先看重点
利用青少年大脑认知发展(ABCD)研究中儿童21天可穿戴设备数据建立的机器学习模型,区分ADHD儿童与对照的AUC为0.798,区分睡眠问题儿童的AUC为0.737。阳性预测值很低(ADHD为0.159,睡眠问题为0.036),多数被判为阳性的儿童并不真正患有该问题。
证据类型
研究论文
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
早期发现ADHD和睡眠问题对儿童心理健康很重要,但以访谈为基础的诊断存在不足。作者检验了可穿戴设备数据中基于昼夜节律的特征,能否预测经结构化访谈诊断的ADHD和睡眠问题。
研究了谁,如何研究
诊断性研究,使用ABCD研究(3.0版,美国21个研究点)的数据。采用6571名儿童的筛查数据和5725名儿童在2年随访时的21天可穿戴设备数据,并为每名参与者生成基于昼夜节律的特征。诊断来自依据DSM-5的儿童情感障碍和精神分裂症访谈量表(K-SADS)。用受试者工作特征曲线下面积(AUC)、敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)评价模型,并用Shapley加性解释值评估特征重要性。
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对于ADHD(79名患儿对1011名对照),AUC为0.798,敏感度0.756,特异度0.716,PPV 0.159,NPV 0.976。
- 2对于睡眠问题(68名患儿对3346名对照),AUC为0.737,敏感度0.743,特异度0.632,PPV 0.036,NPV 0.992。
- 3PPV极低意味着多数检测阳性的儿童并不真正患病,而NPV很高意味着阴性结果通常是对的。这在样本中患病者占比很小时是预期之中的。
局限与不确定性
- 1最终分析只有79名ADHD儿童和68名睡眠问题儿童,性能估计可能不稳定。
- 2摘要没有说明模型是否在数据集之外的儿童中检验过,所以真实场景中的准确性未知。
- 3儿童约12岁,来自美国ABCD样本,结果未必适用于更小的儿童或其他人群。
- 4模型预测的是基于访谈的诊断,只是一种筛查思路而非诊断,作者也指出后续研究可进一步提高性能。
- 5本文解读仅基于摘要。
对日常健康的启示
这是关于腕戴设备数据能否在将来帮助筛出需要进一步评估的儿童的早期研究。它不是判断孩子是否患有ADHD或睡眠障碍的工具。如果担心孩子的注意力或睡眠,请咨询儿科医生或其他临床医生。
如何联系自己的数据
可穿戴设备记录的睡眠时间及其规律性与昼夜节律有关,正是这类数据被用于本研究。如果记录孩子的睡眠,请使用同一设备,比较数周的数据而不是单晚结果;持续存在的担忧应交给医生,而不是依赖应用程序。
如何理解这类证据
索引未明确确定具体研究设计,应先读方法;核对人群、对照、结局和不确定性,再判断能否作因果解释。
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。
Importance
Early detection of attention-deficit/hyperactivity disorder (ADHD) and sleep problems is paramount for children's mental health. Interview-based diagnostic approaches have drawbacks, necessitating the development of an evaluation method that uses digital phenotypes in daily life.
Objective
To evaluate the predictive performance of machine learning (ML) models by setting the data obtained from personal digital devices comprising training features (ie, wearable data) and diagnostic results of ADHD and sleep problems by the Kiddie Schedule for Affective Disorders and Schizophrenia Present and Lifetime Version for Diagnostic and Statistical Manual of Mental Disorders, 5th edition (K-SADS) as a prediction class from the Adolescent Brain Cognitive Development (ABCD) study.
Design, setting, and participants
In this diagnostic study, wearable data and K-SADS data were collected at 21 sites in the US in the ABCD study (release 3.0, November 2, 2020, analyzed October 11, 2021). Screening data from 6571 patients and 21 days of wearable data from 5725 patients collected at the 2-year follow-up were used, and circadian rhythm-based features were generated for each participant. A total of 12 348 wearable data for ADHD and 39 160 for sleep problems were merged for developing ML models.
Main outcomes and measures
The average performance of the ML models was measured using an area under the receiver operating characteristics curve (AUC), sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV). In addition, the Shapley Additive Explanations value was used to calculate the importance of features.
Results
The final population consisted of 79 children with ADHD problems (mean [SD] age, 144.5 [8.1] months; 55 [69.6%] males) vs 1011 controls and 68 with sleep problems (mean [SD] age, 143.5 [7.5] months; 38 [55.9%] males) vs 3346 controls. The ML models showed reasonable predictive performance for ADHD (AUC, 0.798; sensitivity, 0.756; specificity, 0.716; PPV, 0.159; and NPV, 0.976) and sleep problems (AUC, 0.737; sensitivity, 0.743; specificity, 0.632; PPV, 0.036; and NPV, 0.992).
Conclusions and relevance
In this diagnostic study, an ML method for early detection or screening using digital phenotypes in children's daily lives was developed. The results support facilitating early detection in children; however, additional follow-up studies can improve its performance.
来源与署名
Machine Learning-Based Prediction of Attention-Deficit/Hyperactivity Disorder and Sleep Problems With Wearable Data in Children.
Kim WP, Kim HJ, Pack SP, Lim JH, Cho CH, Lee HJ.
JAMA network open · 2023-03-01
DOI: 10.1001/jamanetworkopen.2023.3502 ↗PubMed · 36930149 ↗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

