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

Questo studio analizza le disparità nel tempo di utilizzo dei dispositivi indossabili tra diverse popolazioni, evidenziando come le soglie di conformità standard possano escludere in modo sproporzionato i dati di gruppi svantaggiati o affetti da patologie, e propone un quadro metodologico flessibile per mitigare tali bias e promuovere l'equità nella ricerca sanitaria digitale.

L'essenziale

🏃‍♂️ Il Problema: La "Pista da Corsa" che si svuota

Immagina di voler studiare come corrono le persone in una grande maratona. Hai migliaia di cronometri intelligenti (i nostri dispositivi indossabili come gli smartwatch Fitbit) che registrano ogni passo.

Il problema è questo: alcuni partecipanti si stancano, altri si dimenticano di indossare l'orologio, e altri ancora lo tolgono perché si sentono male o sono deprimi.
In passato, gli scienziati avevano una regola ferrea: "Se l'orologio non ha registrato almeno 10 ore di movimento in un giorno, buttiamo via quei dati".

Perché questo è un errore?
Perché chi si toglie l'orologio è spesso proprio la persona che stiamo cercando di studiare! Se una persona è depressa o malata, è probabile che indossi meno l'orologio. Se buttiamo via i suoi dati perché "non ha camminato abbastanza", stiamo cancellando la sua storia dal libro della ricerca. È come se, in una maratona, decidessimo di contare solo i corridori che non si sono mai fermati, ignorando completamente chi è caduto o chi era stanco. Il risultato? Una mappa del mondo che non è vera.

🔍 Cosa hanno scoperto gli autori

Gli scienziati di questo studio (usando i dati di 11.901 persone del programma "All of Us") hanno guardato sotto il cofano e scoperto tre cose fondamentali:

1. Chi porta l'orologio?

   • Gli uomini lo portano più delle donne (forse perché chi lo indossa è più motivato).
   • Le persone più anziane lo usano di più (magari per monitorare la salute).
   • Chi ha più soldi e istruzione lo usa di più.
   • Il punto cruciale: Chi ha sintomi di depressione, ansia o si sente triste, lo porta molto meno. Non perché non gli importi, ma perché la malattia rende difficile mantenere le abitudini.

2. La trappola della regola delle 10 ore
   Hanno scoperto che la regola delle "10 ore minime" è ingiusta.

   • Tra le persone sane, questa regola scarta solo il 21% dei giorni di dati.
   • Tra le persone con depressione grave, scarta il 74% dei dati!
   • Metafora: È come se per entrare in un club esclusivo dovessi avere un biglietto d'oro. Chi è malato spesso non ce l'ha. Se il club dice "Nessuno senza biglietto d'oro", il club sarà pieno solo di persone sane e non sapremo mai come sta la gente che ha bisogno di aiuto.

3. Il dato "mancante" è un messaggio
   Il fatto che un paziente depresso non indossi l'orologio è un dato importante. È un segnale che dice: "Oggi sto male". Se lo cancelliamo, perdiamo un pezzo di informazione vitale.

💡 La Soluzione: Un nuovo modo di guardare i dati

Invece di buttare via i dati "imperfetti", gli autori propongono di usare strumenti più intelligenti, come se avessimo un filtro magico invece di un cestino della spazzatura.

Ecco le loro idee, spiegate con analogie:

• Il "Conto alla rovescia" (Covariate Adjustment): Invece di dire "Sei fuori se non hai 10 ore", diciamo: "Ok, hai indossato l'orologio solo 4 ore. Non ti buttiamo fuori, ma nel nostro calcolo teniamo conto che hai indossato l'orologio solo per 4 ore". È come pesare le mele: se ne hai solo due, pesale comunque, ma sappi che il peso totale sarà minore.
• La "Velocità media" (Metric Normalization): Invece di contare i passi totali (che dipendono da quanto tempo hai l'orologio), calcoliamo i passi all'ora. Se cammini 1000 passi in 2 ore, la tua velocità è la stessa di chi ne fa 5000 in 10 ore. Così possiamo confrontare le persone in modo equo.
• Il "Filtro Adattivo" (Adaptive Threshold): Invece di fissare la regola a 10 ore per tutti, chiediamoci: "Quante ore servono in questo specifico studio per essere sicuri?". Forse per studiare la depressione, 6 ore sono sufficienti per avere dati utili, senza scartare la metà delle persone.

