跳到正文
穿戴裝置與測量科學研究論文3 分鐘閱讀

兒童穿戴式裝置資料可初篩ADHD和睡眠問題,但誤報很多

MoveVitals 編輯部 · 研究發表 · 解讀更新

原文:Machine Learning-Based Prediction of Attention-Deficit/Hyperactivity Disorder and Sleep Problems With Wearable Data in Children. · JAMA network open · 2023 · 論文原文 ↗

先看重點

利用青少年大腦認知發展(ABCD)研究中兒童21天穿戴式裝置資料建立的機器學習模型,區分ADHD兒童與對照的AUC為0.798,區分睡眠問題兒童的AUC為0.737。陽性預測值很低(ADHD為0.159,睡眠問題為0.036),多數被判為陽性的兒童並不真正患有該問題。

證據類型

研究論文

解讀依據

公開摘要

閱讀重點

方法與適用範圍

研究在問什麼

早期發現ADHD和睡眠問題對兒童心理健康很重要,但以訪談為基礎的診斷存在不足。作者檢驗了穿戴式裝置資料中基於晝夜節律的特徵,能否預測經結構化訪談診斷的ADHD和睡眠問題。

研究對象與方法

診斷性研究,使用ABCD研究(3.0版,美國21個研究點)的資料。採用6571名兒童的篩查資料和5725名兒童在2年追蹤時的21天穿戴式裝置資料,併為每名參與者生成基於晝夜節律的特徵。診斷來自依據DSM-5的兒童情感障礙和精神分裂症訪談量表(K-SADS)。用受試者工作特徵曲線下面積(AUC)、敏感度、特異度、陽性預測值(PPV)和陰性預測值(NPV)評價模型,並用Shapley加性解釋值評估特徵重要性。

主要發現

以下為作者報告的結果。數值須連同族群和不確定性一起閱讀。

  1. 1
    對於ADHD(79名患兒對1011名對照),AUC為0.798,敏感度0.756,特異度0.716,PPV 0.159,NPV 0.976。
  2. 2
    對於睡眠問題(68名患兒對3346名對照),AUC為0.737,敏感度0.743,特異度0.632,PPV 0.036,NPV 0.992。
  3. 3
    PPV極低意味著多數檢測陽性的兒童並不真正患病,而NPV很高意味著陰性結果通常是對的。這在樣本中患病者佔比很小時是預期之中的。

限制與不確定性

  1. 1
    最終分析只有79名ADHD兒童和68名睡眠問題兒童,效能估計可能不穩定。
  2. 2
    摘要沒有說明模型是否在資料集之外的兒童中檢驗過,所以真實場景中的準確性未知。
  3. 3
    兒童約12歲,來自美國ABCD樣本,結果未必適用於更小的兒童或其他族群。
  4. 4
    模型預測的是基於訪談的診斷,只是一種篩查思路而非診斷,作者也指出後續研究可進一步提高效能。
  5. 5
    本文解讀僅基於摘要。

日常健康啟示

這是關於腕戴裝置資料能否在將來幫助篩出需要進一步評估的兒童的早期研究。它不是判斷孩子是否患有ADHD或睡眠障礙的工具。如果擔心孩子的注意力或睡眠,請諮詢兒科醫師或其他臨床醫師。

如何連結自己的資料

穿戴式裝置記錄的睡眠時間及其規律性與晝夜節律有關,正是這類資料被用於本研究。如果記錄孩子的睡眠,請使用同一裝置,比較數週的資料而不是單晚結果;持續存在的擔憂應交給醫師,而不是依賴應用程式。

如何理解這類證據

索引未明確指出具體研究設計,應先讀方法;核對族群、對照、結果和不確定性,再判斷能否作因果解釋。

作者的結構化摘要 English

以下英文摘要依所記錄的開放授權轉載,屬於作者原始材料,並非 MoveVitals 解讀。上方已提供研究解讀,分別說明作者結果與本站解釋;重要結論可直接查核原文。

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.

來源與署名

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 · 所記錄的開放授權: cc by ↗

摘要著作權歸原作者,依來源紀錄的開放授權轉載。中文譯文協助閱讀,英文摘要供查核術語及具體數值;本站的方法學解釋與作者結論分別呈現。

MoveVitals 編輯解讀 · 健康教育內容 · 未記錄個人臨床審閱

來源查核日期 2026-11-01

實用健康指南

放在一起讀

·世代研究

加速度計處理方法不同,身體活動與中風、心肌梗死的關聯曲線也不同

在英國生物銀行中,基線無心血管疾病的90237名成年人追蹤至2022年12月,共發生1298例中風和2031例心肌梗死;中高強度身體活動(MVPA)與這兩種結局的關聯曲線形狀,取決於加速度計資料的處理方法。就中風而言,只有機器學習法得到直線下降的風險;就心肌梗死而言,機器學習法和LFENMO法呈曲線下降,活動計數法呈直線下降。摘要沒有給出風險比,只能說明不同方法的結論不一致,不能說明哪種方法更正確,而且這些只是觀察性關聯。

Preventive Medicine

重點論文精講閱讀論文 →
·測量驗證研究/回顧

智慧手錶資料能當「證人」嗎:心率驗證得最充分,其餘證據參差

一項圍繞數字取證展開的系統評價和統合分析,梳理了四大主流品牌智慧手錶的驗證研究,發現心率是研究最多、也最準確的指標。步數、距離、能量消耗、活動分類和睡眠的驗證不夠一致,結果因品牌、方案和報告方式而異。摘要沒有給出彙總資料,且多數研究是在健康族群中、於實驗室內完成的,所以無法說明某一塊手錶對某個人在日常生活中的表現。

Forensic Science International

重點論文精講閱讀論文 →
·回顧的回顧

活動追蹤器:每天多走約1800步,對其他健康指標影響較小

這項傘形綜述彙總了39篇系統評價和統合分析,涉及163992名參與者;結果顯示使用活動追蹤器與身體活動增加相關(標準化均數差SMD為0.3–0.6),相當於每天多走約1800步、多步行40分鐘,體重減輕約1公斤。對血壓、膽固醇、糖化血紅蛋白、生活質量和疼痛的影響通常很小,且多數不顯著。摘要沒有說明這些專案裡追蹤器還搭配了什麼,也沒有說明各評價之間重疊多少,因此不能把效果完全歸功於裝置本身。

The Lancet Digital Health

重點論文精講閱讀論文 →
·測量驗證研究/回顧

七款睡眠追蹤裝置:識別睡著很準,識別醒著和睡眠分期較差

在睡眠實驗室裡,34名健康的年輕成年人連續三晚佩戴七款消費級睡眠追蹤裝置中的若干款。與多導睡眠監測相比,所有裝置識別睡眠都很準(靈敏度均不低於0.93),但識別清醒較差(特異度0.18–0.54),七款中有五款與研究用活動記錄儀(特異度0.39)持平或更好;睡眠分期的估計結果不穩定。受試者是18至35歲的健康成年人,臥床時間固定為8小時,每款裝置只在其中11至20人身上測試,因此對有睡眠問題的人幾乎沒有參考價值。

Sleep

重點論文精講閱讀論文 →
穿戴裝置與測量科學 →