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

Dit onderzoek toont aan dat draagtijd van wearables systematisch varieert naar demografische en gezondheidsfactoren, wat leidt tot significante data-uitsluiting bij ziektepopulaties, en stelt een flexibel methodologisch kader voor om deze bias aan te pakken en gezondheidsrechtvaardigheid te bevorderen.

De kern

De Vergeten Spoor: Waarom je Fitbit soms 'stil' is en wat dat betekent voor onze gezondheid

Stel je voor dat je een onzichtbare spoorwachter bent die de hele dag door je bewegingen volgt. Dat is wat een slimme horloge of Fitbit doet. Het houdt bij hoeveel je loopt, hoe je slaapt en hoe je hart klopt. Maar er is een groot probleem: soms loopt deze spoorwachter weg. Je vergeet hem op te laden, hij valt af, of je bent gewoon te moe om hem te dragen.

Deze nieuwe studie, geschreven door onderzoekers van o.a. de Universiteit van North Carolina, kijkt niet alleen naar wat de horloges meten, maar vooral naar hoe vaak mensen ze dragen. En dat blijkt een heel belangrijk verhaal te zijn, vooral als we kijken naar gezondheid en eerlijkheid in de medische wereld.

Hier is de samenvatting in begrijpelijke taal, met een paar handige vergelijkingen:

1. Het "Rijke Mensen"-probleem (Sociale ongelijkheid)

De onderzoekers ontdekten dat niet iedereen even vaak zijn horloge draagt.

• Vergelijking: Stel je voor dat je een race organiseert, maar alleen mensen met dure schoenen mogen meedoen. Dan win je niet de snelste renner, maar degene met het beste budget.
• Wat ze vonden: Mensen met een hoger inkomen, een hogere opleiding en mannen dragen hun horloges vaker dan vrouwen, mensen met een lager inkomen of mensen uit bepaalde etnische minderheden.
• Het risico: Als onderzoekers alleen kijken naar de data van mensen die hun horloge altijd dragen, dan zien ze een vertekend beeld. Het is alsof je probeert het weer te voorspellen door alleen naar de mensen te kijken die in een warm klimaat wonen, en je vergeet de mensen in de sneeuw.

2. Depressie en angst: De horloge die "opgeeft"

Dit is misschien wel het belangrijkste punt van de studie.

• Vergelijking: Stel je voor dat iemand met een zware last (zoals depressie of angst) een rugzak met gewichten draagt. Het is voor hen veel moeilijker om die rugzak (het horloge) de hele dag aan te houden. Ze voelen zich moe, hebben minder energie of willen zich niet laten volgen.
• Wat ze vonden: Mensen met depressie of angst dragen hun horloge aanzienlijk minder vaak. Bij mensen met een gediagnosticeerde depressie werd 74% van de data weggegooid omdat ze hun horloge niet lang genoeg droegen. Bij gezonde mensen was dat maar 21%.
• Het probleem: Traditionele regels zeggen: "Als je minder dan 10 uur per dag draagt, is je data waardeloos en gooien we hem weg." De onderzoekers zeggen: "Nee! Gooi die data niet weg!"
  • Het feit dat iemand zijn horloge niet draagt, is zelfs een belangrijk medisch signaal. Het vertelt ons dat de persoon het moeilijk heeft. Als we die data weggooien, verliezen we juist de mensen die het hardst nodig hebben om geholpen te worden.

3. De oude regel vs. de nieuwe slimme aanpak

Vroeger deden onderzoekers alsof ze een strenge bouncer waren bij een club: "Minder dan 10 uur dragen? Je komt er niet in." Dit zorgde ervoor dat de groep mensen met gezondheidsproblemen (zoals depressie) uit de statistieken verdween.

De onderzoekers stellen nu een flexibele toolkit voor, zoals een gereedschapskist met verschillende sleutels:

• De "Teller" (Covariaat aanpassing): In plaats van data weg te gooien, tellen we gewoon mee hoe lang iemand het horloge droeg en houden we dat in de berekening. Het is alsof je zegt: "Oké, deze persoon liep minder, maar dat is omdat hij minder lang zijn horloge droeg. Laten we dat in de vergelijking meenemen in plaats van hem te straffen."
• De "Snelheidsmeter" (Normalisatie): In plaats van te kijken naar het totale aantal stappen, kijken we naar het aantal stappen per uur. Als iemand maar 4 uur draagt en 4000 stappen zet, is dat net zo actief als iemand die 12 uur draagt en 12.000 stappen zet.
• De "Slimme Grens" (Adaptieve drempel): Soms is 10 uur te streng. Misschien is 6 uur al genoeg om een goed beeld te krijgen, afhankelijk van wie je onderzoekt.

