Summary
Les montres intelligentes commerciales équipées de capteurs portables sont de plus en plus utilisées dans les études de population. Cependant, leur utilité est souvent limitée par la durée limitée de leur batterie, leur capacité de mémoire et la qualité des données. Ce rapport fournit des exemples de solutions rentables aux défis techniques réels rencontrés lors d’études impliquant des enfants asthmatiques et des patients cardiaques âgés.
Abstract
Les capteurs portables, qui sont souvent intégrés dans les montres intelligentes commerciales, permettent des mesures de santé continues et non invasives et des évaluations de l’exposition dans les études cliniques. Néanmoins, l’application réelle de ces technologies dans des études impliquant un grand nombre de participants pendant une période d’observation significative peut être entravée par plusieurs défis pratiques.
Dans cette étude, nous présentons un protocole modifié d’une étude d’intervention précédente pour l’atténuation des effets sur la santé des tempêtes de poussière dans le désert. L’étude a porté sur deux groupes de population distincts : les enfants asthmatiques âgés de 6 à 11 ans et les patients âgés atteints de fibrillation auriculaire (FA). Les deux groupes ont été équipés d’une montre intelligente pour l’évaluation de l’activité physique (à l’aide d’un moniteur de fréquence cardiaque, d’un podomètre et d’un accéléromètre) et de l’emplacement (en utilisant des signaux GPS pour localiser les individus dans des microenvironnements intérieurs « à la maison » ou extérieurs). Les participants devaient porter quotidiennement la montre intelligente équipée d’une application de collecte de données, et les données étaient transmises via un réseau sans fil à une plate-forme de collecte de données administrée de manière centralisée pour l’évaluation de la conformité en temps quasi réel.
Sur une période de 26 mois, plus de 250 enfants et 50 patients atteints de FA ont participé à l’étude susmentionnée. Les principaux défis techniques identifiés comprenaient la restriction de l’accès aux fonctionnalités standard de la montre intelligente, telles que les jeux, le navigateur Internet, l’appareil photo et les applications d’enregistrement audio, les problèmes techniques, tels que la perte de signal GPS, en particulier dans les environnements intérieurs, et les paramètres internes de la montre intelligente interférant avec l’application de collecte de données.
L’objectif de ce protocole est de démontrer comment l’utilisation de casiers d’applications accessibles au public et d’applications d’automatisation des appareils a permis de relever la plupart de ces défis de manière simple et rentable. En outre, l’inclusion d’un indicateur de force du signal reçu Wi-Fi a considérablement amélioré la localisation intérieure et a largement minimisé la classification erronée du signal GPS. La mise en œuvre de ces protocoles lors du déploiement de cette étude d’intervention au printemps 2020 a permis d’améliorer significativement les résultats en termes d’exhaustivité et de qualité des données.
Introduction
Les applications numériques des technologies de santé et les capteurs portables permettent une surveillance non invasive et rentable des patients, tant dans les établissements de soins de santé qu’à domicile1. Dans le même temps, la grande quantité de données collectées et la disponibilité de plates-formes analytiques portables permettent le développement d’algorithmes pour la prédiction, la prévention et l’intervention automatisées des événements de santé pour un large éventail de maladies aiguës et chroniques2. Les capteurs portables disponibles dans le commerce, principalement utilisés pour le suivi de la condition physique, sont également de plus en plus utilisés par les professionnels de la santé dans la recherche en santé publique et représentent un outil prometteur pour la collecte multimodale et continue de données dans des conditions réelles3. Plus important encore, cependant, la collecte de données impartiale à partir de capteurs portables permet aux chercheurs de surmonter les défis du biais de rappel qui caractérisent les méthodes traditionnelles de collecte de données telles que les entretiens et les journaux4.
Cependant, aux fins des essais cliniques ou d’autres études de population, l’exactitude, la fiabilité et l’intégrité des données sont essentielles. En outre, la crédibilité des données collectées peut également être affectée par plusieurs autres paramètres, tels que l’applicabilité par groupe d’âge ainsi que la capacité de mémoire et l’efficacité énergétique de l’appareil5. Des revues systématiques récentes d’études en laboratoire et sur le terrain avec un nombre limité de participants ont généralement confirmé l’applicabilité des montres intelligentes commerciales pour la surveillance de l’activité, de la fréquence cardiaque, des crises et du comportement, bien que les revues aient également démontré une mauvaise adéquation pour les utilisateurs âgés, ainsi que des limites de la batterie, de la mémoire et de la qualité des données 6,7 . Ces limites peuvent être encore amplifiées dans des études de population plus vastes dans des conditions réelles où des paramètres supplémentaires tels qu’une connectivité Internet incohérente, le confort de l’appareil et une utilisation incorrecte de la montre intelligente entrent en jeu8. Plus précisément, l’apparence et les inconvénients sont des obstacles importants au port quotidiende capteurs 9, tandis que les préoccupations relatives à la vie privée et à la confidentialité peuvent avoir une incidence sur le recrutement dans les études portant sur des capteurs portables10. En ce qui concerne l’applicabilité des montres intelligentes commerciales et des trackers de fitness pour mesurer l’activité physique dans les études de recherche, une étude récente de Henriksen et al. a suggéré que le choix d’un dispositif approprié pour une étude particulière ne devrait pas seulement être basé sur les capteurs intégrés disponibles, mais plutôt prendre en compte la validation et l’utilisation antérieure dans la recherche, apparence, autonomie de la batterie, robustesse, résistance à l’eau, connectivité et facilitéd’utilisation 11.
Pour les besoins de cette étude, nous présentons un protocole pour améliorer les défis rencontrés lors du projet LIFE MEDEA, une étude d’intervention pour l’atténuation des effets sanitaires des tempêtes de poussière dans le désert12. L’étude a porté sur deux groupes de population distincts : les enfants asthmatiques âgés de 6 à 11 ans et les patients âgés atteints de fibrillation auriculaire (FA). Les deux groupes étaient équipés d’une montre intelligente commerciale pour l’évaluation de l’activité physique (à l’aide d’un moniteur de fréquence cardiaque, d’un podomètre et d’un accéléromètre) et de l’emplacement (utilisation de signaux GPS pour localiser les individus dans des microenvironnements intérieurs « à la maison » ou extérieurs). Les participants devaient porter la montre intelligente tous les jours et les données étaient transmises via un réseau sans fil à une plate-forme de collecte de données administrée de manière centralisée via l’application de collecte de données pour l’évaluation de la conformité en temps quasi réel. Des détails supplémentaires sur la smartwatch et la configuration du système sont fournis dans une étude précédente13. Au cours de la première année de mise en œuvre du projet, plusieurs défis techniques et réels liés à l’appareil sont apparus, qui ont affecté le recrutement, la conformité des participants au port quotidien de l’appareil et l’exhaustivité des données collectées. Certains défis étaient propres à la population, comme l’exigence des administrateurs scolaires et de nombreux parents que les enfants portant les montres intelligentes n’aient pas accès aux fonctionnalités standard de la montre intelligente, telles que les jeux, le navigateur Internet, l’appareil photo et les applications d’enregistrement audio. D’autres défis étaient de nature technique, tels que la perte de signal GPS, en particulier dans les environnements intérieurs, et les paramètres internes de la montre intelligente interférant avec l’application de collecte de données. Un aperçu détaillé des principaux défis identifiés ainsi qu’une brève description de leurs implications et solutions sont présentés dans le tableau 1.
