Real-World Accuracy of Wearable Activity Trackers for Detecting Medical Conditions: Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Wearable activity trackers, including fitness bands and smartwatches, offer the potential for disease detection by monitoring physiological parameters. However, their accuracy as specific disease diagnostic tools remains uncertain. OBJECTIVE: This systematic review and meta-analysis aims to evaluate whether wearable activity trackers can be used to detect disease and medical events. METHODS: Ten electronic databases were searched for studies published from inception to April 1, 2023. Studies were eligible if they used a wearable activity tracker to diagnose or detect a medical condition or event (eg, falls) in free-living conditions in adults. Meta-analyses were performed to assess the overall area under the curve (%), accuracy (%), sensitivity (%), specificity (%), and positive predictive value (%). Subgroup analyses were performed to assess device type (Fitbit, Oura ring, and mixed). The risk of bias was assessed using the Joanna Briggs Institute Critical Appraisal Checklist for Diagnostic Test Accuracy Studies. RESULTS: A total of 28 studies were included, involving a total of 1,226,801 participants (age range 28.6-78.3). In total, 16 (57%) studies used wearables for diagnosis of COVID-19, 5 (18%) studies for atrial fibrillation, 3 (11%) studies for arrhythmia or abnormal pulse, 3 (11%) studies for falls, and 1 (4%) study for viral symptoms. The devices used were Fitbit (n=6), Apple watch (n=6), Oura ring (n=3), a combination of devices (n=7), Empatica E4 (n=1), Dynaport MoveMonitor (n=2), Samsung Galaxy Watch (n=1), and other or not specified (n=2). For COVID-19 detection, meta-analyses showed a pooled area under the curve of 80.2% (95% CI 71.0%-89.3%), an accuracy of 87.5% (95% CI 81.6%-93.5%), a sensitivity of 79.5% (95% CI 67.7%-91.3%), and specificity of 76.8% (95% CI 69.4%-84.1%). For atrial fibrillation detection, pooled positive predictive value was 87.4% (95% CI 75.7%-99.1%), sensitivity was 94.2% (95% CI 88.7%-99.7%), and specificity was 95.3% (95% CI 91.8%-98.8%). For fall detection, pooled sensitivity was 81.9% (95% CI 75.1%-88.1%) and specificity was 62.5% (95% CI 14.4%-100%). CONCLUSIONS: Wearable activity trackers show promise in disease detection, with notable accuracy in identifying atrial fibrillation and COVID-19. While these findings are encouraging, further research and improvements are required to enhance their diagnostic precision and applicability. TRIAL REGISTRATION: Prospero CRD42023407867; https://www.crd.york.ac.uk/prospero/display_record.php?RecordID=407867.
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 | 0,026 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,018 | 0,045 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».