智能手表的医疗应用综述

智能手表的医疗应用

系统性综述

1. 引言

1.1 背景

毫无疑问，可穿戴技术正进入我们的生活，尤其是在早期采用者中。许多科技公司已投入开发新型可穿戴解决方案，以成功进入消费市场。据估计，美国仅有1%至2%的个人使用过可穿戴设备，但该市场预计到2019年将达到250亿美元，其中智能手表将占据60%的市场份额[1, 2]。

可穿戴设备可以被定义为作为配饰佩戴或不引人注目地嵌入用户服装中的移动电子设备[3]。通常，可穿戴设备采用先进的生物传感器和无线数据通信技术，使佩戴者能够在人类活动的各个领域访问和传输信息。鉴于具备无线通信能力的微型化生物传感器的功能，这些设备被开发为创新的、非侵入式监测技术，用于生理数据的连续和自主传输[4]。随着这些可穿戴设备在临床领域的普及，它们有潜力为医疗服务提供者提供所需的信息，以提高医疗保健质量、改变并促进临床工作流程、远程管理和治疗患者、收集更多健康数据，并向患者提供更有意义的医疗保健服务[5]。

为了实际应用，张的研究团队指出了一些关键因素，需要在可穿戴设备中进行开发，包括微型化、集成、网络化、数字化和标准化[6]。为了舒适地佩戴在身体上，微型化和不引人注目被认为是最重要的因素，可以提高长期连续监测的依从性[7]。近年来，智能手表进入了快速增长的可穿戴设备市场。凭借其微型化的外形设计和计算技术，智能手表可以持续佩戴而不会中断用户的日常活动。尽管智能手机已成为我们日常生活的一部分，可能被认为是可以穿戴的，但这些设备大多存放在口袋或手提包中。与智能手机不同，智能手表可以真正实现可穿戴而不干扰我们的日常生活，同时还可以作为智能手机的便捷扩展[8]。由于与皮肤的接近性，智能手表还可以直接从佩戴者的身体获取生理数据[9]。鉴于在医疗保健领域广泛采用的潜力，配备生物传感器的智能手表有望为患者及其医疗服务提供者提供重要的医疗保健信息。

1.2 意义

尽管智能手表技术在收集和显示重要健康数据方面具有潜力，但据我们所知，目前尚无关于其在研究环境或临床实践中医疗应用的系统性综述。

1.3 目的

本文旨在综述有关智能手表的医疗应用的已发表文献，以及在政府临床试验网站上注册的正在进行的研究项目。我们还讨论了智能手表在医疗保健环境中的潜在用途和局限性。

2. 材料与方法

2.1 文献检索

我们选择《系统评价和荟萃分析优先报告项目（PRISMA）》作为系统性综述的方法学[10]。共检索了五个数据库，包括PubMed、CINAHL Plus、EMBASE、ACM和IEEE Xplore数字图书馆。所有数据库均使用关键词“Smart Watch”或“Smartwatch”，并结合最常见品牌的名称进行检索现有的商用智能手表。此外，还在ClinicalTrials.gov上进行了检索，以纳入正在进行的注册临床试验。尽管本综述聚焦于医疗应用，但在检索词中并未包含“医疗保健”或“应用”等相关术语，以确保涵盖更广泛的待评估文章。在PubMed中使用的检索词如下，并根据所检索的各个数据库的具体要求进行了调整。

(“智能手表”[所有字段] OR smartwatch[所有字段]) OR (“安卓”[所有字段] AND “Wear”[所有字段]) OR (“苹果”[所有字段] AND “手表”[所有字段]) OR (“Moto”[所有字段] AND “360”[所有字段]) OR (“三星”[所有字段] AND “Gear”[所有字段]) OR (“Pebble”[所有字段] AND “手表”[所有字段]) OR (“佳明”[所有字段] NOT (“全球定位系统”[所有字段] OR “全球定位系统”[所有字段])) NOT (“评论”[出版类型] OR “Editori‐ al”[出版类型] OR “综述”[出版类型])

我们于2015年12月1日进行了检索。由于智能手表及其在医疗保健领域的应用相对较新，因此我们在检索词中未限制年份。此外，我们还对检索到的文章中包含的引用进行了人工综述。

2.2 文献筛选

其中一位作者对检索到的文献进行了初步筛选，去除了重复的文献，并在审阅了各篇文章的标题和摘要后进一步排除了部分文献。随后，另一位作者对纳入的文献进行了复核。两名独立的研究人员对获取的全文文献进行了合格性评估，评审过程中相互设盲。对于文献纳入意见的分歧，通过与其他团队成员讨论解决。在排除无关研究后，最终保留的研究被选入进行最终综述。要纳入最终综述，研究必须满足以下条件：
a) 发表于同行评审期刊中的原创文章或会议录，或注册为由美国国家医学图书馆（NLM）维护的官方临床试验网站（即ClinicalTrials.gov）上的正在进行的研究。
b) 以智能手表或smartwatch为主要研究对象或研究方法的主要组成部分。
c) 针对特定疾病或具有特定医疗需求人群的临床应用。
d) 使用英文撰写。