Dans cette étude, nous suggérons des solutions simples, rentables et prêtes à l’emploi pour améliorer la conformité des utilisateurs, la qualité des données et l’exhaustivité des données dans les études de population utilisant des capteurs portables et fournir les protocoles pertinents. En outre, nous démontrons les améliorations de l’exhaustivité des données résultant de la mise en œuvre de tels protocoles en utilisant des résultats représentatifs de l’étude13.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Des approbations administratives et éthiques ont été obtenues auprès du ministère chypriote de la Santé (YY5.34.01.7.6E) et du Comité national de bioéthique de Chypre (ΕΕΒΚ/ΕΠ/2016.01.23). Les patients atteints de fibrillation auriculaire et les tuteurs des enfants asthmatiques ont fourni un consentement éclairé écrit avant de participer à l’étude.
1. Bloqueurs d’applications et applications d’automatisation des appareils
REMARQUE: Des casiers d’applications et des applications d’automatisation d’appareils (taskers) disponibles gratuitement peuvent être trouvés pour les appareils Android et les appareils IOS. Les applications spécifiques utilisées dans la présente étude sont énumérées dans le tableau des matériaux.
- Utilisez un smartphone équipé de préférence de la même version Android que la smartwatch.
- À partir du Play Store, téléchargez et installez l’application de collecte de données, le casier d’application et le taskeur.
- Téléchargez une application disponible gratuitement qui peut extraire le package d’application Android (APK) des applications téléchargées déjà installées sur le smartphone.
REMARQUE: L’application crée un dossier nommé Extracted-Apks dans la mémoire interne du smartphone et stocke les fichiers APK exportés. Enregistrez les fichiers APK au lieu de télécharger le casier d’application et le taskeur lors de la configuration de chaque appareil smartwatch pour vous assurer que les mêmes versions des applications sont utilisées sur tous les appareils.
2. Développement des procédures automatisées à l’aide du taskeur
REMARQUE: Un taskeur permet le développement étape par étape de processus automatisés. Ceux-ci peuvent varier en fonction des exigences du projet. Une expérience préalable en codage ou en programmation n’est pas requise. Dans les étapes suivantes, les termes et définitions suivants sont utilisés : trigger (état de départ qui, lorsqu’il est rempli, permet au taskeur de lancer le processus), condition (condition qui, lorsqu’elle est remplie, permet au processus de passer à l’étape suivante) et action (résultat du processus). Dans les figures fournies, le parallélogramme indique un déclencheur, le losange indique une condition et le rectangle indique une action. Chaque processus peut entraîner plus d’une action, et celles-ci sont étiquetées comme des actions a, b, c, (...) dans chaque processus. Un processus distinct a été mis en place pour chaque problème individuel identifié au cours de la mise en œuvre du projet sur le terrain. Cette approche a permis d’éviter tout chevauchement entre les conditions fixées et le bon fonctionnement du processus automatisé dans son ensemble.
- Lancez l’application d’automatisation des appareils et accédez à l’interface pour créer des tâches.
REMARQUE: L’interface diffère entre les différentes applications d’automatisation de périphérique. Les étapes décrites ci-dessous sont basées sur le tasker utilisé dans l’étude présentée ici12, mais des étapes similaires s’appliquent à toutes les applications de ce type. Les applications d’automatisation des appareils permettent le développement de différents processus (également appelés macros). Toutes les macros décrites dans ce protocole sont fournies dans le fichier supplémentaire 1.- Pour créer un processus, sélectionnez Macros.
- Créer un processus qui active systématiquement l’application de collecte de données (Graphique 1). Pour ce faire, suivez les étapes ci-dessous.
- Ajoutez une macro ou une tâche en cliquant sur le signe plus. Ajoutez un déclencheur pour créer un point de départ pour le processus. Cliquez sur le signe plus dans l’onglet déclencheur.
- Sélectionnez Date et heure, puis sélectionnez l’onglet Intervalle régulier . N’utilisez pas de temps de référence, mais définissez un intervalle régulier.
- Définissez un intervalle de temps fixe pour agir comme déclencheur pour lancer une procédure. Réglez l’intervalle à 7,5 minutes et cliquez sur OK.
Remarque : Cette condition crée un déclencheur normal qui est exécuté toutes les 7,5 minutes. La sélection de l’intervalle de déclenchement est basée sur la capacité de la batterie de l’appareil et d’autres conditions qui affectent le bon fonctionnement de l’application de collecte de données. - Pour ajouter une action, cliquez sur le signe plus dans l’onglet Action. Sélectionnez l’onglet Conditions/boucles . Sélectionnez la clause IF.
- Ajoutez une condition en cliquant sur le signe plus. Sélectionnez l’onglet Date et heure . Sélectionnez Chronomètre. Cliquez sur Ok.
- Définissez une durée fixe à ajouter comme condition. Dans le cadre de la procédure, la condition testée est de savoir si la valeur d’un chronomètre est de >29 min ou <1 s.
REMARQUE : Le premier reflète la préférence d’activer systématiquement l’application de collecte de données toutes les 30 minutes, et le second représente la préférence d’activer l’application de collecte de données même dans les cas où le chronomètre ne fonctionne pas ou s’est arrêté. - Changez le ET en cliquant sur le triangle. Sélectionnez OU.
REMARQUE: Chaque fois que l’une des conditions est remplie, le processus peut continuer. - Pour ajouter une action entre l’instruction IF, cliquez sur le bouton Fin si. Sélectionnez Ajouter une action ci-dessus.
- Naviguez pour trouver l’onglet Écran. Sélectionnez l’action Screen On, puis cliquez sur Ok.
Remarque : Lorsque les conditions sont remplies, le taskeur active l’écran. - En suivant des étapes similaires, ajoutez une deuxième action qui réduit la luminosité de l’écran au pourcentage le plus bas.
- Ajoutez une action supplémentaire qui réinitialise et redémarre le chronomètre utilisé dans ce processus automatisé. Cela crée une boucle.
- Suivez des étapes similaires et ajoutez une action qui active l’application de collecte de données. Sélectionnez Applications.
- Sélectionnez Lancer l’application. Recherchez et sélectionnez l’application de collecte de données. Sélectionnez Forcer NOUVEAU, puis cliquez sur OK.