Waarom is dit belangrijk voor jou?

Stel je voor dat artsen in de toekomst medicijnen ontwikkelen op basis van data van slimme horloges. Als ze de oude, strenge regels gebruiken, zullen ze medicijnen ontwikkelen die alleen werken voor gezonde, rijke mensen die hun horloge altijd dragen. Mensen met depressie, armoede of chronische ziekten worden genegeerd.

Deze studie zegt: "Laten we de data redden." Door slimme wiskundige methoden te gebruiken in plaats van data weg te gooien, kunnen we:

1. Eerlijker onderzoek doen dat alle mensen vertegenwoordigt.
2. Beter inzicht krijgen in ziekten, omdat we ook kijken naar de mensen die het moeilijk hebben.
3. Meer waardevolle informatie halen uit de horloges die we al hebben.

Kortom: Een horloge dat soms uitvalt, is geen "slechte data". Het is een signaal. En door die signalen te begrijpen in plaats van te negeren, kunnen we de gezondheidszorg voor iedereen verbeteren.

Technische samenvatting

Probleemstelling

Wearable-apparaten (zoals Fitbits) bieden transformatieve kansen voor gepersonaliseerde gezondheidszorg door continue monitoring van digitale biomarkers. Een kritiek methodologisch probleem in het huidige onderzoek is echter de variatie in draagtijd (wear time) tussen individuen.

• Huidige praktijk: De meeste digitale gezondheidsstudies filteren data op een strikte "compliance"-drempel, meestal ≥10 uur per dag.
• Het risico: Deze drempel is oorspronkelijk afgeleid van NHANES-studies voor gezonde populaties. In klinische contexten (bijv. bij patiënten met depressie of chronische ziekten) kan een lagere draagtijd echter een direct gevolg zijn van de ziekte zelf (bijv. vermoeidheid, gebrek aan motivatie).
• Gevolg: Door data onder de drempel te verwijderen, ontstaat er een selectiebias. Populaties met een ziekte worden disproportioneel uitgesloten, wat leidt tot vertekende resultaten, verlies van statistische power en een ondermijning van gezondheidsrechtvaardigheid (health equity). Er ontbreekt een kader om deze bias aan te pakken of de draagtijd zelf als informatieve variabele te gebruiken.

Methodologie

De auteurs hebben een grootschalige, systemische analyse uitgevoerd met data van het All of Us (AoU) Research Program (versie 7).

• Dataset: 11.901 deelnemers met Fitbit-data, gekoppeld aan enquête-data (demografie, levensstijl, mentale gezondheidssymptomen) en elektronische gezondheidsrecords (EHR).
• Data-preprocessing:
  • Alleen deelnemers met minimaal 30 dagen aan stapdata werden opgenomen om betrouwbare patronen te garanderen.
  • Draagtijd werd gemeten als: 1) het percentage dagen met data, en 2) het gemiddelde aantal uren per dag.
  • Diagnoses (bijv. Major Depressive Disorder - MDD) werden afgeleid uit EHR-data (Phecodes), terwijl symptomen werden gemeten via enquêtes (COPE).
• Statistische analyse:
  • Lineaire regressie en lineaire mixed-effects modellen (met participant-ID als random effect) om groepsverschillen te testen, gecorrigeerd voor covariaten (leeftijd, geslacht, ras, inkomen, opleiding, verzekering).
  • Vergelijking van vijf methodologische benaderingen om om te gaan met variabele draagtijd, getest aan de hand van het verschil in dagelijkse stapentallen tussen mensen met en zonder MDD:
    1. Standaard compliance-filtering: Alleen dagen ≥10 uur.
    2. Covariaat-aanpassing: Alle dagen gebruiken, maar draagtijd toevoegen als covariaat in het model.
    3. Metric normalisatie: Omrekenen naar snelheid (bijv. stappen per uur) in plaats van totale stappen.
    4. Propensiteitsscore-matching: Matchen van participanten op draagtijdverdeling.
    5. Adaptieve drempels: Systematisch testen van lagere drempels (1-10 uur).

