跳到正文
可穿戴与测量科学证据综述3 分钟阅读

手机与可穿戴设备的行为数据可反映抑郁情绪,但研究结果并不一致

MoveVitals 编辑部 · 研究发表 · 解读更新

原文:Correlations Between Objective Behavioral Features Collected From Mobile and Wearable Devices and Depressive Mood Symptoms in Patients With Affective Disorders: Systematic Review. · JMIR mHealth and uHealth · 2018 · 论文原文 ↗

先看重点

一项针对情感障碍患者的系统综述纳入46项研究,考察了85个来自手机和可穿戴设备的行为特征,其中居家时间、睡眠时长和高强度活动等与抑郁情绪的相关方向一致。而发送短信数量、手机屏幕使用频率等特征在不同研究间方向不一,且研究方法缺乏统一标准。

证据类型

证据综述

解读依据

公开摘要

阅读重点

方法与适用范围

研究在问什么

许多研究尝试把手机和可穿戴设备的客观数据与单相或双相情感障碍患者的抑郁症状联系起来,但结果不一,有时甚至相互矛盾。作者希望概述已报告的相关性,并比较各研究中相关性的强度和统计学意义,看哪些特征最有前景。

研究了谁,如何研究

按PRISMA报告的系统综述。检索了IEEE Xplore、ACM数字图书馆、Web of Sciences、PsychINFO、PubMed、DBLP、HTA、DARE、Scopus和Science Direct,并手工检索参考文献。检索截至2017年4月27日,限定为2007年至2017年发表的研究。摘要未报告患者总数,也没有合并相关系数。

主要发现

以下为作者报告的结果。数字须连同人群和不确定性一起阅读。

  1. 1
    共有46项研究符合条件,考察了85个独特的客观行为特征,来自17种不同的传感器数据,分为7类。
  2. 2
    有若干特征与情绪评估的相关具有统计学意义且方向一致,例如居家时间、睡眠时长和高强度活动。
  3. 3
    另一些特征在不同研究中方向不一致,例如发送短信数量、在不同地点之间花费的时间以及手机屏幕活动频率。
  4. 4
    作者认为持续的日常监测有望成为估计抑郁情绪的辅助客观指标,但摘要没有给出相关性的大小。

局限与不确定性

  1. 1
    作者指出各研究存在方法学问题,所收集的特征、情绪评估方法和统计方法都缺乏标准化。
  2. 2
    由于这些差异,相关性无法用荟萃分析合并,因此摘要中没有任何特征的综合强度。
  3. 3
    在情感障碍患者中观察到的相关性,不等于这些数据能在普通人群中识别抑郁或预测发作。
  4. 4
    本解读仅基于摘要。

对日常健康的启示

睡眠时长、居家时间和高强度活动等手机和可穿戴行为数据,在患者中往往与情绪同向变化,支持将其作为辅助信号。但它们不能诊断抑郁,你的数据变化也不能证明存在情绪问题。如果你担心抑郁,请咨询临床医生。

如何联系自己的数据

睡眠时长、活动强度和外出时间,手机和手表本来就会记录。可以把它们当作个人背景信息,例如留意活动持续下降或睡眠改变是否与你的感受同时出现,并与自己在同一设备上的基线比较,而不是与他人比较。

如何理解这类证据

先看纳入了哪些设计、检索与偏倚评估如何完成,以及检索截止日期;发表新不代表底层证据都是最新的。

作者的结构化摘要 English

以下英文摘要按记录的开放许可转载,属于作者原始材料,不是 MoveVitals 的解读。上方已提供研究解读,分别说明作者结果与本站解释;重要结论可直接核对原文。

Background

Several studies have recently reported on the correlation between objective behavioral features collected via mobile and wearable devices and depressive mood symptoms in patients with affective disorders (unipolar and bipolar disorders). However, individual studies have reported on different and sometimes contradicting results, and no quantitative systematic review of the correlation between objective behavioral features and depressive mood symptoms has been published.

Objective

The objectives of this systematic review were to (1) provide an overview of the correlations between objective behavioral features and depressive mood symptoms reported in the literature and (2) investigate the strength and statistical significance of these correlations across studies. The answers to these questions could potentially help identify which objective features have shown most promising results across studies.

Methods

We conducted a systematic review of the scientific literature, reported according to the preferred reporting items for systematic reviews and meta-analyses guidelines. IEEE Xplore, ACM Digital Library, Web of Sciences, PsychINFO, PubMed, DBLP computer science bibliography, HTA, DARE, Scopus, and Science Direct were searched and supplemented by hand examination of reference lists. The search ended on April 27, 2017, and was limited to studies published between 2007 and 2017.