🌟 Perché è importante per tutti?

Questo studio ci insegna che la tecnologia per la salute deve essere equa.
Se usiamo regole rigide, stiamo creando una medicina digitale che funziona solo per le persone sane, ricche e felici, lasciando indietro chi ne ha più bisogno.

In sintesi:
Non dobbiamo scartare i dati perché sono "sporchi" o "incompleti". Dobbiamo imparare a pulirli e a leggerli con più intelligenza. Se riusciamo a salvare quei dati "mancanti", potremo capire meglio le malattie, creare cure migliori e garantire che la rivoluzione della salute digitale includa davvero tutti, non solo i privilegiati.

È come passare dal guardare un film in bianco e nero (dove vedi solo le persone perfette) a vederlo a colori e in alta definizione, dove si vedono anche le imperfezioni, perché sono proprio quelle a rendere la storia vera e completa.

Sommario tecnico

Titolo: Differenze di popolazione nel tempo di utilizzo dei dispositivi indossabili: Salvare i dati per affrontare i bias e promuovere l'equità sanitaria

1. Il Problema

I dispositivi indossabili (wearable) offrono opportunità trasformative per la sanità personalizzata attraverso il monitoraggio continuo di biomarcatori digitali. Tuttavia, esiste una variabilità significativa nel "tempo di utilizzo" (wear time) tra i diversi individui. Attualmente, la maggior parte degli studi digitali sanitari applica una soglia di conformità rigida (tipicamente ≥10 ore di utilizzo al giorno) per filtrare i dati, scartando i giorni in cui il dispositivo è stato indossato per meno tempo.

Il problema centrale identificato dagli autori è che questo approccio crea un bias di selezione sistematico:

• Il tempo di utilizzo non è casuale; è correlato a fattori demografici, socioeconomici e, soprattutto, allo stato di salute.
• Le popolazioni con malattie croniche o disturbi mentali tendono ad avere un tempo di utilizzo inferiore.
• Applicare una soglia fissa di 10 ore porta all'esclusione sproporzionata di dati da gruppi clinici vulnerabili (es. pazienti con depressione), distorcendo le stime degli effetti clinici, riducendo la potenza statistica e minando l'equità della ricerca sanitaria.

2. Metodologia

Lo studio ha utilizzato dati del programma di ricerca All of Us (AoU), una coorte di circa 11.901 partecipanti con dati Fitbit, questionari e cartelle cliniche elettroniche (EHR).

• Analisi delle Variabili: Gli autori hanno analizzato come il tempo di utilizzo (sia in percentuale di giorni indossati che in ore giornaliere medie) vari in base a:
  • Demografia: Sesso, età, razza/etnia.
  • Determinanti Sociali della Salute (SDoH): Reddito, livello di istruzione, assicurazione sanitaria.
  • Fattori di Stile di Vita: Uso di tabacco e alcol.
  • Salute Mentale: Sintomi di depressione, ansia e anedonia (da sondaggi) e diagnosi cliniche di Disturbo Depressivo Maggiore (MDD) e Disturbo d'Ansia (AD) (da EHR).
  • Malattie Croniche: Varie categorie di patologie croniche.
• Modelli Statistici: Sono stati utilizzati modelli di regressione lineare e modelli lineari a effetti misti (linear mixed-effects models) per confrontare i gruppi, aggiustando per covariate come età, sesso, razza, reddito e istruzione.
• Valutazione dei Metodi di Correzione: Per dimostrare l'impatto dei diversi approcci di gestione dei dati, gli autori hanno confrontato cinque metodologie analitiche applicate al confronto del conteggio dei passi giornalieri tra pazienti con MDD e controlli sani:
  1. Filtro di conformità standard: Esclusione dei giorni <10 ore.
  2. Regolazione per covariate: Inclusione di tutte le giornate, aggiungendo le ore di utilizzo come covariata nel modello.
  3. Normalizzazione delle metriche: Conversione dei dati cumulativi in tassi (es. passi/ora).
  4. Propensity Score Matching: Accoppiamento dei partecipanti in base alla distribuzione del tempo di utilizzo.
  5. Soglie adattive: Valutazione di soglie di utilizzo inferiori (da 1 a 10 ore).