REMARQUE : Le processus est terminé. Le déclencheur, les conditions et les actions sont définis. Ce processus permet systématiquement à l’application de collecte de données à intervalles de temps fréquents de contrer tout plantage aléatoire de l’application. L’action Screen On est conçue pour empêcher les paramètres d’hibernation des appareils commerciaux, et l’action Luminosité à 0% est utilisée pour réduire la consommation de la batterie. L’action Chronomètre (réinitialiser et redémarrer) crée une boucle à notre processus global. Si la condition est remplie, les actions suivantes sont effectuées par le taskeur : (a) lancement de l’application de collecte de données, (b) activation de l’écran de la smartwatch, (c) réduction de la luminosité de l’écran à 0 % et (d) réinitialisation et redémarrage du chronomètre pour créer une boucle. L’action b et l’action c sont conçues pour contrecarrer les paramètres de mise en veille prolongée par défaut des appareils commerciaux. Les paramètres de mise en veille prolongée peuvent interférer avec le fonctionnement normal des applications de montres intelligentes (y compris l’application de collecte de données). L’hibernation est résolue en activant systématiquement l’écran (action b), et pour réduire la consommation de la batterie, l’activation de l’écran est couplée à la réduction de la luminosité de l’écran (action c). - Donnez un nom à ce processus et sélectionnez Enregistrer.
- Créez un processus qui active systématiquement le Wi-Fi de la montre intelligente (Figure 2).
- Ajoutez un déclencheur pour créer un point de départ pour le processus. Cliquez sur le signe plus dans l’onglet Déclencheur . Sélectionnez Événements de périphérique, puis Écran activé/désactivé. Sélectionnez Screen On, puis cliquez sur Ok.
- Ajoutez une action en cliquant sur le signe plus dans l’onglet Action . Sélectionnez l’onglet Conditions/boucles . Sélectionnez la clause IF. Ajoutez une condition en cliquant sur le signe plus. Sélectionnez l’onglet Connectivité . Sélectionnez État Wi-Fi. Sélectionnez Wi-Fi désactivé et cliquez sur OK.
- Cliquez sur le bouton Fin si. Sélectionnez Ajouter une action ci-dessus. Sélectionnez l’onglet Connectivité . Cliquez sur l’onglet Wi-Fi Configurer . Sélectionnez Activer le Wi-Fi, puis cliquez sur OK. Il s’agit de l’action a du processus de l’étape 2.3.
REMARQUE: Lors de l’activation de l’écran et si le Wi-Fi est désactivé, le taskeur activera le Wi-Fi. - Ajoutez une action supplémentaire entre l’instruction IF qui réinitialise et redémarre Stopwatch_2. Il s’agit de l’action b du processus à l’étape 2.3.
REMARQUE: Le chronomètre est important pour désactiver le Wi-Fi après quelques minutes, ce qui est une action effectuée par un processus différent dans le protocole (étape 2.5). La smartwatch n’a pas besoin d’être constamment connectée au Wi-Fi car cela augmente la consommation de la batterie. - Donnez un nom à ce processus et sélectionnez Enregistrer.
- Créez un processus qui optimise systématiquement la consommation de la batterie (Figure 3).
REMARQUE: Les appareils Smartwatch ont généralement des paramètres par défaut pour désactiver l’écran après une période de quelques secondes. Pour l’appareil utilisé dans notre étude, cette période était de 15 s. Les tests sont présentés à l’étape 2.7.- Utilisez la désactivation de l’écran par défaut comme déclencheur.
- Définissez une condition qui teste la combinaison de savoir si la montre intelligente ne se charge pas et n’est pas connectée à un réseau. Si les deux s’appliquent, le processus désactive la connectivité Wi-Fi pour réduire la consommation de la batterie. Il s’agit de l’action a du processus de l’étape 2.4.
REMARQUE: Si la montre intelligente est en charge, le Wi-Fi doit rester activé, ce qui permet d’envoyer toutes les données collectées pendant la journée via la connexion Wi-Fi à notre serveur en ligne. Habituellement, la recharge a lieu pendant la nuit. - Définissez une condition qui teste si Bluetooth est activé. Si c’est le cas, le Bluetooth est désactivé pour réduire la consommation de la batterie. Il s’agit de l’action b du processus à l’étape 2.4.
- Définissez une action supplémentaire qui est automatiquement activée après le déclencheur. Cette action règle la luminosité de l’écran à 50% (action c du processus à l’étape 2.4).
REMARQUE: Les interactions de l’utilisateur peuvent modifier les niveaux de luminosité. Des niveaux plus élevés de luminosité de l’écran épuisent la batterie plus rapidement et, en tant que composant, la luminosité de l’écran est définie à 50% comme niveau optimal qui permet à l’utilisateur d’interagir facilement avec la smartwatch tout en conservant la batterie.
- Créez un processus qui enregistre systématiquement les informations sur les événements (Figure 4).
- Ajoutez un déclencheur pour créer un point de départ pour le processus. Cliquez sur le signe plus dans l’onglet Déclencheur . Sélectionnez Date et heure. Sélectionnez l’onglet Intervalle régulier . N’utilisez pas de temps de référence.
- Définissez l’intervalle régulier. Définissez un intervalle de temps fixe pour agir comme déclencheur pour lancer la procédure. Réglez l’intervalle à 5 min, puis cliquez sur Ok.
REMARQUE: Cela crée un déclencheur infini qui est exécuté toutes les 5 minutes; Le choix de l’intervalle est basé sur la capacité de la batterie de l’appareil et d’autres conditions en fonction des exigences du chercheur. - Pour ajouter une action, cliquez sur le signe plus dans l’onglet Action . Sélectionnez Journalisation. Cliquez sur Log Event (Enregistrer l’événement).
- Cliquez sur l’onglet Points de suspension . Recherchez et sélectionnez Wi-Fi SSID (nom du réseau Wi-Fi ), puis sélectionnez OK.
- En cliquant à nouveau sur l’onglet Points de suspension , et en suivant exactement les mêmes étapes, ajoutez la force du signal Wi-Fi, le numéro de série de l’appareil, la latitude GPS, la longitude GPS, la précision du signal GPS, ainsi que si la montre intelligente est en charge ou non (action a du processus à l’étape 2.5).
Remarque : Cette action crée un événement de journal avec des variables prédéfinies pertinentes pour le projet. - Donnez un nom à ce processus et sélectionnez Enregistrer.
- Cliquez sur l’onglet Journalisation et définissez une condition qui teste la combinaison de savoir si la montre intelligente ne se charge pas, si l’écran est éteint et si le chronomètre est décrit au point
2.3.3 est de >4 min et désactive le Wi-Fi lorsque toutes ces conditions sont remplies (action b du processus à l’étape 2.5).
- Création d’un processus qui fournit des notifications utilisateur si le signal GPS est désactivé (Figure 5)
- Définissez la connexion à un réseau Wi-Fi comme déclencheur.
- Définissez une action qui est automatiquement activée après le déclencheur. Cette action crée un point d’événement de journal similaire à celui de l’étape 2.5.2 (action a du processus de l’étape 2.6).
REMARQUE: Cet événement de journal supplémentaire fournit les informations concernant l’heure exacte à laquelle la smartwatch a été connectée au réseau Wi-Fi domestique. - Définissez une condition qui teste si le capteur GPS a été désactivé, si son état de précision a été modifié ou si le mode avion a été activé. Ajoutez une action entre l’instruction IF qui affiche l’erreur de notification « ERREUR !!! Veuillez vérifier les paramètres » (action b du processus à l’étape 2.6).
- Testez chaque processus créé.
- Cliquez sur l’onglet Processus .
