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

Este estudo utiliza dados do programa All of Us para demonstrar que o tempo de uso de dispositivos vestíveis varia significativamente conforme fatores demográficos, socioeconômicos e de saúde mental, revelando que os limiares de conformidade atuais excluem desproporcionalmente dados de populações doentes e propondo um novo quadro metodológico flexível para mitigar esses vieses e promover a equidade na pesquisa de saúde digital.

O essencial

Imagine que você está tentando entender como as pessoas se movem e vivem a vida usando um "relógio inteligente" (como um Fitbit) que registra cada passo, cada hora de sono e cada batimento cardíaco. O objetivo é usar esses dados para melhorar a saúde de todos.

Mas aqui está o problema: nem todo mundo usa o relógio o tempo todo. Algumas pessoas esquecem de colocar, outras tiram para tomar banho, e algumas, por estarem doentes ou tristes, simplesmente não querem usá-lo.

Este estudo é como um grande detetive que investigou por que as pessoas param de usar esses relógios e o que acontece quando os cientistas decidem jogar fora os dados dos dias em que o relógio ficou parado.

Aqui está a explicação simples, ponto a ponto:

1. O Problema do "Relógio que Parou"

Os cientistas costumam dizer: "Se a pessoa não usou o relógio por pelo menos 10 horas no dia, vamos jogar esse dia fora. Não é um dado confiável."

Parece lógico, certo? É como tentar medir a velocidade de um carro, mas jogar fora todos os dias em que o carro ficou na garagem. O problema é que quem deixa o carro na garagem é exatamente quem precisa de ajuda.

O estudo descobriu que:

• Pessoas mais velhas e com mais dinheiro tendem a usar o relógio mais.
• Pessoas mais jovens, com menos renda ou com problemas de saúde mental (como depressão e ansiedade) tendem a usar menos.

2. A Armadilha da "Regra das 10 Horas"

Aqui está a parte mais importante e perigosa da pesquisa.

Imagine que você quer estudar a depressão. Você pede para 100 pessoas deprimidas e 100 pessoas saudáveis usarem o relógio.

• As pessoas saudáveis usam o relógio o dia todo.
• As pessoas deprimidas, muitas vezes sem energia ou motivação, tiram o relógio e esquecem de colocar.

Se você aplicar a regra de "jogar fora os dias com menos de 10 horas", você acaba jogando fora 74% dos dados das pessoas deprimidas, mas apenas 21% dos dados das pessoas saudáveis.

A analogia: É como tentar entender por que um aluno está com notas baixas, mas você decide não olhar para as provas que ele fez quando estava doente e só analisar as provas que ele fez quando estava saudável. O resultado será falso! Você vai achar que a depressão não afeta a atividade física tanto assim, porque você apagou os dias em que a pessoa estava mais abatida.

3. O Que o Estudo Descobriu sobre Quem Usa o Relógio

O estudo analisou mais de 11.000 pessoas e viu padrões claros:

• Homens usam mais que mulheres (o que foi uma surpresa, já que a maioria dos participantes eram mulheres).
• Pessoas mais velhas (entre 60 e 70 anos) usam mais que os jovens.
• Quem tem mais dinheiro e estudo usa mais.
• Quem tem depressão, ansiedade ou não consegue sentir prazer (anedonia) usa muito menos. Na verdade, quanto mais grave o diagnóstico, menos o relógio é usado.

Isso mostra que o fato de o relógio estar parado não é um erro. É um dado importante! O fato de a pessoa não usar o relógio pode ser um sinal de que ela está passando por um momento difícil.

4. A Solução: Não Jogue Fora, Ajuste a Lente!

Os autores do estudo não dizem para ignorar a qualidade dos dados. Eles dizem: "Não jogue o dado fora; aprenda a ler o que ele está dizendo."

