Population differences in wearable device wear time: Rescuing data to address biases and advance health equity

En analysant les données de 11 901 participants, cette étude révèle que le temps de port des dispositifs portables varie significativement selon les facteurs démographiques et de santé, ce qui peut introduire des biais d'exclusion dans les populations malades, et propose un cadre méthodologique flexible pour corriger ces inégalités et promouvoir l'équité en santé numérique.

L'essentiel

📱 Le Problème : La "Pile" qui ne tient pas toute la journée

Imaginez que vous essayez de comprendre comment les gens bougent en leur demandant de porter une montre connectée (comme un Fitbit) qui enregistre leurs pas. C'est comme si vous envoyiez une armée de petits espions pour observer la vie des gens.

Mais il y a un gros problème : tout le monde ne porte pas sa montre de la même façon.

• Certains l'enlèvent pour se doucher.
• D'autres l'oublient sur la table de nuit.
• Et certains, qui se sentent très mal (tristesse, anxiété, maladie), l'enlèvent beaucoup plus souvent car ils n'ont pas l'énergie ou l'envie de la porter.

Jusqu'à présent, les chercheurs faisaient une chose très stricte : "Si la montre n'a pas été portée au moins 10 heures par jour, on jette toutes les données de ce jour-là à la poubelle."

C'est comme si un professeur disait : "Si tu n'as pas écrit 10 pages de devoir, je ne corrige même pas ton travail, je le jette."

🔍 Ce que l'étude a découvert

Les chercheurs ont regardé les données de près de 12 000 personnes (via le programme "All of Us") et ont vu quelque chose de très important : ceux qui jettent les données sont en train de jeter les personnes les plus malades.

Voici les découvertes clés, expliquées avec des images :

1. Les "Piles" des malades sont plus faibles :
   Les personnes souffrant de dépression, d'anxiété ou de maladies chroniques portent leur montre beaucoup moins longtemps que les gens en bonne santé. Pour eux, porter la montre demande un effort supplémentaire qu'ils n'ont pas toujours.

   • L'analogie : Si vous êtes très fatigué, vous ne courrez pas un marathon. De la même façon, si vous êtes déprimé, vous ne portez pas votre montre toute la journée.

2. Le biais de la "Poubelle" :
   En utilisant la règle des "10 heures", les chercheurs jetaient 74 % des données des personnes dépressives, mais seulement 21 % de celles des gens en bonne santé.

   • L'image : C'est comme si vous vouliez étudier la météo, mais que vous ne gardiez que les jours de beau temps. Vous penseriez à tort qu'il ne pleut jamais ! En jetant les données des malades, on se fait une fausse image de la réalité.

3. Qui porte le plus sa montre ?

   • Les hommes la portent plus que les femmes (dans cette étude précise).
   • Les personnes âgées la portent plus que les jeunes (ce qui est surprenant, car on pense souvent que les jeunes sont plus "tech").
   • Les gens avec un bon revenu et un haut niveau d'études la portent plus. C'est un signe d'inégalité : les plus pauvres ou les moins éduqués sont exclus des études car ils portent moins la montre.

💡 La Solution : Ne plus jeter, mais adapter

Au lieu de jeter les données des jours où la montre a été portée 4 ou 6 heures seulement, les chercheurs proposent une nouvelle méthode, comme un chef cuisinier qui adapte sa recette.

Au lieu de dire "Ce plat est raté car il manque 2 heures de cuisson", ils disent : "Ce plat a cuit 4 heures, donc on va ajuster le goût en conséquence."

Voici les 5 outils qu'ils proposent pour sauver ces données :

1. Le "Filtre Intelligent" (Ajustement) : On garde toutes les données, même les courtes. Mais dans les calculs, on dit à l'ordinateur : "Attention, cette personne n'a porté la montre que 5 heures, donc on doit prendre ça en compte." C'est comme peser un sac de pommes : si le sac est plus petit, on ajuste le prix, on ne le jette pas.
2. La "Vitesse" au lieu de la "Distance" : Au lieu de compter le nombre total de pas (qui sera faible si on porte la montre peu de temps), on compte les pas par heure. C'est comme comparer la vitesse d'une voiture plutôt que la distance totale parcourue.
3. L'Adaptation de la Règle : Au lieu d'exiger 10 heures, on pourrait exiger 6 heures pour les études sur les maladies graves, pour ne pas perdre trop de monde.
4. Le "Jumeau" (Appariement) : On cherche des gens en bonne santé qui portent leur montre exactement le même temps que les malades, pour comparer des choses égales.
5. Le "Seuil Flexible" : On teste différentes règles (6h, 8h, 10h) pour voir laquelle est la plus juste sans perdre trop de données.