Belangrijkste Resultaten

1. Demografische en Sociaal-Economische Patronen
Draagtijd is niet willekeurig verdeeld, maar correleert sterk met demografie en sociaal-economische factoren (SDoH):

• Leeftijd & Geslacht: Draagtijd neemt toe met de leeftijd (hoogst bij 60-70 jaar) en is hoger bij mannen dan bij vrouwen.
• SDoH: Hoger inkomen en hoger opleidingsniveau correleren met meer draagtijd.
• Ras/Etniciteit: Hispanic/Latino en Black NH deelnemers dragen hun apparaat significant minder vaak dan White NH deelnemers.
• Gezondheidszorg: Mensen met een ziektekostenverzekering dragen hun apparaat vaker dan diegenen zonder.

2. Impact van Gezondheid en Ziekte

• Mentale gezondheid: Symptomen van depressie, angst en anhedonie correleren met een lager percentage draagdagen.
• Diagnoses vs. Symptomen: De daling in draagtijd is sterker bij mensen met een klinische diagnose (bijv. MDD) dan bij mensen die alleen symptomen rapporteren.
  • MDD vs. Controle: Mensen met MDD droegen hun Fitbit gemiddeld 59,7% minder dagen en 9,59 uur minder per dag dan controles.
• Chronische aandoeningen: Verschillende ziektegroepen tonen verschillende patronen. Bijvoorbeeld, mensen met neurologische aandoeningen droegen hun apparaat vaker (mogelijk door klinische monitoring), terwijl mensen met mentale stoornissen en rookverslaving minder vaak droegen.

3. De Bias van de Standaard Drempel (≥10 uur)
De analyse toonde aan dat de standaard 10-uursdrempel data van zieke populaties disproportioneel verwijdert:

• Bij mensen met MDD werd 74,4% van de data-dagen verwijderd.
• Bij controles (zonder MDD) werd slechts 20,9% verwijderd.
• Dit leidt tot een aanzienlijk verlies aan statistische power en vertekende schattingen van activiteit.

4. Effectiviteit van Alternatieve Methoden

• Covariaat-aanpassing: Hield 100% van de data vast en corrigeerde statistisch voor het verschil in draagtijd. Dit leverde een nauwkeurigere schatting van het activiteitsverschil op (796 stappen/dag verschil) vergeleken met de standaard filtering (999 stappen/dag, wat de kloof kunstmatig vergroot door lage-activiteitsdagen te verwijderen).
• Propensiteit-matching: Hield slechts 7,1% van de data vast en verloor te veel statistische power.
• Adaptieve drempels: Toonden aan dat zelfs bij lagere drempels (tot 1 uur) er nog steeds een significant verschil in draagtijd tussen groepen blijft bestaan, wat aantoont dat filtering alleen de bias niet volledig oplost.

Bijdragen en Significatie

Methodologische Kader
Het artikel introduceert een flexibel raamwerk voor onderzoekers om met draagtijd-variabiliteit om te gaan, afhankelijk van de onderzoeksvraag:

• Gebruik covariaat-aanpassing om maximale power en representativiteit te behouden.
• Gebruik normalisatie (bijv. stappen/uur) voor uitkomsten die direct schalen met draagtijd.
• Gebruik adaptieve drempels om een balans te vinden tussen datakwaliteit en -behoud.
• Vermijd blind toepassen van de 10-uursdrempel in ziektespecifiek onderzoek.

Gezondheidsrechtvaardigheid (Health Equity)
De studie benadrukt dat strikte compliance-criteria systematisch data van kwetsbare groepen (mensen met lagere inkomens, minder opleiding, en bepaalde ziekten) uitsluiten. Door deze data te "redden" via betere methoden, kunnen onderzoekers bias verminderen en meer inclusieve digitale gezondheidsstudies uitvoeren.

Klinische Relevantie
De studie suggereert dat draagtijd zelf een waardevolle digitale biomarker is. Een afname in draagtijd kan een signaal zijn van ziekteprogressie, symptoomernst of bijwerkingen van medicatie. Het negeren van deze data betekent het verliezen van klinisch waardevolle informatie.

Conclusie
De auteurs pleiten voor een verschuiving in de digitale gezondheidsresearch: van het filteren van "onvolledige" data naar het modelleren van draagtijd als een cruciale variabele. Dit is essentieel voor het ontwikkelen van robuuste, eerlijke en klinisch relevante algoritmen en inzichten in de toekomstige gepersonaliseerde geneeskunde.