跳到正文
可穿戴与测量科学队列研究3 分钟阅读

368人的Fitbit睡眠特征与抑郁症状评分相关

MoveVitals 编辑部 · 研究发表 · 解读更新

原文:Relationship Between Major Depression Symptom Severity and Sleep Collected Using a Wristband Wearable Device: Multicenter Longitudinal Observational Study. · JMIR mHealth and uHealth · 2021 · 论文原文 ↗

先看重点

利用来自3个欧洲研究点368名参与者的2812份问卷记录,发现14个由腕带得出的睡眠特征与抑郁症状评分(PHQ-8)显著相关,其中平均睡眠结束时间(z=6.19,P<.001)和觉醒次数(z=5.53,P<.001)最突出。这是跨人群和时间的睡眠与症状的关联,且各研究点的模式不同,不能说明睡眠变化可以预测或导致抑郁。

证据类型

队列研究

解读依据

公开摘要

阅读重点

关联与混杂

研究在问什么

睡眠问题与抑郁相关,但多导睡眠监测(PSG,金标准)不适合长期居家使用,睡眠日记又依赖回忆。作者检验消费级腕带得出的睡眠特征是否与8项患者健康问卷(PHQ-8)评估的抑郁症状严重程度相关。

研究了谁,如何研究

这是一项多中心纵向观察性研究。Fitbit腕带被动采集每日睡眠数据,参与者每2周用PHQ-8自评抑郁症状。分析使用了荷兰、西班牙和英国3个研究点368名参与者的2812份PHQ-8记录。作者提取了18个睡眠特征,涵盖睡眠结构、稳定性、质量、失眠和嗜睡,用线性混合回归模型分析,并以系数的z值评价每个特征。模型分别在全部数据和每个研究点的数据上运行。

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
    在全部数据中,14个睡眠特征与PHQ-8评分显著相关(P<.05)。
  2. 2
    按z值排前5位的是平均睡眠结束时间(z=6.19,P<.001)、觉醒次数(z=5.53,P<.001)、清醒时间占比(z=5.45,P<.001)、嗜睡(z=5.30,P<.001)和失眠(z=4.55,P<.001)。
  3. 3
    3个研究点之间的关联各不相同,可能与人群差异有关。
  4. 4
    许多结果与以往用PSG和睡眠问卷测量睡眠的研究一致。

局限与不确定性

  1. 1
    摘要只给出z值,没有给出效应量,也没有说明每个关联的方向以及对应多少PHQ-8分。
  2. 2
    各研究点的关联不同,结果未必适用于其他人群或设备。
  3. 3
    腕带的睡眠估计不等同于PSG,摘要也没有报告其准确性或参与者的诊断情况。
  4. 4
    本解读仅基于摘要。

对日常健康的启示

在这一人群中,腕带记录到的睡眠模式,如起床时间更晚、觉醒更多以及睡眠过长或零碎,与更高的抑郁症状评分同步出现。这使可穿戴设备成为远程监测的可能工具,但不能用来诊断抑郁。如果情绪低落或睡眠问题持续,请咨询临床医生。

如何联系自己的数据

研究使用的是Fitbit的清醒时间、觉醒次数和睡眠时间点等数据,许多可穿戴设备也有记录。请看自己数周的趋势,使用同一设备并以同样方式佩戴,并记住睡眠分期只是估计,不是实验室级别的测量。

如何理解这类证据

暴露先于随访结局,仍可能存在混杂和反向因果。危险比不是个人绝对风险,也不等于已证明的干预效果。

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

Sleep problems tend to vary according to the course of the disorder in individuals with mental health problems. Research in mental health has associated sleep pathologies with depression. However, the gold standard for sleep assessment, polysomnography (PSG), is not suitable for long-term, continuous monitoring of daily sleep, and methods such as sleep diaries rely on subjective recall, which is qualitative and inaccurate. Wearable devices, on the other hand, provide a low-cost and convenient means to monitor sleep in home settings.

Objective

The main aim of this study was to devise and extract sleep features from data collected using a wearable device and analyze their associations with depressive symptom severity and sleep quality as measured by the self-assessed Patient Health Questionnaire 8-item (PHQ-8).

Methods

Daily sleep data were collected passively by Fitbit wristband devices, and depressive symptom severity was self-reported every 2 weeks by the PHQ-8. The data used in this paper included 2812 PHQ-8 records from 368 participants recruited from 3 study sites in the Netherlands, Spain, and the United Kingdom. We extracted 18 sleep features from Fitbit data that describe participant sleep in the following 5 aspects: sleep architecture, sleep stability, sleep quality, insomnia, and hypersomnia. Linear mixed regression models were used to explore associations between sleep features and depressive symptom severity. The z score was used to evaluate the significance of the coefficient of each feature.

Results

We tested our models on the entire dataset and separately on the data of 3 different study sites. We identified 14 sleep features that were significantly (P<.05) associated with the PHQ-8 score on the entire dataset, among them awake time percentage (z=5.45, P<.001), awakening times (z=5.53, P<.001), insomnia (z=4.55, P<.001), mean sleep offset time (z=6.19, P<.001), and hypersomnia (z=5.30, P<.001) were the top 5 features ranked by z score statistics. Associations between sleep features and PHQ-8 scores varied across different sites, possibly due to differences in the populations. We observed that many of our findings were consistent with previous studies, which used other measurements to assess sleep, such as PSG and sleep questionnaires.

Conclusions

We demonstrated that several derived sleep features extracted from consumer wearable devices show potential for the remote measurement of sleep as biomarkers of depression in real-world settings. These findings may provide the basis for the development of clinical tools to passively monitor disease state and trajectory, with minimal burden on the participant.

来源与署名

Relationship Between Major Depression Symptom Severity and Sleep Collected Using a Wristband Wearable Device: Multicenter Longitudinal Observational Study.

Zhang Y, Folarin AA, Sun S, Cummins N, Bendayan R, Ranjan Y, Rashid Z, Conde P, Stewart C, Laiou P, Matcham F, White KM, Lamers F, Siddi S, Simblett S, Myin-Germeys I, Rintala A, Wykes T, Haro JM, Penninx BW, Narayan VA, Hotopf M, Dobson RJ, RADAR-CNS Consortium.

JMIR mHealth and uHealth · 2021-04-12

DOI: 10.2196/24604 ↗PubMed · 33843591 ↗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 →