我们排除了那些不被视为原始研究的文章，例如致编辑的信、评论或综述。由于本综述聚焦于智能手表，因此不具备手表功能的可穿戴腕部设备也被排除在外。我们还排除了仅用于追踪活动或健身的智能手环设备。

2.3 数据提取

在文章被选入最终审阅后，它们被随机分配给两名研究人员，由其提取数据并录入一个免费的在线电子表格（谷歌表格）。提取的数据包括：作者、出版年份、出版类型、研究设计、目标人群、参与者人数、研究目的、研究干预、技术相关发现、平台和/或智能手表类型、所用传感器类型以及文章标题。我们还根据每篇文章是否描述了在其主要研究干预或发现中使用人机交互、以用户为中心的设计或实施前可用性测试来提取相关信息。最后，通过团队讨论解决有关提取数据内容的分歧。

3. 结果

最初通过数据库检索共识别出356项研究。在排除重复记录后，有325条记录进入筛选阶段。根据筛选结果，其中292条记录不符合我们的纳入标准。共有33项研究被纳入合格性评估。两名独立评估人员获取并审阅了全文记录。在排除无关研究后，最终选定24篇文章进行综述，其中包括7项原始研究、2篇会议论文、13份会议录和2项正在进行的临床试验。研究选择过程如 所示。所纳入研究的完整描述见 。

在选定的24条记录中，最常见的发表、展示或注册年份是2015年（19篇，79%），其次是2014年（4篇，17%）。仅有一篇文章发表于更早的2013年底（4%）。就出版类型而言，13篇（54%）为会议录，七篇（29%）为期刊文章。在研究设计方面，最多的研究（13篇，54%）采用了实验设计，其中使用机器学习创建用于分类或模式识别的标注数据集，以建模针对目标人群的智能手表干预；其次是设有对照组的实验设计（5篇，20%），用于调查智能手表干预对特定结果的影响。目前尚无已发表的临床试验。然而，在ClinicalTrials.gov中我们识别出两项正在进行的涉及智能手表的研究（2项，8%）。对于已完成并发表的研究，参与者或患者人数从1到143人不等。在美国开展的研究数量最多（10项，42%），其次是德国（3项，13%）和英国（2项，8%）。其余九项研究在世界不同国家进行。

关于目标人群，六项研究（25%）专注于老年人使用智能手表的情况，无论是用于健康监测还是在智能家居环境中；五项研究（21%）专注于帕金森病（PD）患者。第三和第四大研究群体分别关注食物和饮食监测（4项，17%）以及慢性病患者的服药依从性监测（3项，13%）。尽管有数十种智能手表可供选择，但医疗保健研究中最常用的平台是Android Wear（11项，46%）。其中，最常用的品牌是三星Galaxy Gear（6项，25%），其次是Pebble智能手表（4项，17%）。尽管大多数研究将智能手表作为主要研究对象，但有七项研究（29%）在研究方法中同时使用了智能手表和智能手机作为主要组成部分。

研究特征，包括研究设计、目标人群和所用平台等，汇总于 。不同目标人群的出版物数量及研究设计类型如 所示。对于最常用的研究方法——机器学习的实验研究，不同目标人群的出版物数量见 。

在利用智能手表普遍具备的加速度计或陀螺仪功能方面，所选研究中的大多数（16项，67%）至少使用了其中一种功能作为其研究应用的核心概念。其中，五项研究（21%）结合使用了加速度计和陀螺仪[11, 12, 28–30]。七项研究在其研究干预中未使用任何传感器[14–15, 18, 23–24, 27, 33]，而是将智能手表作为辅助设备，通过屏幕或语音输入或提醒来帮助有特定需求的患者。一项研究利用生理传感器通过记录心率和皮肤温度来监测老年人的活动情况[31]。

在大多数研究中（18项，占75%），并未提及将人机交互、以用户为中心的设计或实施前可用性测试纳入其研究设计或干预措施。然而，有两项研究在设计阶段采用了以用户为中心的设计[15, 22]，一项研究对用户界面进行了简要评估[27]，三项研究在提及未来工作时提到了可用性测试[12, 18, 20]。

4. 讨论

我们对文献的综述显示，自2013年底以来，共有24项涉及智能手表在医疗应用中的研究符合我们的纳入标准。鉴于智能手表最近才进入商业市场，这些研究大多发表于2015年也就不足为奇了。

本综述揭示了研究设计和目标人群的广泛差异。如 和 所示，关于研究设计和目标人群的出版物数量反映了智能手表在医疗保健中应用的异质性。在以下讨论中，我们将探讨所使用的平台、其他相关技术、目标人群、可用性测试、研究设计及其潜在偏倚，以及所用传感器类型。