- Cliquez sur l’onglet Déclencheur .
- Sélectionnez Tester le déclencheur.
Remarque : Le déclencheur de test lance les actions du processus sélectionné. Si le résultat est celui prévu, le processus est enregistré.
3. Exportation des processus créés (étapes 2.1-2.6)
- Exportez et enregistrez les fichiers des processus créés (étapes 2.1-2.6) au format mdr (fichier mdr) dans le même répertoire smartphone que dans l’étape 1.1.3.
4. Transfert et installation des fichiers créés sur la smartwatch
- Transférez les fichiers du smartphone vers un ordinateur portable / PC.
- Connectez le smartphone à l’ordinateur portable/PC.
- Trouvez le répertoire avec les fichiers APK et mdr extraits (fichiers d’extension tasker) créés avec l’application d’automatisation de l’appareil.
- Copiez et collez tous les fichiers dans un répertoire de l’ordinateur portable / PC.
- Transférez les fichiers de l’ordinateur portable / PC vers l’appareil smartwatch.
REMARQUE: Dans l’étude, la smartwatch était également équipée d’un câble de chargeur magnétique qui permettait également le transfert de données / fichiers.- Connectez la smartwatch avec le chargeur magnétique à l’ordinateur portable / PC.
- Sélectionnez l’option permettant de transférer des fichiers dans le panneau de notification de la smartwatch.
- Sur l’ordinateur portable/PC, accédez au répertoire contenant les fichiers enregistrés à l’étape 4.1.2.
- Copiez tous les fichiers et collez-les dans un répertoire de la smartwatch.
5. Configuration de la smartwatch pour une utilisation sur le terrain
- Installez les applications ainsi que les processus sur le smartphone sur la smartwatch.
- Accédez à la destination avec les fichiers collés et installez tous les fichiers APK. Il s’agit notamment du casier d’application, du taskeur et de l’application de collecte de données (voir Tableau des matériaux).
- Installez le fichier mdr qui contient les processus créés à l’étape 2.
- Acceptez toutes les autorisations nécessaires pour faire fonctionner les processus.
Remarque : Les autorisations peuvent varier en fonction de la nature des processus créés.
- Définissez ou modifiez les paramètres par défaut importants de l’appareil.
REMARQUE: Avant que la montre intelligente ne soit donnée à un participant, plusieurs paramètres importants doivent être modifiés.- Faites glisser l’écran de la smartwatch vers la gauche et accédez à la fonction de paramètres de la smartwatch. Cliquez sur Paramètres.
- Sélectionnez Son et désactivez tous les sons en minimisant les niveaux de volume de tous les paramètres sonores individuels. Faites glisser l’écran vers la droite pour revenir à l’écran des paramètres principaux.
REMARQUE: Les distractions et les notifications inutiles de la montre intelligente ne sont pas conseillées car cela créera des tracas inutiles pour les participants, en particulier pendant les heures d’école et de travail. - Faites défiler vers le bas et sélectionnez la fonction Connecter . Faites défiler vers le bas et sélectionnez GPS. Cliquez sur Mode et réglez les paramètres GPS sur Haute précision.
- Faites glisser l’écran vers la droite pour revenir à l’écran des paramètres principaux.
- Faites défiler vers le bas, sélectionnez la fonction d’économie d’énergie , désactivez le paramètre d’alimentation de l’intelligence de veille et vérifiez que l’économiseur de batterie est toujours éteint. Faites glisser l’écran vers la droite pour revenir à l’écran des paramètres principaux.
REMARQUE: Bien que la consommation de la batterie doive être prise en compte, le maintien du mode d’économie d’énergie standard activé peut interférer avec le bon fonctionnement des applications et affecter négativement la qualité et l’exhaustivité des données. - Faites défiler vers le bas et sélectionnez la fonction Date et heure . Désactivez l’onglet Fuseau horaire automatique . Faites défiler vers le bas, cliquez sur Sélectionner le fuseau horaire, sélectionnez le fuseau horaire correct et activez le format 24 heures.
- Faites défiler vers le haut, activez le fuseau horaire automatique et vérifiez que le mode Date et heure automatiques est défini sur Utiliser l’heure fournie par le réseau.
REMARQUE: Ceci est important pour s’assurer que chaque mesure de capteur est accompagnée de l’horodatage correct. - Faites glisser l’écran vers la droite pour revenir à l’écran des paramètres principaux. Faites défiler vers le bas, sélectionnez Plus, ouvrez l’option Nettoyeur d’arrière-plan et désactivez l’économiseur de batterie.
REMARQUE: Tous les paramètres qui interfèrent avec le bon fonctionnement des applications en arrière-plan doivent être désactivés. Dans ce cas, un tel paramètre est le nettoyeur d’arrière-plan, et s’il reste activé, ces applications ne pourront pas fonctionner en arrière-plan, affectant ainsi la configuration générale de la smartwatch et interférant avec l’approche de collecte de données. - Faites glisser l’écran vers la droite pour revenir à l’écran Plus de paramètres , faites défiler vers le bas, sélectionnez la fonction de gel de l’application , cliquez sur Suivant, faites défiler vers le bas, cliquez sur Google Play Store et sélectionnez Freeze; L’application sera automatiquement désactivée.
REMARQUE: Si laissé activé, le Play Store est susceptible d’effectuer des mises à jour. Ces mises à jour peuvent interférer avec les processus créés. En outre, certaines mises à jour peuvent avoir lieu à des jours différents pour les différents participants à l’étude et, par conséquent, pendant un certain temps, les données ne seront pas collectées de la même manière auprès de tous les participants. - Faites glisser l’écran vers la droite pour revenir à l’écran Plus de paramètres , sélectionnez la fonction Notifications , sélectionnez Google et bloquez toutes les notifications de cette application.
REMARQUE: Selon l’appareil et le système d’exploitation, d’autres applications peuvent également afficher des notifications. Les distractions et les notifications inutiles de la smartwatch ne sont pas conseillées car cela créera des tracas inutiles pour les participants, en particulier pendant les heures d’école et de travail. - Faites glisser l’écran vers la droite pour revenir à l’écran Plus de paramètres , faites défiler vers le bas, sélectionnez la fonction Économiseur de données et désactivez l’économiseur de données. Balayez l’écran vers la droite pour revenir à l’écran Plus de paramètres .
REMARQUE : désactivez tout paramètre ou fonctionnalité susceptible d’affecter le téléchargement ou la réception de données. - Sélectionnez la fonction Paramètres de l’application , faites défiler vers le bas, sélectionnez la fonction Accès spécial et cliquez sur Paramètres d’optimisation de la batterie. Cliquez sur le triangle et sélectionnez Toutes les applications.
- Faites défiler vers le bas pour trouver le casier d’application, sélectionnez le casier d’application, sélectionnez Ne pas optimiser, puis cliquez sur Terminé. Recherchez toutes les applications pertinentes utilisées dans la configuration de la montre intelligente (casier d’application, tâcheur, application de collecte de données) et sélectionnez Ne pas optimiser.