🌟 Pourquoi c'est important ?

Cette étude nous apprend que la façon dont on porte la montre est elle-même une information médicale.

• Si une personne déprimée enlève sa montre, ce n'est pas une "erreur" de données, c'est un symptôme de sa maladie.
• En jetant ces données, on rend la recherche injuste : on ne voit que les gens en bonne santé et on ignore les plus vulnérables.

En résumé :
Les chercheurs veulent arrêter de jeter les données des personnes malades ou pauvres. Ils proposent d'utiliser des méthodes mathématiques plus fines pour inclure tout le monde, afin que la médecine du futur soit juste et précise pour tous, pas seulement pour ceux qui ont l'énergie de porter leur montre 10 heures par jour.

Résumé technique

1. Problématique

L'utilisation croissante des dispositifs portables (wearables) comme les Fitbit offre des opportunités transformatrices pour la surveillance continue de la santé et la médecine personnalisée. Cependant, une limitation méthodologique majeure persiste : la variabilité du temps de port (wear time) entre les individus.

• Le Biais de Sélection : Les études actuelles appliquent souvent un seuil de conformité standard (généralement ≥ 10 heures de port par jour) pour filtrer les données. Cette pratique, héritée de la littérature sur l'accélérométrie (NHANES), exclut systématiquement les jours où le dispositif n'a pas été porté suffisamment longtemps.
• Conséquence : Ce filtrage crée un biais de sélection non aléatoire. Les populations vulnérables (personnes souffrant de maladies chroniques, troubles mentaux, ou issues de milieux socio-économiques défavorisés) ont tendance à porter leurs dispositifs moins longtemps. En excluant leurs données, les chercheurs risquent de sous-représenter ces groupes, de fausser les estimations cliniques et de compromettre l'équité en santé.
• Objectif : L'étude vise à caractériser systématiquement comment le temps de port varie selon les démographies, les déterminants sociaux de la santé (DSS), les facteurs de style de vie et les pathologies, et à proposer un cadre méthodologique pour optimiser la rétention des données sans sacrifier la rigueur analytique.

2. Méthodologie

L'étude a utilisé les données du programme All of Us (AoU), version 7, un vaste programme de recherche clinique américain.

• Cohorte : 11 901 participants ayant des données Fitbit, des données d'enquête et des dossiers de santé électroniques (EHR).
• Données :
  • Données de port (Fitbit) : Calculées via les pas enregistrés (données intra-journalières).
  • Données démographiques et DSS : Revenus, éducation, assurance santé, race/ethnicité.
  • Données cliniques : Symptômes (dépression, anxiété, anhédonie) issus de l'enquête COPE et diagnostics EHR (troubles mentaux, maladies chroniques).
• Analyses Statistiques :
  • Modèles de régression linéaire et modèles linéaires mixtes (LMM) pour comparer le pourcentage de jours portés et les heures de port par jour entre différents groupes.
  • Ajustement pour les covariables (âge, sexe, race, revenu, éducation, assurance).
  • Correction de Bonferroni pour les comparaisons multiples.
• Évaluation des Méthodes de Traitement des Données :
  L'étude a comparé cinq approches méthodologiques sur un exemple clinique (différence de pas quotidiens entre patients avec et sans trouble dépressif majeur - TDM) :
  1. Filtrage de conformité standard : Exclusion des jours < 10h.
  2. Ajustement par covariable : Inclusion de toutes les données avec le temps de port (heures) comme covariable dans le modèle.
  3. Normalisation des métriques : Conversion des métriques cumulatives en taux (ex: pas par heure de port).
  4. Appariement par score de propension (Propensity Score Matching) : Appariement des jours/personnes sur la distribution du temps de port.
  5. Seuils adaptatifs : Test de seuils de conformité inférieurs (1 à 10 heures) pour trouver un équilibre entre rétention et validité.

