先看重点
在一项针对30名轻度认知障碍老年人的10周试验中,用机器学习分析腕式传感器特征(主要是HRV),预测执行功能评分的相关系数r = 0.69,预测个体内变化的r = 0.61。但仅分析了17人和96个数据区间,该模型只是有前景的概念验证,还不是经过验证的工具。
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
监测轻度认知障碍(MCI)患者的思维能力通常需要不便的神经心理测试。作者检验了腕戴设备的生理信号能否作为认知测试评分的替代指标。
研究了谁,如何研究
对一项10周单臂临床试验的二次分析,对象为50-70岁、诊断为遗忘型MCI的成年人(N = 30),接受数字化多领域干预。干预前后用神经心理测验组合(NTB)评估认知,得到执行功能、加工速度、即时记忆、延迟记忆和整体认知的综合评分。用Empatica E4腕戴设备记录血容量脉搏、皮肤电活动和皮肤温度并提取特征。NTB评分被插值到10天区间,同时使用以个人基线为中心的数据。用监督式机器学习根据生理特征和人口学信息预测评分,并采用留一受试者和留一区间交叉验证。
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最终样本为来自17人的96个汇总数据区间,共提取106个数字生理特征。
- 2与其他认知综合评分相比,生理特征(尤其是HRV指标)与执行功能的相关最强。
- 3模型预测实际执行功能评分的相关系数r = 0.69,预测个体内执行功能变化的r = 0.61。
- 4作者认为,基于可穿戴设备的生理指标(主要是HRV)有望用于MCI患者认知功能的持续评估。
局限与不确定性
- 1最终分析只用了入组30人中的17人和96个区间,模型可能过拟合,推广性不确定。
- 2NTB评分是在两次测试之间插值得到10天区间的数值,认知目标值是估计值而非实测值。
- 3采用单臂设计,使用的是医疗级Empatica E4而非消费级手表,且试验干预本身可能同时改变认知和生理指标。
- 4摘要只给出了相关系数,没有误差或置信区间。本解读仅基于摘要。
对日常健康的启示
这项工作提示,腕戴设备的HRV将来可能有助于监测MCI患者的认知,尤其是跟踪随时间的变化。它并没有表明你自己的HRV能够估计记忆或思维能力。对记忆的担忧应由医生通过规范测试评估。
如何联系自己的数据
这项研究主要依赖HRV,消费级手表也提供HRV,但医疗级研究设备与消费级设备并不相同。请在相同条件下对照自己的基线追踪HRV,不要把它当作认知测试的替代品。
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。
Background
Continuous assessment and remote monitoring of cognitive function in individuals with mild cognitive impairment (MCI) enables tracking therapeutic effects and modifying treatment to achieve better clinical outcomes. While standardized neuropsychological tests are inconvenient for this purpose, wearable sensor technology collecting physiological and behavioral data looks promising to provide proxy measures of cognitive function. The objective of this study was to evaluate the predictive ability of digital physiological features, based on sensor data from wrist-worn wearables, in determining neuropsychological test scores in individuals with MCI.
Methods
We used the dataset collected from a 10-week single-arm clinical trial in older adults (50-70 years old) diagnosed with amnestic MCI (N = 30) who received a digitally delivered multidomain therapeutic intervention. Cognitive performance was assessed before and after the intervention using the Neuropsychological Test Battery (NTB) from which composite scores were calculated (executive function, processing speed, immediate memory, delayed memory and global cognition). The Empatica E4, a wrist-wearable medical-grade device, was used to collect physiological data including blood volume pulse, electrodermal activity, and skin temperature. We processed sensors' data and extracted a range of physiological features. We used interpolated NTB scores for 10-day intervals to test predictability of scores over short periods and to leverage the maximum of wearable data available. In addition, we used individually centered data which represents deviations from personal baselines. Supervised machine learning was used to train models predicting NTB scores from digital physiological features and demographics. Performance was evaluated using "leave-one-subject-out" and "leave-one-interval-out" cross-validation.
Results
The final sample included 96 aggregated data intervals from 17 individuals. In total, 106 digital physiological features were extracted. We found that physiological features, especially measures of heart rate variability, correlated most strongly to the executive function compared to other cognitive composites. The model predicted the actual executive function scores with correlation r = 0.69 and intra-individual changes in executive function scores with r = 0.61.
Conclusions
Our findings demonstrated that wearable-based physiological measures, primarily HRV, have potential to be used for the continuous assessments of cognitive function in individuals with MCI.
来源与署名
Predicting cognitive scores from wearable-based digital physiological features using machine learning: data from a clinical trial in mild cognitive impairment.
Rykov YG, Patterson MD, Gangwar BA, Jabar SB, Leonardo J, Ng KP, Kandiah N.
BMC medicine · 2024-01-25
DOI: 10.1186/s12916-024-03252-y ↗PubMed · 38273340 ↗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