Eles propõem 5 maneiras inteligentes de lidar com isso, como se fossem diferentes lentes de óculos para ver a realidade com mais clareza:

1. Ajuste de "Peso" (Covariate Adjustment): Em vez de jogar o dia fora, você diz ao computador: "Ok, essa pessoa usou o relógio só 6 horas. Vamos calcular a atividade dela considerando que ela usou menos tempo." É como calcular a velocidade média de um carro que andou menos tempo, em vez de dizer que ele não andou nada.
2. Normalização (Taxa por Hora): Em vez de contar "quantos passos no total", conta-se "quantos passos por hora de uso". Assim, quem usou 4 horas e quem usou 10 horas podem ser comparados de forma justa.
3. Regras Flexíveis: Em vez de exigir 10 horas, talvez 6 horas sejam suficientes para certos estudos, desde que a gente saiba que os grupos são diferentes.
4. Emparelhamento: Tentar encontrar pessoas que usam o relógio de forma muito parecida para comparar, como se fosse um jogo de "encontrar o par perfeito".

Conclusão: Por que isso importa?

Este estudo é um alerta para a ciência da saúde digital. Se continuarmos jogando fora os dados de quem usa menos o dispositivo, estaremos criando uma ciência injusta.

Vamos acabar estudando apenas a vida de pessoas ricas, saudáveis e motivadas, e ignorando completamente a realidade de quem está doente, pobre ou deprimido.

A lição final: O relógio parado não é um dado ruim. Às vezes, o silêncio do relógio grita mais alto do que os passos. Para ter uma saúde verdadeiramente justa e precisa, precisamos aprender a ouvir tanto o barulho quanto o silêncio.

Resumo técnico

Título: Diferenças Populacionais no Tempo de Uso de Dispositivos Vestíveis: Resgatando Dados para Abordar Vieses e Avançar a Equidade em Saúde

1. O Problema

Dispositivos vestíveis (como o Fitbit) oferecem oportunidades transformadoras para a saúde personalizada através do monitoramento contínuo de biomarcadores digitais. No entanto, existe uma lacuna metodológica crítica: a variação individual no tempo de uso (wear time) do dispositivo pode mascarar ou impactar a identificação de sinais clínicos.

• Viés de Seleção: Estudos digitais de saúde atuais geralmente filtram dados aplicando um limite rígido de conformidade (ex: ≥10 horas de uso diário).
• Consequência: Essa prática descarta dados válidos que poderiam conter sinais clínicos importantes e cria um viés de amostragem sistemático, excluindo desproporcionalmente populações com menor adesão ao dispositivo, que frequentemente incluem grupos com doenças crônicas, sintomas de saúde mental e menores níveis socioeconômicos.
• Falta de Diretrizes: Não existe um quadro abrangente para entender como o tempo de uso varia entre diferentes populações ou para corrigir vieses relacionados a essa variável na análise.

2. Metodologia

O estudo utilizou dados do programa de pesquisa All of Us (AoU), especificamente a versão v7 do conjunto de dados controlado, analisando 11.901 participantes que compartilharam dados do Fitbit.

• Fontes de Dados: Integração de dados do Fitbit (passos intradiários), dados de questionários (sintomas de humor, ansiedade, anedonia) e Registros Eletrônicos de Saúde (EHR) para diagnósticos de doenças.
• Abordagem Analítica:
  • Caracterização Demográfica e Clínica: Avaliação de como o tempo de uso varia por demografia (sexo, idade, raça/etnia), Determinantes Sociais de Saúde (renda, educação, seguro saúde), estilo de vida e condições de saúde (sintomas e diagnósticos clínicos).
  • Modelos Estatísticos: Uso de regressão linear e modelos de efeitos mistos lineares (LMM) para comparar a porcentagem de dias de uso e as horas diárias de uso entre grupos, ajustando para covariáveis (idade, sexo, raça, renda, educação, seguro).
  • Avaliação de Métodos de Ajuste: Para demonstrar o impacto do tratamento dos dados, os autores compararam cinco abordagens metodológicas para analisar a diferença na contagem de passos entre indivíduos com e sem Transtorno Depressivo Maior (MDD):
    1. Filtro de Conformidade Padrão: Excluir dias com <10 horas de uso.
    2. Ajuste por Covariável: Incluir todas as horas de uso como uma covariável no modelo.
    3. Normalização de Métrica: Converter métricas cumulativas em taxas (ex: passos por hora).
    4. Emparelhamento por Pontuação de Propensão (PSM): Igualar a distribuição do tempo de uso entre grupos.
    5. Limiar Adaptativo: Testar limiares de uso inferiores (1 a 10 horas) para ver onde as diferenças entre grupos deixam de ser significativas.

