先看重点
在检索到的1203项研究中,69项(5.74%)将带AI的可穿戴设备用于焦虑或抑郁,约三分之二针对抑郁,多数用于诊断,没有一项用于治疗。这是范围综述,没有合并结果,只能说明研究了什么,不能说明可穿戴AI效果如何。
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
焦虑和抑郁是全球最常见的精神障碍,而许多地方精神科医生短缺,因此把AI嵌入可穿戴设备以提供心理健康服务成为一个探索方向。作者想梳理用于焦虑和抑郁的可穿戴AI有哪些特点,找出其应用领域和尚未解决的研究问题。
研究了谁,如何研究
范围综述。作者检索了8个数据库(MEDLINE、PsycINFO、Embase、CINAHL、IEEE Xplore、ACM Digital Library、Scopus和Google Scholar),并查阅了纳入研究的施引文献和参考文献。由2名评价者独立筛选研究并提取数据,采用叙述性综合汇总。摘要未报告检索时间,也未提及质量评价。
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在1203项检索到的研究中纳入69项(5.74%),约三分之二针对抑郁,其余针对焦虑。
- 2可穿戴AI最常见的用途是诊断,没有任何研究将其用于治疗。
- 3多数研究的对象为18至65岁人群。手腕佩戴设备最常见,使用最多的设备是Actiwatch AW4。
- 4建模最常用身体活动数据,其次是睡眠数据和心率数据。最常用的算法是随机森林,其次是支持向量机,最常用的公开数据集是Depresjon。
局限与不确定性
- 1范围综述只描述现有研究,不合并结果,因此无法说明这些系统的准确性或实用性。作者自己也呼吁后续综述对性能和效果进行统计合并。
- 2摘要没有给出任何准确率数字,因此可穿戴AI适合用于预筛查的结论在此缺乏数据支撑。
- 3建议科技公司加大投入属于作者的观点,超出了对研究的描述性梳理所能证明的范围。
- 4研究较多依赖单一公开数据集(Depresjon)和少数几类设备,结论的外推可能受限。以上解读仅基于摘要。
对日常健康的启示
可穿戴AI用于情绪障碍的研究很活跃,但集中在识别而非帮助康复。消费级可穿戴设备给出的分数不是焦虑或抑郁的诊断。如果你长期情绪低落或焦虑,请咨询医生,不要只依赖设备。
如何联系自己的数据
这些研究最常用的信号是身体活动、睡眠和心率,多数手表和指环本来就在记录。连续记录几周可以看到自己的规律,但只应与自己在同一设备上的基线比较,把变化当作自我觉察的提示,而不是诊断。
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
Anxiety and depression are the most common mental disorders worldwide. Owing to the lack of psychiatrists around the world, the incorporation of artificial intelligence (AI) into wearable devices (wearable AI) has been exploited to provide mental health services.
Objective
This review aimed to explore the features of wearable AI used for anxiety and depression to identify application areas and open research issues.
Methods
We searched 8 electronic databases (MEDLINE, PsycINFO, Embase, CINAHL, IEEE Xplore, ACM Digital Library, Scopus, and Google Scholar) and included studies that met the inclusion criteria. Then, we checked the studies that cited the included studies and screened studies that were cited by the included studies. The study selection and data extraction were carried out by 2 reviewers independently. The extracted data were aggregated and summarized using narrative synthesis.
Results
Of the 1203 studies identified, 69 (5.74%) were included in this review. Approximately, two-thirds of the studies used wearable AI for depression, whereas the remaining studies used it for anxiety. The most frequent application of wearable AI was in diagnosing anxiety and depression; however, none of the studies used it for treatment purposes. Most studies targeted individuals aged between 18 and 65 years. The most common wearable device used in the studies was Actiwatch AW4 (Cambridge Neurotechnology Ltd). Wrist-worn devices were the most common type of wearable device in the studies. The most commonly used category of data for model development was physical activity data, followed by sleep data and heart rate data. The most frequently used data set from open sources was Depresjon. The most commonly used algorithm was random forest, followed by support vector machine.
Conclusions
Wearable AI can offer great promise in providing mental health services related to anxiety and depression. Wearable AI can be used by individuals for the prescreening assessment of anxiety and depression. Further reviews are needed to statistically synthesize the studies' results related to the performance and effectiveness of wearable AI. Given its potential, technology companies should invest more in wearable AI for the treatment of anxiety and depression.
来源与署名
Wearable Artificial Intelligence for Anxiety and Depression: Scoping Review.
Abd-Alrazaq A, AlSaad R, Aziz S, Ahmed A, Denecke K, Househ M, Farooq F, Sheikh J.
Journal of medical Internet research · 2023-01-19
DOI: 10.2196/42672 ↗PubMed · 36656625 ↗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
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
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
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
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

