Sleep Tracking and Exercise in Patients With Type 2 Diabetes Mellitus (Step-D): Pilot Study to Determine Correlations Between Fitbit Data and Patient-Reported Outcomes
Notice bibliographique
Résumé
BACKGROUND: Few studies assessing the correlation between patient-reported outcomes and patient-generated health data from wearable devices exist. OBJECTIVE: The aim of this study was to determine the direction and magnitude of associations between patient-generated health data (from the Fitbit Charge HR) and patient-reported outcomes for sleep patterns and physical activity in patients with type 2 diabetes mellitus (T2DM). METHODS: This was a pilot study conducted with adults diagnosed with T2DM (n=86). All participants wore a Fitbit Charge HR for 14 consecutive days and completed internet-based surveys at 3 time points: day 1, day 7, and day 14. Patient-generated health data included minutes asleep and number of steps taken. Questionnaires assessed the number of days of exercise and nights of sleep problems per week. Means and SDs were calculated for all data, and Pearson correlations were used to examine associations between patient-reported outcomes and patient-generated health data. All respondents provided informed consent before participating. RESULTS: The participants were predominantly middle-aged (mean 54.3, SD 13.3 years), white (80/86, 93%), and female (50/86, 58%). Use of oral T2DM medication correlated with the number of mean steps taken (r=.35, P=.001), whereas being unaware of the glycated hemoglobin level correlated with the number of minutes asleep (r=-.24, P=.04). On the basis of the Fitbit data, participants walked an average of 4955 steps and slept 6.7 hours per day. They self-reported an average of 2.0 days of exercise and 2.3 nights of sleep problems per week. The association between the number of days exercised and steps walked was strong (r=.60, P<.001), whereas the association between the number of troubled sleep nights and minutes asleep was weaker (r=.28, P=.02). CONCLUSIONS: Fitbit and patient-reported data were positively associated for physical activity as well as sleep, with the former more strongly correlated than the latter. As extensive patient monitoring can guide clinical decisions regarding T2DM therapy, passive, objective data collection through wearables could potentially enhance patient care, resulting in better patient-reported outcomes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».