REMARQUE: Les principales applications qui effectuent ou prennent en charge la collecte de données doivent fonctionner sans aucune restriction de batterie. - Une fois l’installation terminée, vérifiez les paramètres implémentés à cette étape.
REMARQUE: La réactivité de l’écran tactile peut manquer et les modifications importantes apportées aux paramètres peuvent ne pas avoir été effectuées correctement, alors exécutez une vérification pour vous assurer que chaque étape a été effectuée correctement. Vérifiez à nouveau que tous les sons et vibrations sont minimisés, que le GPS est en mode haute précision et que les paramètres de date et d’heure sont corrects. De plus, assurez-vous de désactiver tous les paramètres qui interfèrent avec le bon fonctionnement des applications en arrière-plan. En outre, assurez-vous que toute autre application capable d’effectuer des mises à jour est gelée. Désactivez tous les paramètres ou fonctionnalités susceptibles d’affecter le téléchargement ou la réception de données. Assurez-vous que les principales applications qui effectuent ou prennent en charge la collecte de données peuvent fonctionner sans aucune restriction de batterie.
- Configurez le casier d’application.
- À partir de l’écran d’accueil, naviguez pour trouver les applications installées.
- Sélectionnez App Locker.
- Sélectionnez la façon dont vous souhaitez que le App Locker verrouille les applications (les possibilités incluent l’utilisation d’un code PIN ou d’un code modèle).
- Sélectionnez les applications que vous souhaitez verrouiller. Entre autres, la caméra, l’enregistrement vocal, le navigateur et les applications de jeu peuvent être verrouillés. Activez App Locker.
- Connectez la montre intelligente au réseau Wi-Fi domestique du participant.
Remarque : L’installation est terminée. La smartwatch est prête à être donnée à un participant.
- Autorisez le participant à utiliser la montre intelligente.
- Demandez aux participants de porter la montre intelligente tous les jours et de charger l’appareil chaque nuit pendant leur sommeil.
REMARQUE: Pendant la journée, les participants ont pu utiliser la smartwatch comme une montre numérique normale et évaluer leurs niveaux d’activité grâce à l’indicateur podomètre smartwatch. Les participants n’étaient pas tenus d’effectuer des tâches spécifiques pour que la montre intelligente puisse collecter et transmettre les données. La configuration des appareils telle que décrite dans le protocole en combinaison avec les processus automatisés développés avec le taskeur a minimisé les tracas pour les participants.
- Demandez aux participants de porter la montre intelligente tous les jours et de charger l’appareil chaque nuit pendant leur sommeil.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Le protocole décrit des solutions simples et rentables aux défis réels affectant le recrutement, la conformité et la qualité des données dans les études de population utilisant des capteurs portables. Les étapes décrites ici ont permis la mise en place réussie d’un dispositif portable grand public pour la surveillance de l’exposition et de la santé dans le cadre d’une vaste étude de population impliquant des enfants asthmatiques et des adultes atteints de fibrillation auriculaire. La figure 6 donne un aperçu graphique des protocoles fournis et illustre les principales étapes prises pour résoudre les principaux problèmes sous-jacents identifiés.
Nous présentons ici les résultats représentatifs d’un sous-ensemble de 17 participants (enfants asthmatiques âgés de 6 à 11 ans) qui ont participé à l’étude LIFE MEDEA au printemps 202013. Les 17 participants ont été équipés d’une montre intelligente qui fournissait des données horodatées sur l’activité physique (podomètre, accéléromètre, fréquence cardiaque) et les positions GPS avant et après la mise en œuvre du protocole. Ces données ont été collectées via l’application de collecte de données et ont été automatiquement synchronisées avec une base de données basée sur le cloud lorsque la montre intelligente était en contact avec le réseau Wi-Fi à l’intérieur de la maison de chaque participant, comme décrit précédemment13. Cependant, grâce à l’application du protocole décrit, des informations sur la connectivité Wi-Fi, la force du signal Wi-Fi, la capacité de la batterie et si l’appareil était en charge ou non ont également été mises à disposition. Les données sur ces variables supplémentaires n’étaient pas automatiquement synchronisées avec la base de données basée sur le cloud, mais devaient être téléchargées manuellement à partir de chaque montre intelligente via Bluetooth après la fin de la période d’étude. En comparant les données collectées pendant une durée de 2 semaines avant et 2 semaines après la mise en œuvre du protocole, nous avons évalué l’impact de ces solutions sur l’amélioration de l’exhaustivité des données, définie comme le pourcentage de temps avec les données collectées par jour. La figure 7A présente le pourcentage de temps passé avec les données avant et après la mise en œuvre du protocole pour chaque participant séparément, tandis que la figure 7B présente les distributions correspondantes du pourcentage de temps passé avec des données pour l’ensemble du groupe avant et après la mise en œuvre du protocole. Fait intéressant, la mise en œuvre du protocole a entraîné une augmentation statiquement significative de l’exhaustivité des données, le pourcentage de temps passé avec les données passant d’une médiane de 36,5 % (min : 9,3 %, max : 68,1 %) à une médiane de 48,9 % (IQR : 18,4 %, 77,8 %, p = 0,013).
De plus, dans la figure 8, nous présentons un cas extrême de mauvaises données GPS recueillies pendant 24 heures auprès d’un seul patient atteint de FA participant à l’étude. Bien que le patient portait la montre comme indiqué, le signal GPS brut réel recueilli était dispersé sur les 24 heures (figure 8A), et l’estimation de la durée du temps passé à l’intérieur et de la durée à l’extérieur était difficile. La mise en œuvre d’un algorithme de remplissage de données GPS (figure supplémentaire 1) permet de remplacer les données manquantes par des valeurs estimées (figure 8B). La confirmation que le temps estimé à l’intérieur et le temps estimé à l’extérieur étaient corrects a été fournie par la connectivité de la montre intelligente enregistrée avec le signal du réseau Wi-Fi (Figure 8C). Pour le même patient, nous présentons également un autre cas extrême d’une journée avec de mauvaises données GPS collectées (Figure 9A). Cependant, dans ce cas, la mise en œuvre de l’algorithme de remplissage de données GPS à elle seule n’a pas permis d’estimer avec précision toutes les données manquantes. De façon caractéristique, l’algorithme a correctement estimé que le participant était presque absent de sa résidence entre environ 09 h 00 et 21 h ce jour-là et qu’il est rentré chez lui pour une brève période vers 18 h, mais il n’a pas réussi à saisir que le participant est également rentré chez lui pendant une période d’environ 90 minutes vers 13 h 30 (figure 9B). Néanmoins, cet événement n’a pas été manqué lorsque les données sur la connectivité de la montre intelligente avec le signal du réseau Wi-Fi ont également été prises en compte (Figure 9C).
