobertas anteriores e contribui com novos insights sobre a capacidade de Fitbit na captura de transições de estágio de sono. No geral, observamos que a carga Fitbit 2 desviou-se significativamente do dispositivo médico na medição da dinâmica de transição do estágio do sono. Notavelmente, as probabilidades médias de permanecer no estágio de esteira e estágio profundo medido por Fitbit foram significativamente mais elevadas do que as medidas pelo dispositivo médico. Em contraste, Fitbit subestimou as probabilidades das transições de estágio do sono leve para acordar e do sono leve para o sono profundo. Isto é provavelmente por causa da desclassificação de epochs de despertar e sono profundo para o sono leve . O viés sistemático (entre 40% e 60%) foi ilustrado nas parcelas Bland-Altman nestas probabilidades de transição do estágio de sono. Por outro lado, não foi observado nenhum viés sistemático e diferença média na medição da probabilidade de permanecer na fase de sono REM. Este resultado fornece evidências complementares para a conclusão no estudo de Zambotti et al que Fitbit Charge 2 concordou bem com os dispositivos médicos na detecção de sono REM.

Um aspecto único deste estudo é que nós também examinamos o efeito de fatores específicos do Usuário e encontramos várias associações. Nossa análise mostrou que a qualidade subjetiva do sono medida por PSQI, wake after WASO, e SE eram indicadores significativamente fortes de erros de medição em probabilidades de transição do estágio de sono. A relação idade, SOL e sono profundo foram indicadores significativos, mas fracos, enquanto que Sexo, TST, relação de sono leve, relação de sono REM, e ciclo de sono médio não foram associados com os erros de medição de Fitbit.apesar da constatação de estudos de validação anteriores de que a má qualidade do sono está associada ao desempenho deteriorado dos dispositivos de monitorização do sono na medição das métricas do sono polissonográfico , este estudo revela que a relação é mais complicada entre a qualidade do sono e a precisão do dispositivo na medição das transições do estágio do sono. Na verdade, descobrimos que a boa qualidade subjetiva do sono (PSQI<5) estava associada a um erro de medição diminuído na probabilidade de permanecer em estado de sono profundo, e o sono menos fragmentado (WASO<30 min) estava associado a erros diminuídos na probabilidade de transição do sono leve para o sono REM. No entanto, é também descobriram que o bom sono caracterizado pelo rápido início do sono (SOL<30 min), alta proporção de sono profundo (SWS>20%), a boa sensação subjetiva (PSQI<5), curto despertares (WASO<30 min), e alta SE (SE>90%) foram associados com o aumento de erros de medição em resultado diferente probabilidades de transição. Este resultado contradiz os achados anteriores sobre a actigrafia que deteriorou o sono (eg, long WASO e SOL) aumentou os erros de medição . Esta disparidade sugere que os achados relacionados com a actigrafia clínica não devem ser generalizados para Pulseiras de consumo sem mais validação.além disso, verificou-se que a idade era um indicador significativo mas fraco dos erros de medição. Os participantes na faixa etária de 25 a 30 anos tiveram erros de medição diminuídos na probabilidade de permanecer em estágio de sono leve em comparação com aqueles com menos de 25 anos de idade. Como a idade tem sido amplamente reconhecida como um fator significativo que altera os padrões do sono , o efeito da idade também pode ser rastreado até a diferença nos padrões subjacentes do sono. Os dados do sono médico mostraram que os participantes mais jovens geralmente tinham uma dinâmica de transição do sono mais curta e mais elevada (transição do sono profundo para o sono leve), o que pode explicar o aumento dos erros de medição. No entanto, esta constatação não deve ser generalizada a uma vasta gama de grupos etários devido à amostragem restrita de idade neste estudo. São necessários estudos adicionais para examinar sistematicamente o efeito da idade na precisão do dispositivo.as nossas conclusões complementam as de estudos de validação anteriores sobre pulseiras de consumo para rastreamento do sono em geral. Fitbit Charge 2 demonstrou desempenho satisfatório na medição de TST e SE, mas continua incapaz de classificar as fases de sono com boa precisão . As nossas descobertas mostram que o Fitbit Charge 2 também pode subestimar a dinâmica da transição do sono, pelo que deve ser utilizado com precaução. Este estudo estabelece uma referência preliminar para pesquisadores que pretendem usar o dispositivo Fitbit para medir transições de estágio de sono em estudos científicos, e este estudo sugere que tanto os padrões de sono percebidos como objetivos podem precisar ser considerados na escolha das ferramentas de monitoramento do sono.

limitações

Este estudo está sujeito às seguintes limitações. Primeiro, os participantes representam uma população jovem e saudável que estava livre de distúrbios do sono ou doenças crônicas. Assim, os resultados não podem ser generalizados a populações mais velhas ou clínicas. Em segundo lugar, a fase de coleta de dados não era longitudinal por natureza, e apenas uma noite de sono de cada participante foi analisada. Assim, os resultados podem não contar variações intra-pessoais. Em terceiro lugar, a lista de factores susceptíveis de afectar este estudo não foi exaustiva e pode ser afectada por uma amostragem restrita. Outras investigações deverão abordar estas limitações, incluindo uma população diversificada, alargando a duração da recolha de dados e examinando o efeito de outros potenciais indicadores de precisão do dispositivo.

Conclusões

temos demonstrado que o Fitbit Carregar 2 significativamente subestimado estágio do sono de transição dinâmica comparada com o dispositivo médico, e que a precisão da medição pode ser afetado principalmente pela percepção de qualidade do sono, o sono continuidade e SUDESTE. Apesar da tendência positiva de maior precisão para os mais recentes rastreadores de sono usáveis do consumidor, a limitação destes dispositivos na detecção de dinâmica de transição estágio de sono precisa ser reconhecida. Como ferramenta de medição de resultados, a Fitbit Charge 2 pode não ser adequada para estudos de investigação relacionados com transições de fase de sono ou para a tomada de decisões em matéria de cuidados de saúde. Mais investigação deve centrar-se no aumento da precisão destas pulseiras de consumo na medição não só dos parâmetros polissonográficos, mas também da dinâmica de transição do estágio de sono.