Results

A total of 46 studies were eligible for the review. These studies identified and investigated 85 unique objective behavioral features, covering 17 various sensor data inputs. These features were divided into 7 categories. Several features were found to have statistically significant and consistent correlation directionality with mood assessment (eg, the amount of home stay, sleep duration, and vigorous activity), while others showed directionality discrepancies across the studies (eg, amount of text messages [short message service] sent, time spent between locations, and frequency of mobile phone screen activity).

Conclusions

Several studies showed consistent and statistically significant correlations between objective behavioral features collected via mobile and wearable devices and depressive mood symptoms. Hence, continuous and everyday monitoring of behavioral aspects in affective disorders could be a promising supplementary objective measure for estimating depressive mood symptoms. However, the evidence is limited by methodological issues in individual studies and by a lack of standardization of (1) the collected objective features, (2) the mood assessment methodology, and (3) the statistical methods applied. Therefore, consistency in data collection and analysis in future studies is needed, making replication studies as well as meta-analyses possible.

来源与署名

Correlations Between Objective Behavioral Features Collected From Mobile and Wearable Devices and Depressive Mood Symptoms in Patients With Affective Disorders: Systematic Review.

Rohani DA, Faurholt-Jepsen M, Kessing LV, Bardram JE.

JMIR mHealth and uHealth · 2018-08-13

DOI: 10.2196/mhealth.9691 ↗PubMed · 30104184 ↗Europe PMC · 记录的开放许可: cc by ↗

摘要版权归原作者,依据来源记录的开放许可转载。中文译文辅助阅读,英文摘要用于核对术语与具体数值;本站的方法学解释与作者结论分别呈现。

MoveVitals 编辑解读 · 健康教育内容 · 未记录个人临床审阅

来源核验日期 2026-11-01

实用健康指南

放在一起读

·队列研究

加速度计处理方法不同,身体活动与卒中、心肌梗死的关联曲线也不同

在英国生物银行中,基线无心血管疾病的90237名成年人随访至2022年12月,共发生1298例卒中和2031例心肌梗死;中高强度身体活动(MVPA)与这两种结局的关联曲线形状,取决于加速度计数据的处理方法。就卒中而言,只有机器学习法得到直线下降的风险;就心肌梗死而言,机器学习法和LFENMO法呈曲线下降,活动计数法呈直线下降。摘要没有给出风险比,只能说明不同方法的结论不一致,不能说明哪种方法更正确,而且这些只是观察性关联。

Preventive Medicine

重点论文精讲阅读论文 →
·测量验证研究/综述

智能手表数据能当“证人”吗:心率验证得最充分,其余证据参差

一项围绕数字取证展开的系统评价和荟萃分析,梳理了四大主流品牌智能手表的验证研究,发现心率是研究最多、也最准确的指标。步数、距离、能量消耗、活动分类和睡眠的验证不够一致,结果因品牌、方案和报告方式而异。摘要没有给出汇总数据,且多数研究是在健康人群中、于实验室内完成的,所以无法说明某一块手表对某个人在日常生活中的表现。

Forensic Science International

重点论文精讲阅读论文 →
·综述的综述

活动追踪器:每天多走约1800步,对其他健康指标影响较小

这项伞形综述汇总了39篇系统评价和荟萃分析,涉及163992名参与者;结果显示使用活动追踪器与身体活动增加相关(标准化均数差SMD为0.3–0.6),相当于每天多走约1800步、多步行40分钟,体重减轻约1公斤。对血压、胆固醇、糖化血红蛋白、生活质量和疼痛的影响通常很小,且多数不显著。摘要没有说明这些项目里追踪器还搭配了什么,也没有说明各评价之间重叠多少,因此不能把效果完全归功于设备本身。

The Lancet Digital Health

重点论文精讲阅读论文 →
·测量验证研究/综述

七款睡眠追踪设备:识别睡着很准,识别醒着和睡眠分期较差

在睡眠实验室里,34名健康的年轻成年人连续三晚佩戴七款消费级睡眠追踪设备中的若干款。与多导睡眠监测相比,所有设备识别睡眠都很准(灵敏度均不低于0.93),但识别清醒较差(特异度0.18–0.54),七款中有五款与研究用活动记录仪(特异度0.39)持平或更好;睡眠分期的估计结果不稳定。受试者是18至35岁的健康成年人,卧床时间固定为8小时,每款设备只在其中11至20人身上测试,因此对有睡眠问题的人几乎没有参考价值。

Sleep

重点论文精讲阅读论文 →
可穿戴与测量科学 →