3. Risultati Chiave

A. Fattori Demografici e Sociali

• Il tempo di utilizzo è maggiore tra gli uomini, le persone più anziane (picco 60-70 anni), e coloro con reddito e istruzione più elevati.
• È minore tra le donne, i giovani, le minoranze etniche (in particolare ispanici/latini) e le persone con reddito o istruzione più bassi.
• Non sono state trovate differenze significative basate sull'uso di alcol o tabacco.

B. Impatto della Salute Mentale e delle Malattie

• Sintomi vs Diagnosi: La presenza di sintomi depressivi, ansiosi o di anedonia è associata a una riduzione del tempo di utilizzo. Tuttavia, la riduzione è molto più marcata nei pazienti con diagnosi clinica formale rispetto a chi riferisce solo sintomi.
• Dati allarmanti: Tra i pazienti con Disturbo Depressivo Maggiore (MDD), il 74,4% dei giorni di dati sarebbe stato escluso applicando la soglia standard di 10 ore, rispetto al solo 20,9% dei controlli sani.
• Variazioni per patologia: Diversi disturbi mentali mostrano pattern specifici (es. disturbi dell'umore e uso di tabacco riducono l'uso, mentre alcuni disturbi neurologici lo aumentano). Anche le malattie croniche mostrano associazioni differenziali con il tempo di utilizzo.

C. Confronto dei Metodi Analitici

• Il filtro standard (≥10h) produce la differenza stimata più grande nei passi giornalieri tra MDD e controlli (999 passi), ma esclude massicciamente i dati dei pazienti depressi, introducendo un bias.
• La regolazione per covariate (usare tutte le giornate) riduce la differenza stimata (796 passi), suggerendo che parte del divario osservato con il filtro standard era dovuto alla perdita selettiva di giorni a bassa attività, non solo a una differenza reale di attività.
• Il propensity score matching ha portato a una perdita di dati drastica (93% dei dati esclusi), riducendo la potenza statistica al punto da rendere non significativa la differenza.
• Le soglie adattive dimostrano che anche abbassando la soglia, le differenze nel tempo di utilizzo tra i gruppi persistono, confermando che il semplice filtraggio non risolve il problema del confondimento.

4. Contributi Principali

1. Caratterizzazione Sistematica: È il primo studio su larga scala che mappa sistematicamente le variazioni del tempo di utilizzo dei wearable attraverso demografia, SDoH e un ampio spettro di condizioni di salute.
2. Dimostrazione del Bias: Fornisce prove empiriche che le soglie di conformità standard (≥10h) non sono neutrali, ma escludono sistematicamente i dati delle popolazioni malate, compromettendo l'equità della ricerca.
3. Framework Metodologico Flessibile: Propone e valuta un set di strategie alternative (regolazione per covariate, normalizzazione, matching, soglie adattive) che possono essere combinate per massimizzare la ritenzione dei dati mantenendo il rigore analitico.
4. Ridefinizione del "Tempo di Utilizzo": Suggerisce che il tempo di utilizzo stesso non è solo un problema tecnico da risolvere, ma un segnale informativo che riflette il carico di malattia e lo stato clinico.

5. Significato e Implicazioni

Questo studio ha implicazioni fondamentali per la ricerca sulla salute digitale e l'equità sanitaria:

• Equità: L'uso indiscriminato di soglie di conformità rigide perpetua le disuguaglianze sanitarie escludendo i dati delle popolazioni più vulnerabili e malate.
• Validità Scientifica: Per ottenere stime accurate degli effetti delle malattie sull'attività fisica (o altri biomarcatori), i ricercatori devono adottare metodi che "salvino" i dati invece di scartarli. La regolazione per covariate appare come l'approccio più robusto per mantenere la potenza statistica e la rappresentatività.
• Progettazione Futura: Gli studi futuri dovrebbero considerare il tempo di utilizzo come una variabile critica nel disegno dello studio, scegliendo metodi analitici adattati alla popolazione specifica e al quesito di ricerca, piuttosto che applicare standard universali derivati da studi su popolazioni sane.

In sintesi, il paper invita a un cambio di paradigma: dal considerare il tempo di utilizzo insufficiente come "dato spazzatura" da eliminare, al vederlo come un dato prezioso che, se gestito correttamente, può migliorare la precisione e l'equità della medicina digitale.