Enfin, à la suite d’un projet pilote réussi, le protocole a été mis en œuvre dans toute la cohorte de participants MEDEA au printemps 2020 à Chypre et en Grèce (n = 108 enfants asthmatiques). Cependant, quelques semaines après la distribution des montres intelligentes aux enfants et le début de la collecte de données, les autorités sanitaires de Chypre et de Grèce ont appliqué une série d’interventions de santé publique d’intensité croissante pour contrôler la pandémie de COVID-19 dans leurs pays respectifs. Les interventions de santé publique ont d’abord été caractérisées par des mesures de distanciation sociale et une interdiction des grands événements publics, mais ont rapidement dégénéré en confinements nationaux stricts au cours des mois de mars et avril. Compte tenu des perturbations sans précédent dans la routine quotidienne et le comportement de la population, la décision a été prise de continuer à suivre l’emplacement et l’activité des enfants asthmatiques utilisant les montres intelligentes pendant la durée du confinement afin de quantifier objectivement leur conformité aux mesures d’intervention de santé publique et les changements globaux de l’activité physique. Les données recueillies ont été utilisées pour calculer les profils individuels de la « fraction de temps passé à la maison » et du « nombre total de pas/jour » et ont été analysées statistiquement pour évaluer les changements dans ces paramètres au cours des niveaux croissants des mesures de confinement COVID-19. La chronologie et la description des niveaux croissants des mesures de confinement COVID-19 dans les deux pays sont présentées à la figure 10 et sont décrites en détail par Kouis et al. dans une publication antérieure13. En résumé, les résultats ont indiqué une augmentation moyenne statistiquement significative de la « fraction de temps passé à la maison » dans les deux pays pour les niveaux d’intervention croissants. L’augmentation moyenne de la fraction de temps passé à la maison était égale à 41,4 % et 14,3 % (au niveau 1), 48,7 % et 23,1 % (au niveau 2) et 45,2 % et 32,0 % (au niveau 3) pour Chypre et la Grèce, respectivement. L’activité physique à Chypre et en Grèce a montré des diminutions moyennes significatives de −2 531 et −1 191 pas/jour (au niveau 1), −3 638 et −2 337 pas/jour (au niveau 2), et −3 644 et −1 961 pas/jour (au niveau 3) à Chypre et en Grèce, respectivement13. Les moyennes hebdomadaires de la « fraction de temps passé à la maison » et du « nombre total de pas/jour » chez les enfants asthmatiques avant la COVID-19 et pendant les trois niveaux de mesures de confinement liées à la COVID-19 sont présentées à la figure 11-13.
DÉCLARATION DE DISPONIBILITÉ DES DONNÉES :
L’ensemble de données anonymisées a été soumis au référentiel en libre accès en ligne Figshare (https://doi.org/10.6084/m9.figshare.21601371.v3).
Tableau 1 : Défis réels identifiés en relation avec l’utilisation des appareils de montres intelligentes et les solutions utilisées. Veuillez cliquer ici pour télécharger ce tableau.
Figure 1 : Activation de l’application de collecte de données. Schéma schématique du processus d’activation systématique de l’application de collecte de données. Le parallélogramme indique un déclencheur, le losange indique une condition et le rectangle indique une action. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 2 : Activation de la connectivité Wi-Fi. Schéma de principe du processus pour activer systématiquement la connectivité Wi-Fi. Le parallélogramme indique un déclencheur, le losange indique une condition et le rectangle indique une action. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 3 : Optimisation de la consommation de la batterie. Schéma de principe des processus menant à des actions qui optimisent systématiquement la consommation de la batterie. Le parallélogramme indique un déclencheur, le losange indique une condition et le rectangle indique une action. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 4 : Informations sur les événements de journalisation. Diagramme schématique des processus qui enregistrent systématiquement les informations sur les événements pertinentes pour le projet. Le parallélogramme indique un déclencheur, le losange indique une condition et le rectangle indique une action. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 5 : Notification de l’utilisateur si le signal GPS est désactivé. Schéma des processus qui vérifient systématiquement l’état du signal GPS et fournissent des notifications pour alerter les utilisateurs des problèmes. Le parallélogramme indique un déclencheur, le losange indique une condition et le rectangle indique une action. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 6 : Vue d’ensemble schématique des protocoles. Aperçu schématique des défis sous-jacents identifiés et des protocoles fournis avec une illustration des étapes clés des processus. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 7 : Exhaustivité des données avant et après la mise en œuvre du protocole. Exhaustivité des données pour un groupe représentatif de participants (n = 17) pendant une période de 2 semaines avant et après la mise en œuvre du protocole. (A) Le pourcentage de temps consacré aux données avant et après la mise en œuvre du protocole pour chaque participant séparément. (B) Les répartitions correspondantes pour l’ensemble du groupe. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 8 : Mise en œuvre de l’algorithme de remplissage des données GPS (cas extrême 1). (A) Exemple de cas d’une journée avec de mauvaises données brutes du signal GPS et (B) la mise en œuvre de l’algorithme de remplissage des données GPS pour remplacer les données manquantes par des valeurs estimées. (C) La confirmation des classifications intérieures et extérieures basées sur l’indicateur de signal Wi-Fi reçu. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 9: Mise en œuvre de l’algorithme de remplissage des données GPS (cas extrême 2). (A) Exemple de cas d’une journée avec des données de signal GPS brutes médiocres et (B) la mise en œuvre de l’algorithme de remplissage de données GPS pour remplacer les données manquantes par des valeurs estimées. (C) L’algorithme de remplissage des données GPS a conduit à une erreur de classification intérieure et extérieure, qui a été résolue à l’aide de l’indicateur de signal reçu Wi-Fi. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 10 : Chronologie des interventions de santé publique à Chypre et en Grèce. Chronologie des enregistrements de l’étude en relation avec l’introduction d’interventions de santé publique en (A) Chypre et (B) en Grèce en mars et avril 2020.L’image est reproduite sous licence CC BY 4.0, sans aucune modification, à partir de l’étude originale de Kouis et al., publiée pour la première fois dans Scientific Reports Journal13. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 11 : Changements dans la mobilité en réponse aux interventions de santé publique chez les enfants asthmatiques. Moyennes hebdomadaires de la fraction de temps passé à la maison et de pas/jour des enfants asthmatiques avant et pendant les trois niveaux d’interventions de santé publique en (A) Chypre et (B) en Grèce. L’image est reproduite sous licence CC BY 4.0, sans aucune modification, à partir de l’étude originale de Kouis et al., publiée pour la première fois dans Scientific Reports Journal13. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure supplémentaire 1 : La mise en place d’un algorithme de remplissage de données GPS. Veuillez cliquer ici pour télécharger ce fichier.
Fichier supplémentaire 1 : Les macros décrites dans ce protocole. Veuillez cliquer ici pour télécharger ce fichier.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Les capteurs portables sont des outils utiles qui permettent la surveillance continue et non invasive des paramètres de santé et du comportement des patients. Les montres intelligentes commerciales, qui sont équipées d’une variété de capteurs, offrent une alternative prometteuse aux méthodes traditionnelles de collecte de données, et leur utilisation dans la recherche clinique et en santé publique ne devrait augmenter qu’en raison de la variété et de la qualité accrues des capteurs intégrés, du renforcement des partenariats entre les universités et l’industrie et de la réduction des prix de détail14 . Dans cette étude, nous mettons en évidence les défis réels qui peuvent affecter le recrutement, la conformité des utilisateurs et la qualité des données dans les études de population et fournissons des exemples de solutions simples et rentables pour les surmonter sur le terrain. La mise en œuvre de ce protocole lors du déploiement de l’étude13 a permis d’améliorer significativement les résultats en termes d’exhaustivité et de qualité des données. Les étapes les plus critiques du protocole sont l’étape 2.2 (qui garantit l’activation systématique de l’application de collecte de données à intervalles réguliers), l’étape 2.5 (qui fournit un journal séparé des événements importants concernant l’état de la smartwatch) et l’étape 5.2.8 (qui permet le fonctionnement ininterrompu des processus d’arrière-plan de la smartwatch).