3. Résultats Clés

A. Variabilité du temps de port selon les populations

Le temps de port n'est pas aléatoire ; il est fortement corrélé à des facteurs démographiques et socio-économiques :

• Démographie : Le temps de port augmente avec l'âge (pic à 60-70 ans) et est plus élevé chez les hommes que chez les femmes.
• DSS : Il est positivement corrélé au revenu et au niveau d'éducation. Les personnes sans assurance santé portent moins leur dispositif.
• Santé mentale (Symptômes) : La présence de symptômes dépressifs, d'anxiété ou d'anhédonie est associée à une réduction du nombre de jours portés, mais pas nécessairement du nombre d'heures par jour (sauf pour l'anhédonie).
• Diagnostic Clinique : La réduction est beaucoup plus marquée chez les patients avec un diagnostic clinique (TDM, trouble anxieux) par rapport aux simples symptômes. Les patients TDM portent leur dispositif significativement moins de jours et d'heures que les contrôles.
• Maladies Chroniques : Des patterns spécifiques existent selon la pathologie (ex: troubles neurologiques associés à un temps de port plus élevé, probablement dû à un besoin de surveillance, tandis que les troubles de l'humeur réduisent l'adhésion).

B. Impact du filtrage standard (≥ 10h)

L'application du seuil de 10 heures a des conséquences disproportionnées :

• Exclusion massive : Parmi les patients TDM, 74,4 % des jours de données ont été exclus contre seulement 20,9 % pour le groupe témoin.
• Biais d'estimation : Le filtrage standard surestime la différence d'activité physique entre les groupes (999 pas/jour de différence) par rapport aux méthodes qui conservent les données (796 pas/jour avec ajustement par covariable), car il élimine les jours de faible activité typiques des patients dépressifs.
• Perte de puissance : L'appariement par score de propension a conduit à une perte de données massive (93 % exclus), réduisant la puissance statistique.

C. Efficacité des méthodes alternatives

• Ajustement par covariable : A permis de conserver 100 % des données tout en contrôlant statistiquement la variabilité du temps de port. C'est la méthode la plus puissante pour les comparaisons de groupe.
• Normalisation : Utile pour les métriques proportionnelles (pas/heure), mais suppose un taux d'activité constant.
• Seuils adaptatifs : Permettent de conserver plus de données que le seuil de 10h, mais le temps de port reste différent entre les groupes même à des seuils bas, indiquant que le filtrage seul ne suffit pas à éliminer le biais.

4. Contributions Majeures

1. Première caractérisation à grande échelle : C'est la première étude systématique à cartographier les variations du temps de port des wearables à travers un spectre complet de démographies, de DSS et de pathologies dans une cohorte diverse.
2. Preuve du biais de sélection : Démonstration quantitative que le seuil de conformité standard (≥10h) exclut de manière disproportionnée les données des populations malades, créant un biais systémique dans la recherche en santé numérique.
3. Cadre méthodologique flexible : Proposition d'une boîte à outils (Tableau 1) incluant l'ajustement par covariable, la normalisation, l'appariement et les seuils adaptatifs. L'étude recommande de ne pas appliquer une seule méthode rigide, mais de choisir ou combiner ces approches selon la question de recherche.
4. Repositionnement du temps de port : Le temps de port n'est pas seulement un problème technique de qualité des données, mais un signal clinique informatif en soi (reflétant la sévérité de la maladie, la motivation ou l'engagement).

5. Signification et Impact

Cette recherche a des implications profondes pour l'avenir de la santé numérique et de l'équité en santé :

• Équité en Santé : En adoptant des méthodes qui préservent les données des populations sous-représentées ou malades, la recherche peut éviter de perpétuer des biais systémiques et produire des résultats plus généralisables.
• Rigueur Scientifique : L'utilisation de l'ajustement par covariable permet d'augmenter la puissance statistique et la représentativité des échantillons sans sacrifier la validité des estimations.
• Changement de paradigme : Les chercheurs doivent cesser de considérer le temps de port réduit comme une "donnée invalide" à jeter, mais plutôt comme une variable à intégrer dans les modèles pour mieux comprendre les comportements de santé et les effets des maladies.
• Recommandation Pratique : Pour les études sur les maladies chroniques, il est crucial de dépasser le seuil arbitraire de 10 heures et d'utiliser des approches statistiques sophistiquées (comme l'ajustement par covariable) pour "sauver" les données et obtenir une image plus fidèle de la réalité clinique.

En conclusion, l'article plaide pour une approche plus nuancée et équitable de l'analyse des données de wearables, où la méthodologie de traitement du temps de port est au cœur de la conception de l'étude pour garantir que les avancées de la santé numérique bénéficient à toutes les populations.