先看重点
在一项为期3个月的试点中,62名儿科医护中有51人(82%)佩戴Garmin Venu 3智能手表达到至少70%的时间,基于其中41人数据建立的机器学习模型在区分职业倦怠风险上表现出作者所称的较高敏感性和特异性。摘要未给出具体准确度数值,且样本很小、来自同一医疗系统。
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
医护人员的职业倦怠是严重问题,此前用被动采集的可穿戴数据预测倦怠的尝试成效有限。研究者检验了忙碌的医护人员能否持续佩戴智能手表,以及极端梯度提升(XGBoost)机器学习模型能否把他们分为倦怠高风险或低风险。
研究了谁,如何研究
在一个儿科医疗系统的3个儿科急诊点和1个住院医师部门开展为期3个月的试点和可行性研究。医护人员持续佩戴Garmin Venu 3智能手表采集连续生物数据,并每6周通过邮件问卷自我报告倦怠。主要结局为马氏职业倦怠量表-人类服务版(MBI-HSS)所测的倦怠(情感耗竭、去人格化、个人成就感降低)。最终样本41人,要求在3个时间点中至少2次有倦怠评分,且手表佩戴时间不少于研究期的70%。
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可行性:82%(51/62)的参与者佩戴手表达到至少70%的时间,66%(41/62)同时有倦怠评分并纳入分析。
- 2极端梯度提升模型在区分倦怠高风险与低风险上整体表现良好,敏感性和特异性均较高。
- 3作者认为可穿戴生物数据能够准确预测倦怠,但摘要未报告具体的敏感性、特异性,也未说明是哪些手表指标起了作用。
局限与不确定性
- 1仅41人纳入分析,62名入组者中约三分之一因问卷缺失或佩戴时间不足被排除,可能偏向更积极配合的参与者。
- 2摘要未说明模型如何验证;若在建模的同一小样本上检验,表现可能被高估。
- 3倦怠由问卷自我报告并划分风险组,且参与者来自同一个儿科医疗系统,结果未必适用于其他工作场所。本解读仅基于摘要。
对日常健康的启示
这只是早期概念验证,说明被动采集的手表数据可能含有与倦怠相关的信号,并不是可以自测的工具。手表不能诊断职业倦怠;如果你在工作中感到精疲力竭、疏离或无成就感,找医生、心理咨询师或单位的支持项目更可靠。
如何联系自己的数据
手表记录的静息心率、心率变异性(HRV)、睡眠和压力评分,可以反映你在高强度工作期的状态变化,但单独来看并不是经过验证的倦怠指标。请在同一设备上比较自己数周的趋势,并结合真实感受判断。
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
Addressing the burnout epidemic among health care providers remains one of the foremost challenges of modern health care systems. Past researchers have turned to passively gathered biometric data from wearable devices to identify key variables that predict burnout. However, this has resulted in limited success.
Objective
This pilot and feasibility study aimed to test the feasibility and accuracy of developing an Extreme Gradient Boosting machine learning model to classify health care providers as being at higher or lower risk of burnout based on their biometric data.
Methods
We conducted a 3-month pilot and feasibility study where health care providers self-reported burnout every 6 weeks and wore a Garmin Venu 3 smartwatch to collect continuous biometric data. Participants were recruited from 3 pediatric urgent care sites and an inpatient hospitalist division of a pediatric health care system. We had a final sample of 41 participants who met our inclusion criteria requiring completion of burnout measurements at 2 of the 3 time points and having worn the watch for at least 70% of the study period. Participants were asked to wear the Garmin watch continuously over the course of the study. Burnout self-report surveys were delivered via email. Our main outcome was burnout as measured using the Maslach Burnout Inventory-Human Services Survey. The measure consists of 3 subscales that together constitute burnout: emotional exhaustion, depersonalization, and reduced personal efficacy.
Results
First, we found evidence of feasibility for wearable watches to be used in situ for health care providers to gather data passively for the purposes of classifying burnout. A total of 82% (51/62) of participants met our criteria of wearing the watch 70% of the time, with 66% (41/62) having corresponding burnout scores to be included in analyses. Second, our machine learning model achieved strong overall performance in identifying risk of burnout, with strong sensitivity and specificity, demonstrating that biometric data collected using wearable devices can accurately predict burnout.
Conclusions
Our evidence of feasibility offers promising results for a passive method of data collection to be used for classifying burnout risk in other health care settings. Furthermore, the strong performance of our machine learning model provides a foundational step toward improving an organization's ability to respond and mitigate burnout through thoughtful intervention strategies.
来源与署名
Identifying Burnout in Pediatric Clinicians Using Wearable Biometric Data: Development and Feasibility Study.
Ayres TB, Quaye GE, Gill HS, Pritchett A, Koertje C, Leeder JS, Fridley BL, Addington T.
Journal of medical Internet research · 2026-10-29
DOI: 10.2196/104511 ↗PubMed · 42955059 ↗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