Dans le passé, plusieurs études ont porté sur la validité des dispositifs portables grand public pour une variété de paramètres de santé et d’activité, et les résultats ont récemment été synthétisés dans une vaste revue systématique et une méta-analyse15. Cependant, sur un total de 169 études identifiées dans la revue systématique, seulement 48 portaient sur des populations vivant en milieu libre, tandis que seulement 36 études portaient sur des populations présentant un type quelconque de limitation de mobilité ou une maladie chronique. Bien que les auteurs aient conclu que, dans l’ensemble, les appareils commerciaux sont précis pour mesurer les pas et la fréquence cardiaque, en particulier en laboratoire, ils ont mis en évidence le risque de surestimation ou de sous-estimation dans les milieux de vie libres, tandis que les différences dans la facilité d’utilisation et la validité des mesures entre les témoins en bonne santé et les patients chroniques n’ont pas été explorées15 . Ces deux points sont particulièrement importants car l’un des principaux arguments en faveur du passage à la santé numérique est de permettre le suivi des patients atteints de maladies chroniques en dehors des établissements de soinsde santé 16.
Néanmoins, certaines études antérieures se sont concentrées sur les problèmes rencontrés par les participants et les chercheurs lors du déploiement d’études cliniques dans des environnements de vie libre impliquant des dispositifs portables grand publicet les ont quantifiés 17,18,19. Dans une étude de faisabilité bien menée qui a impliqué un petit nombre de participants (n = 26) mais les a observés pendant une période significative (3 mois), Beukenhorst et al. ont rapporté qu’en moyenne, les patients portaient la montre 73% des jours et que la non-utilisation temporaire et permanente augmentait au cours des semainesd’étude 17.
Dans un groupe beaucoup plus important, Galarnyk et al. ont rapporté que sur un total de 230 personnes recrutées dans l’étude et équipées d’une montre intelligente, seulement 130 (57%) l’ont utilisée au moins une fois et ont transmis avec succès certaines données18. En outre, certaines études ont également mis en évidence le fait que pendant la phase de mise en œuvre, un soutien technique intensif est nécessaire18,19. De manière caractéristique, dans l’étude Parkinson@Home, les auteurs ont signalé un taux d’exhaustivité des données de 88%, mais ont également souligné que presque tous les participants avaient besoin d’au moins un appel d’assistance pour le dépannage de l’appareil au cours de la période d’étude de 3 mois19. Nous avons rapporté une expérience similaire dans notre étude13, bien que les dossiers officiels des appels de dépannage et des visites à domicile n’aient pas été conservés.
Dans notre étude, nous nous sommes également concentrés sur les problèmes de qualité des données liés aux signaux GPS. Nous avons dû construire des expositions individuelles des participants dans des microenvironnements extérieurs et intérieurs (à la maison), une tâche compliquée par la perte fréquente et persistante du signal, en particulier dans les environnements intérieurs, et pour cette raison, nous avons développé un algorithme de remplissage de données, comme suggéré dans des études précédentes20,21. Bien que l’algorithme ait fonctionné raisonnablement bien, l’inclusion d’un indicateur de force du signal Wi-Fi reçu, tel que collecté par l’application tasker, a considérablement amélioré les performances de l’algorithme et a largement minimisé les erreurs de classification. L’utilité de cet indicateur de force du signal reçu Wi-Fi a également été démontrée dans des études antérieures portant sur la localisation intérieure 22,23, et lorsqu’il est associé à des mesures GPS, cet indicateur peut fournir une mesure valide de l’exposition individuelle de24 heures à des microenvironnements extérieurs et intérieurs.
Enfin, le protocole suggéré ici a été mis en œuvre et testé en conditions réelles au printemps 2020 chez les enfants et les personnes âgées. Bien que chaque solution proposée soit simple et ne nécessite pas de connaissances préalables en programmation, toutes les solutions réunies ont répondu à tous les principaux problèmes identifiés, notamment en améliorant et systématisant la collecte de données, en réduisant la consommation de la batterie, en bloquant les applications indésirables et les paramètres de smartwatch, et en améliorant le signal GPS. Cependant, les processus, tels que décrits dans le protocole, n’ont été testés qu’avec un appareil smartwatch utilisant Android version 7.1.1. Bien qu’il soit possible que la réplication directe de ces processus soit possible avec d’autres versions d’Android, nous ne pouvons pas exclure la possibilité que certains ajustements soient nécessaires et, par conséquent, la généralisabilité directe du protocole peut être limitée. En outre, le protocole peut devoir être modifié pour refléter les variations dans les spécifications techniques d’autres smartphones. Par exemple, le déclencheur temporel pour la collecte de données peut être défini en fonction de la capacité de la batterie de l’appareil smartwatch ou en fonction de la résolution temporelle requise pour les variables collectées. Néanmoins, même si l’application de ce protocole à un autre smartphone ou à une version Android différente peut nécessiter un dépannage et la modification de certaines étapes individuelles, dans l’ensemble, des étapes similaires devront être entreprises (ou il faudra confirmer que certaines étapes ne sont pas nécessaires) lors de la configuration de toute montre intelligente avant qu’elle ne soit donnée à un participant à l’étude. Le niveau de détail fourni dans le protocole permet d’adapter facilement ces solutions à n’importe quel appareil de smartwatch. De plus, ce travail ne visait pas et n’était pas conçu à l’origine pour évaluer les raisons qui peuvent affecter la conformité des utilisateurs aux dispositifs portables lors de la réalisation d’études de population. Des études futures utilisant des outils et des méthodologies appropriés sont nécessaires pour approfondir ce sujet. De telles études peuvent fournir les preuves supplémentaires nécessaires pour améliorer efficacement les méthodes existantes d’intégration de dispositifs portables dans les études de recherche, en particulier dans des conditions réelles.
Actuellement, les méthodes existantes sont assez limitées et comprennent principalement le développement d’un système de soutien étendu (formation initiale, manuel d’utilisation, ligne d’assistance téléphonique et visites sur site)19. En outre, une étude antérieure a souligné que dans les essais cliniques numérisés, il faut s’attendre à un taux d’abandon important et que des plans d’urgence a priori, tels que l’accès à un bassin de recrutement de participants plus large, sont nécessaires18. L’intégration des solutions présentées dans cette étude peut compléter et, plus important encore, réduire le fardeau du système de soutien étendu tout en augmentant l’exhaustivité et la qualité des données. De plus, d’après les observations de Galarnyk et coll., le fait de faciliter le plus possible l’initiation à l’utilisation des dispositifs peut assurer davantage la conformité et réduire les taux d’abandon18. Enfin, les applications futures de certaines de ces solutions, en particulier l’utilisation d’applications d’automatisation des appareils, comprennent la personnalisation accrue des appareils commerciaux pour soutenir la mobilité des personnes âgées ou des personnes handicapées 24,25, soutenir les systèmes d’alerte précoce26 et assurer la connectivité Bluetooth et Wi-Fi dans les applications de l’Internet des corps (IoB)27.
