Exploring the Association Between Self-Reported Asthma Impact and Fitbit-Derived Sleep Quality and Physical Activity Measures in Adolescents
Notice bibliographique
Résumé
BACKGROUND: Smart wearables such as the Fitbit wristband provide the opportunity to monitor patients more comprehensively, to track patients in a fashion that more closely follows the contours of their lives, and to derive a more complete dataset that enables precision medicine. However, the utility and efficacy of using wearable devices to monitor adolescent patients' asthma outcomes have not been established. OBJECTIVE: The objective of this study was to explore the association between self‑reported sleep data, Fitbit sleep and physical activity data, and pediatric asthma impact (PAI). METHODS: We conducted an 8‑week pilot study with 22 adolescent asthma patients to collect: (1) weekly or biweekly patient‑reported data using the Patient-Reported Outcomes Measurement Information System (PROMIS) measures of PAI, sleep disturbance (SD), and sleep‑related impairment (SRI) and (2) real-time Fitbit (ie, Fitbit Charge HR) data on physical activity (F-AM) and sleep quality (F‑SQ). To explore the relationship among the self-reported and Fitbit measures, we computed weekly Pearson correlations among these variables of interest. RESULTS: We have shown that the Fitbit-derived sleep quality F-SQ measure has a moderate correlation with the PROMIS SD score (average r=-.31, P=.01) and a weak but significant correlation with the PROMIS PAI score (average r=-.18, P=.02). The Fitbit physical activity measure has a negligible correlation with PAI (average r=.04, P=.62). CONCLUSIONS: Our findings support the potential of using wrist-worn devices to continuously monitor two important factors-physical activity and sleep-associated with patients' asthma outcomes and to develop a personalized asthma management platform.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».