先看重点
在61项关于可穿戴设备用于慢性病远程监测的研究中,39项(64%)使用腕带等佩戴式设备,加速度计是最常见的传感器(n=39,64%),手腕是最常见的佩戴部位。研究多集中于神经系统(34%)和心血管(25%)疾病,这项梳理型综述并未检验设备是否改善健康。
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
可穿戴设备可远程收集健康数据,支持慢性病的门诊管理,但针对单一疾病的研究使远程监测系统难以标准化。作者梳理了慢性病研究中出现的可穿戴设备、传感器、健康参数、佩戴部位和医学应用。
研究了谁,如何研究
系统评价,检索PubMed、Web of Science和Scopus。在筛查1160篇文章后,作者选出61篇涉及心血管、癌症、神经系统、代谢、呼吸及其他疾病的文章,并围绕设备、传感器类型、健康参数、佩戴部位和医学应用5个目标建立分析方法进行整理。
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设备类型:61篇文章中有39篇(64%)使用佩戴式腕带类设备,如智能手表、手环、臂带和胸带。
- 2传感器:加速度计(n=39,64%)、光电容积描记传感器(n=18,30%)、生物电位测量器(n=17,28%)、压力计(n=11,18%)和体温计(n=9,15%)。
- 3监测的参数:加速度(n=39,64%)、心率(n=24,39%)、体温(n=9,15%)、血压(n=8,13%)和外周血氧饱和度(n=7,11%)。常见佩戴部位是手腕,其次是上臂和胸部。
- 4应用领域:神经系统疾病(n=21,34%)和心血管疾病(n=15,25%)。39项研究(64%)用于健康与生活方式监测,主要是活动(n=39,100%)和睡眠(n=10,26%)。
局限与不确定性
- 1这是对所用设备的描述性梳理,并未评估准确性、临床获益或患者结局。
- 2从三个数据库的1160篇筛查文章中仅选出61篇,可能无法涵盖所有设备类型,尤其是较新的设备。
- 3摘要没有提供研究质量和样本量,作者本人也呼吁开展使用医疗认证设备的实用性临床试验。
对日常健康的启示
慢性病可穿戴设备研究大多依赖腕戴式运动感知并配合心率,而不是血压或血氧传感器。消费级设备不能替代医疗监测;对担心的读数,或为某种疾病使用设备,请与医生讨论。
如何联系自己的数据
这与许多人已在记录的内容一致:腕戴设备的活动、心率和睡眠。请固定同一设备和佩戴位置,比较数周的趋势而不是单次读数;可穿戴设备的血压和血氧读数较少见,不能取代经验证的血压计或医疗建议。
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
Wearable devices enable the remote collection of health parameters, supporting the outpatient care plans recommended by the World Health Organization to manage chronic diseases. While disease-specific monitoring is accurate, a comprehensive analysis of wearables across various chronic diseases helps to standardize remote patient monitoring systems.
Objective
This review aimed to identify wearables for remote monitoring of chronic diseases, focusing on (1) wearable devices, (2) sensor types, (3) health parameters, (4) body locations, and (5) medical applications.
Methods
We developed a search strategy and conducted searches across three databases: PubMed, Web of Science, and Scopus. After reviewing 1160 articles, we selected 61 that addressed cardiovascular, cancer, neurological, metabolic, respiratory, and other diseases. We created a data analysis method based on our 5 objectives to organize the articles for a comprehensive analysis.
Results
From the 61 articles, 39 (64%) used wearable bands such as smartwatches, wristbands, armbands, and straps to monitor chronic diseases. Wearable devices commonly included various sensor types, such as accelerometers (n=39, 64%), photoplethysmographic sensors (n=18, 30%), biopotential meters (n=17, 28%), pressure meters (n=11, 18%), and thermometers (n=9, 15%). These sensors collected diverse health parameters, including acceleration (n=39, 64%), heart rate (n=24, 39%), body temperature (n=9, 15%), blood pressure (n=8, 13%), and peripheral oxygen saturation (n=7, 11%). Common sensor body locations were the wrist, followed by the upper arm and the chest. The medical applications of wearable devices were neurological (n=21, 34%) and cardiovascular diseases (n=15, 25%). Additionally, researchers applied wearable devices for wellness and lifestyle monitoring (n=39, 64%), mainly for activity (n=39, 100%) and sleep (n=10, 26%).
Conclusions
This review underscores that wearable devices primarily function as bands, commonly worn on the wrist, to monitor chronic diseases. These devices collect data on acceleration, heart rate, body temperature, blood pressure, and peripheral oxygen saturation, with a focus on neurological and cardiovascular diseases. Our findings provide a foundational road map for designing generalized remote patient monitoring systems to manage multimorbidity and support standardized terminology for interoperability across digital health systems. To translate this into practice, we recommend that future research prioritize pragmatic clinical trials with medically certified devices.
来源与署名
Wearable Devices for Remote Monitoring of Chronic Diseases: Systematic Review.
Tegegne MD, Niakan Kalhori SR, Haas P, Sobotta VM, Warnecke J, Deserno TM.
JMIR mHealth and uHealth · 2026-02-11
DOI: 10.2196/74071 ↗PubMed · 41671558 ↗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

