Cross-evaluation of wearable data for use in Parkinson’s disease research: a free-living observational study on Empatica E4, Fitbit Sense, and Oura
Notice bibliographique
Résumé
BACKGROUND: Established assessment scales used for Parkinson's disease (PD) have several limitations in tracking symptom progression and fluctuation. Both research and commercial-grade wearables show potential in improving these assessments. However, it is not known whether pervasive and affordable devices can deliver reliable data, suitable for designing open-source unobtrusive around-the-clock assessments. Our aim is to investigate the usefulness of the research-grade wristband Empatica E4, commercial-grade smartwatch Fitbit Sense, and the Oura ring, for PD research. METHOD: The study included participants with PD (N = 15) and neurologically healthy controls (N = 16). Data were collected using established assessment scales (Movement Disorders Society Unified Parkinson's Disease Rating Scale, Montreal Cognitive Assessment, REM Sleep Behavior Disorder Screening Questionnaire, Hoehn and Yahr Stage), self-reported diary (activities, symptoms, sleep, medication times), and 2-week digital data from the three devices collected simultaneously. The analyses comprised three steps: preparation (device characteristics assessment, data extraction and preprocessing), processing (data structuring and visualization, cross-correlation analysis, diary comparison, uptime calculation), and evaluation (usability, availability, statistical analyses). RESULTS: We found large variation in data characteristics and unsatisfactory cross-correlation. Due to output incongruences, only heart rate and movement could be assessed across devices. Empatica E4 and Fitbit Sense outperformed Oura in reflecting self-reported activities. Results show a weak output correlation and significant differences. The uptime was good, but Oura did not record heart rate and movement concomitantly. We also found variation in terms of access to raw data, sampling rate and level of device-native processing, ease of use, retrieval of data, and design. We graded the system usability of Fitbit Sense as good, Empatica E4 as poor, with Oura in the middle. CONCLUSIONS: In this study we identified a set of characteristics necessary for PD research: ease of handling, cleaning, data retrieval, access to raw data, score calculation transparency, long battery life, sufficient storage, higher sampling frequencies, software and hardware reliability, transparency. The three analyzed devices are not interchangeable and, based on data features, none were deemed optimal for PD research, but they all have the potential to provide suitable specifications in future iterations.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».