3. Principais Contribuições

• Caracterização Sistemática: Primeiro estudo em grande escala a mapear sistematicamente como o tempo de uso de vestíveis varia através de um espectro demográfico, social e clínico.
• Quadro Metodológico Flexível: Proposição de um conjunto de ferramentas analíticas (ajuste por covariável, normalização, PSM, limiares adaptativos) para otimizar a retenção de dados sem sacrificar o rigor analítico.
• Reavaliação do Limiar de 10 Horas: Demonstração empírica de que o limiar de conformidade padrão (≥10h) é inadequado para estudos focados em doenças, pois exclui dados clinicamente significativos de populações vulneráveis.

4. Resultados Chave

A. Fatores Demográficos e Sociais:

• O tempo de uso foi maior em homens, aumentou com a idade (pico aos 60-70 anos), renda e educação.
• Foi menor em mulheres, grupos de baixa renda, baixa escolaridade, e em indivíduos sem seguro de saúde.
• Indivíduos de raças/etnias minoritárias (ex: Hispanos/Latinos e Negros não-hispânicos) apresentaram menor tempo de uso em comparação com brancos não-hispânicos.

B. Saúde Mental e Doenças Crônicas:

• Sintomas vs. Diagnóstico: Indivíduos com sintomas de depressão, ansiedade e anedonia usaram o dispositivo em menos dias. O efeito foi mais pronunciado em indivíduos com diagnósticos clínicos (MDD e Transtorno de Ansiedade) do que apenas com sintomas relatados.
• Impacto Drástico no MDD: Indivíduos com MDD usaram o dispositivo significativamente menos dias e horas do que controles saudáveis.
• Viés de Exclusão: Ao aplicar o filtro padrão de ≥10 horas, 74,4% dos dias de dados de pacientes com MDD foram excluídos, comparado a apenas 20,9% dos controles. Isso cria um viés massivo de seleção.

C. Comparação de Métodos Analíticos (Caso MDD):

• Filtro Padrão: Reteve 72,8% dos dados, mas eliminou quase 3/4 dos dados do grupo MDD, inflando artificialmente a diferença de passos (999 passos/dia) devido à exclusão de dias de baixa atividade.
• Ajuste por Covariável: Reteve 100% dos dados. A diferença estimada foi menor (796 passos/dia), mas altamente significativa, indicando que parte da diferença observada no filtro padrão era devido à variação do tempo de uso, não apenas à atividade física.
• Normalização de Métrica: Reteve 78,8% dos dados, mostrando redução de atividade mesmo quando ajustada por hora de uso.
• Emparelhamento (PSM): Reteve apenas 7,1% dos dados, perdendo poder estatístico e generalizabilidade.
• Conclusão: O ajuste por covariável e a normalização permitem "resgatar" dados valiosos de populações doentes que seriam perdidos com filtros rígidos.

5. Significado e Impacto

• Equidade em Saúde Digital: O estudo demonstra que a exclusão de dados baseada em conformidade rígida perpetua desigualdades, excluindo sistematicamente dados de populações com maior carga de doença e menor status socioeconômico.
• Valor do Tempo de Uso: O tempo de uso não deve ser visto apenas como um ruído técnico, mas como um biomarcador informativo em si mesmo. A redução no uso do dispositivo pode refletir a gravidade da doença, efeitos colaterais de tratamentos ou barreiras de engajamento.
• Diretrizes Práticas: Os autores recomendam que pesquisadores abandonem o uso universal do limiar de 10 horas para estudos de doenças. Em vez disso, devem adotar abordagens flexíveis (como incluir o tempo de uso como covariável) para maximizar o poder estatístico, a representatividade da amostra e a validade clínica dos resultados.
• Futuro da Pesquisa: A implementação dessas metodologias é crucial para garantir que a pesquisa em saúde digital seja inclusiva, rigorosa e capaz de gerar insights válidos para todas as populações, não apenas para aquelas com alta adesão tecnológica.