先看重點
在418名糖尿病患者的線上調查中,83.9%認為穿戴式裝置對監測血糖和活動有用,但79.7%擔心資料隱私、77.0%擔心費用、75.1%擔心易用性;81.9%表示如果醫療人員推薦,願意使用整合人工智慧的裝置。這些是自我報告的態度,樣本來自自願參與的網路調查,不能說明這些裝置能改善糖尿病控制。
證據類型
橫斷面研究
解讀依據
公開摘要
閱讀重點
關聯與混雜
研究在問什麼
具備人工智慧的穿戴式裝置可以實時監測糖尿病,但前提是人們願意接受並使用。作者想了解糖尿病患者對這類裝置的看法,包括他們認為的好處、障礙和希望具備的功能,以便為設計和診療提供參考。
研究對象與方法
這是一項橫斷面線上調查,物件為418名糖尿病患者,透過網路平臺和糖尿病患者群體招募。結構化問卷包含李克特量表題、選擇題和開放式回答。定量資料採用描述性統計,開放式回答採用主題分析。摘要未報告糖尿病型別、年齡、國家和應答率。
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。
- 183.9%的人認為穿戴式裝置在監測血糖和身體活動方面有用。
- 2主要被認可的好處是更好地堅持用藥(81.9%)和對管理糖尿病更有信心(82.1%)。
- 3主要障礙是資料隱私擔憂(79.7%)、費用問題(77.0%)和易用性困難(75.1%)。
- 4開放式回答希望有可操作的回饋、與醫療人員的資料整合以及更好的易用性。81.9%的人表示,如果醫療人員推薦,會使用整合人工智慧的穿戴式裝置。
限制與不確定性
- 1參與者透過網路和糖尿病患者群體招募,可能比一般糖尿病患者更習慣使用科技產品。
- 2這些百分比是自我報告的主觀看法,而非實測的用藥依從性或血糖控制變化。
- 3摘要沒有按糖尿病型別、年齡或國家分層,也沒有給出置信區間。
- 4研究採用描述性統計,因此無法做組間比較;以上解讀僅基於摘要。
日常健康啟示
調查提示糖尿病患者對人工智慧穿戴式裝置持開放態度,尤其在有醫師推薦時,而隱私、費用和易用性是購買前需要核對的問題。它並未證明這些裝置能改善結局。血糖監測和治療的選擇應由糖尿病診療團隊來定。
如何連結自己的資料
如果你使用持續血糖監測(CGM)或活動追蹤器,請檢視應用會把資料分享給誰,以及你的診療團隊能否看到。請比較同一臺裝置的讀數,並關注數天到數週的模式,而不是單個數值。
如何理解這類證據
同一時期的測量通常不能確定方向或因果;症狀可能改變行為,不能只按行為導致症狀解釋。
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。
Abstract
Wearable devices that incorporate artificial intelligence (AI) have become effective instruments for managing diabetes through real-time monitoring, improved adherence, and increased person with diabetes engagement. Person with diabetes perceptions, adoption barriers, and preferences critically impact the effectiveness and widespread utilisation of these technologies.
Aim
The aim of study was to investigate the perceptions of people with diabetes regarding wearable devices, emphasising their perceived advantages, challenges, and potential role in facilitating diabetes self-management.
Methods
A cross-sectional study involving 418 people with diabetes was conducted, with participants recruited via online platforms and people with diabetes groups. Data were gathered through a structured questionnaire that included Likert-scale items, multiple-choice questions, and open-ended responses. Descriptive statistics were employed to analyse quantitative data, whereas qualitative responses underwent thematic analysis to discern key trends.
Results
Participants demonstrated significant awareness of the primary functions of wearable devices, with 83.9% acknowledging their utility in monitoring glucose levels and physical activity. The primary advantages comprised increased adherence to medication regimens (81.9%) and heightened confidence in diabetes management (82.1%). Significant barriers were identified, including data privacy concerns (79.7%), cost issues (77.0%), and usability challenges (75.1%). Thematic analysis of open-ended responses indicated a demand for features including actionable feedback, integration with healthcare providers, and enhanced usability. Despite these challenges, 81.9% of participants indicated a willingness to adopt AI-integrated wearable devices if recommended by healthcare providers.
Conclusion
The findings indicate that people with diabetes regard wearable devices as effective instruments for managing their condition, especially in terms of real-time monitoring and adherence support. Concerns regarding privacy, cost, and device usability must be addressed to enhance adoption rates. These insights can inform the development of patient-centered wearable devices and guide healthcare strategies for the effective integration of these technologies into diabetes care.
來源與署名
Perspectives of people with diabetes on AI-integrated wearable devices: perceived benefits, barriers, and opportunities for self-management.
Alzghaibi H.
Frontiers in medicine · 2025-04-23
DOI: 10.3389/fmed.2025.1563003 ↗PubMed · 40337275 ↗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
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
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
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
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

