跳到正文
穿戴裝置與測量科學研究論文3 分鐘閱讀

腕式感測器資料(主要是HRV)可預測輕度認知障礙患者的執行功能評分

MoveVitals 編輯部 · 研究發表 · 解讀更新

原文:Predicting cognitive scores from wearable-based digital physiological features using machine learning: data from a clinical trial in mild cognitive impairment. · BMC medicine · 2024 · 論文原文 ↗

先看重點

在一項針對30名輕度認知障礙老年人的10週試驗中,用機器學習分析腕式感測器特徵(主要是HRV),預測執行功能評分的相關係數r = 0.69,預測個體內變化的r = 0.61。但僅分析了17人和96個資料區間,該模型只是有前景的概念驗證,還不是經過驗證的工具。

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

監測輕度認知障礙(MCI)患者的思維能力通常需要不便的神經心理測試。作者檢驗了腕戴裝置的生理訊號能否作為認知測試評分的替代指標。

研究對象與方法

對一項10週單臂臨床試驗的二次分析,物件為50-70歲、診斷為遺忘型MCI的成年人(N = 30),接受數字化多領域介入。介入前後用神經心理測驗組合(NTB)評估認知,得到執行功能、加工速度、即時記憶、延遲記憶和整體認知的綜合評分。用Empatica E4腕戴裝置記錄血容量脈搏、皮膚電活動和皮膚溫度並提取特徵。NTB評分被插值到10天區間,同時使用以個人基線為中心的資料。用監督式機器學習根據生理特徵和人口學資訊預測評分,並採用留一受試者和留一區間交叉驗證。

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
    最終樣本為來自17人的96個彙總資料區間,共提取106個數字生理特徵。
  2. 2
    與其他認知綜合評分相比,生理特徵(尤其是HRV指標)與執行功能的相關最強。
  3. 3
    模型預測實際執行功能評分的相關係數r = 0.69,預測個體內執行功能變化的r = 0.61。
  4. 4
    作者認為,基於穿戴式裝置的生理指標(主要是HRV)有望用於MCI患者認知功能的持續評估。

限制與不確定性

  1. 1
    最終分析只用了入組30人中的17人和96個區間,模型可能過擬合,推廣性不確定。
  2. 2
    NTB評分是在兩次測試之間插值得到10天區間的數值,認知目標值是估計值而非實測值。
  3. 3
    採用單臂設計,使用的是醫療級Empatica E4而非消費級手錶,且試驗介入本身可能同時改變認知和生理指標。
  4. 4
    摘要只給出了相關係數,沒有誤差或置信區間。本解讀僅基於摘要。

日常健康啟示

這項工作提示,腕戴裝置的HRV將來可能有助於監測MCI患者的認知,尤其是跟蹤隨時間的變化。它並沒有表明你自己的HRV能夠估計記憶或思維能力。對記憶的擔憂應由醫師透過規範測試評估。

如何連結自己的資料

這項研究主要依賴HRV,消費級手錶也提供HRV,但醫療級研究裝置與消費級裝置並不相同。請在相同條件下對照自己的基線追蹤HRV,不要把它當作認知測試的替代品。

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。

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.

來源與署名

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 · 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 →