En résumé, ce travail fournit un protocole qui comprend des solutions simples et rentables aux défis réels affectant le recrutement, la conformité et la qualité des données dans les études de population utilisant des dispositifs portables grand public. Le protocole repose sur des outils logiciels disponibles gratuitement et ne nécessite aucune connaissance préalable en programmation. Cette approche peut être facilement reproduite ou adaptée par les chercheurs en santé qui travaillent avec des dispositifs portables dans les domaines de la recherche clinique et de la santé publique.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Les auteurs n’ont aucun conflit d’intérêts à déclarer.
Acknowledgments
Les auteurs remercient tous les participants et leurs familles, ainsi que le personnel enseignant et administratif des écoles primaires participantes à Chypre et en Grèce. L’étude a été financée par le projet LIFE MEDEA de l’Union européenne (LIFE16 CCA/CY/000041).
Materials
| Name | Company | Catalog Number | Comments |
| APK Extractor | Meher | Version 4.21.08 | Application |
| Charger/Adaptor with data cable | Jiangsu Chenyang Electron Co. Ltd | C-P17 | Charger |
| Embrace application | EmbraceTech LTD | Version 1.5.4 | Application |
| LEMFO LF25 Smartwatch | Shenzhen domino Times Technology Co. Ltd | DM368 Plus | Smartwatch |
| Lock App - Smart App Locker | ANUJ TENANI | Version 4.0 | Application |
| Macrodroid-Device Automation | ArloSoft | Version 5.5.2 | Application |
| Xiaomi Redmi 6A | Xiaomi | M1804C3CG | Smartphone |
References
- Alami, H., Gagnon, M. P., Fortin, J. P. Digital health and the challenge of health systems transformation. mHealth. 3, 31 (2017).
- Dunn, J., Runge, R., Snyder, M.
- Bietz, M. J., et al. Opportunities and challenges in the use of personal health data for health research. Journal of the American Medical Informatics Association. 23, 42-48 (2016).
- Coughlin, S. S.
- Munos, B., et al. Mobile health: The power of wearables, sensors, and apps to transform clinical trials. Annals of the New York Academy of Sciences. 1375 (1), 3-18 (2016).
- Reeder, B., David, A. Health at hand: A systematic review of smart watch uses for health and wellness. Journal of Biomedical Informatics. 63, 269-276 (2016).
- Trifan, A., Oliveira, M., Oliveira, J. L. Passive sensing of health outcomes through smartphones: Systematic review of current solutions and possible limitations. JMIR mHealth and uHealth. 7 (8), 12649 (2019).
- Rodgers, M. M., Alon, G., Pai, V. M., Conroy, R. S. Wearable technologies for active living and rehabilitation: current research challenges and future opportunities. Journal of Rehabilitation and Assistive Technologies Engineering. 6, 2055668319839607 (2019).
- Huberty, J., Ehlers, D. K., Kurka, J., Ainsworth, B., Buman, M. Feasibility of three wearable sensors for 24 hour monitoring in middle-aged women. BMC Women's Health. 15, 55 (2015).
- Schall, M. C., Sesek, R. F., Cavuoto, L. A. Barriers to the adoption of wearable sensors in the workplace: A survey of occupational safety and health professionals. Human Factors. 60 (3), 351-362 (2018).
- Henriksen, A., et al. Using fitness trackers and smartwatches to measure physical activity in research: Analysis of consumer wrist-worn wearables. Journal of Medical Internet Research. 20 (3), 9157 (2018).
- Kouis, P., et al. The MEDEA childhood asthma study design for mitigation of desert dust health effects: Implementation of novel methods for assessment of air pollution exposure and lessons learned. BMC Pediatrics. 21, 13 (2021).
- Kouis, P., et al. Use of wearable sensors to assess compliance of asthmatic children in response to lockdown measures for the COVID-19 epidemic. Scientific Reports. 11, 5895 (2021).
- Arigo, D., et al. The history and future of digital health in the field of behavioral medicine. Journal of Behavioral Medicine. 42 (1), 67-83 (2019).
- Fuller, D., et al. Reliability and validity of commercially available wearable devices for measuring steps, energy expenditure, and heart rate: Systematic review. JMIR mHealth and uHealth. 8 (9), 18694 (2020).
- Majumder, S., Mondal, T., Deen, M. J. Wearable sensors for remote health monitoring. Sensors. 17 (1), 130 (2017).
- Beukenhorst, A. L., et al. Engagement and participant experiences with consumer smartwatches for health research: Longitudinal, observational feasibility study. JMIR mHealth and uHealth. 8 (1), 14368 (2020).
- Galarnyk, M., Quer, G., McLaughlin, K., Ariniello, L., Steinhubl, S. R. Usability of a wrist-worn smartwatch in a direct-to-participant randomized pragmatic clinical trial. Digital Biomarkers. 3 (3), 176-184 (2019).
- de Lima, A. L. S., et al. Large-scale wearable sensor deployment in Parkinson's patients: The Parkinson@ home study protocol. JMIR Research Protocols. 5 (3), 5990 (2016).
- Steinle, S., Reis, S., Sabel, C. E. Quantifying human exposure to air pollution-Moving from static monitoring to spatio-temporally resolved personal exposure assessment. Science of the Total Environment. 443, 184-193 (2013).
- Dias, D., Tchepel, O. Modelling of human exposure to air pollution in the urban environment: a GPS-based approach. Environmental Science and Pollution Research. 21 (5), 3558-3571 (2014).
- Chen, W., Kao, K., Chang, Y., Chang, C. An RSSI-based distributed real-time indoor positioning framework. 2018 IEEE International Conference on Applied System Invention (ICASI). , 1288-1291 (2018).
- Nagah Amr, M., El Attar, H. M., Abd El Azeem, M. H., El Badawy, H. An enhanced indoor positioning technique based on a novel received signal strength indicator distance prediction and correction model. Sensors. 21 (3), 719 (2021).
- Lancioni, G. E., et al. An upgraded smartphone-based program for leisure and communication of people with intellectual and other disabilities. Frontiers in Public Health. 6, 234 (2018).
- Lancioni, G. E., et al. People with intellectual and visual disabilities manage functional occupation via basic technology providing spatial cues and timely repetition of response-related instructions. Advances in Neurodevelopmental Disorders. 6 (1), 11-19 (2022).
- Rao, S. IoT enabled wearable device for COVID safety and emergencies. International Journal of Interactive Mobile Technologies. 3 (3), 146-154 (2021).
- Brunschwiler, T., et al. Internet of the body-Wearable monitoring and coaching. 2019 Global IoT Summit (GIoTS). , 1-6 (2019).