根据我们的综述，医疗保健研究中最常用的平台是Android Wear，而没有研究使用Apple Watch。这并不令人意外，因为首款Android Wear设备于2014年7月开始发货，而Apple Watch直到2015年4月10日才上市。尽管本研究旨在综述智能手表在医疗应用方面的文献，但大量入选的研究采用了智能手表与智能手机相结合的方式[11, 15, 22, 25, 27, 29, 34]。虽然智能手表已发展为一种可独立运行的计算设备，旨在供佩戴者在使用或不使用智能手机的情况下操作，但目前大多数智能手表仍依赖智能手机来辅助其计算或连接功能。或许由于智能手机如今极为普及，一些研究人员选择基于智能手机与智能手表的组合开展研究，或比较两者之间的使用情况。随着Apple Watch OS 2.0及后续版本支持原生应用程序（可在手表本身而非iPhone上运行），以及Android Wear现已可通过4G连接实现蜂窝网络支持独立工作[35, 36]，可穿戴智能手表可能将成为内容提供商的现实平台，从而为医疗应用带来新的机遇。

一项研究采用多模态方法，包括使用腕戴式智能手表、微软Kinect和其他设备，作为老年人活动监测的辅助技术[20]。微软Kinect最初为游戏用途而开发，但开发者已认识到其运动感应摄像头由于能够在三维（3D）空间中追踪动作，并具备开放软件开发工具包，因此在医疗应用方面具有潜力[37]。在文献中，已有若干研究利用Kinect协助诊断或监测运动障碍（尤其是帕金森病PD）的疾病活动[38–42]。对Kinect与智能手表之间的性能比较仍需进一步研究。

智能手表正被用作多种医疗应用的平台。根据我们的综述，使用智能手表最常见的医疗应用集中在老年人的健康监测或智能家居环境[11–12, 16, 20, 25–26]。另一项主要应用是针对需要服药依从性监测的慢性病患者[18, 27, 30]。这一重点尤为相关，因为预计在未来四十年内，美国老年人口将迅速增长[43]，这将增加对慢性病护理的需求。根据疾病控制与预防中心（CDC）发布的一份报告，大约80%的老年人患有至少一种慢性疾病，50%的老年人患有至少两种慢性疾病[44]。随着老年人寿命延长，技术可能成为现代生活中不可或缺的一部分。老年人、残障人士及其护理人员面临诸多照护问题，这些都可能受益于技术的支持。其中，跌倒检测与预防、慢性病管理以及药物管理是老龄服务技术研究[45]所确定的三大主要应用。

老年人跌倒检测在智能家居环境中一直发挥着重要作用[46]。文献中已发表了数千篇研究论文，市场上也有多种产品可用于自动跌倒监测。尽管现有的跌倒检测研究采用了不同的传感器位置，但设备通常放置在上下身，最常见的设备放置位置是腰部[47]。随着具有微型化和无干扰性特征的智能手表的出现，未来在这些设备中广泛应用跌倒检测算法是可能的。然而，在真实世界环境中，老年人使用可穿戴跌倒检测设备仍需进一步研究以提高准确性[48]。

本综述中发现的另一类研究涉及智能手表在神经系统疾病患者中的应用，包括帕金森病、阿尔茨海默病、癫痫和中风[13, 15, 17, 19, 24, 29, 33, 34]。神经系统疾病是导致残疾的主要原因之一，而应对这些残疾的人群可能受益于使用智能手表的辅助技术。这些研究采用了多种研究设计和干预措施，利用智能手表实现诸如帮助阿尔茨海默病患者识别熟悉的人、进行震颤的分析与诊断、检测儿童和青少年癫痫发作的类型，帮助帕金森病患者改善言语和语言障碍，并评估帕金森病的症状和运动体征。在两项正在进行的临床试验中，研究人员正在测试使用智能手表监测住院卒中康复期间的活动反馈，以及监测帕金森病患者的身體活動（包括跌倒和震颤）[33–34]。在帕特森[13]开展的一项较大规模的临床研究中，使用智能手表检测癫痫发作的结果令人失望，表明尽管其在实验室环境中的应用具有潜力，但在临床环境中仍需进一步开发和评估。

为了成功将辅助技术融入当前工作流程，必须弥合设计阶段与用户体验之间的差距。鉴于智能手表屏幕尺寸较小，这一点尤其重要。本次综述的另一个重点是强调通过可用性测试来提升用户体验，以便在实施前对产品进行评估。然而，在设计阶段仅有两项研究采用了以用户为中心的设计，仅有一项研究描述了用户界面评估[15, 22, 27]。没有研究遵循严格的可用性测试指南[49]。尽管可用性测试已被用于评估多种辅助设备，但这些测试通常排除了残障人士[50]。在所选的文章中，有两项研究聚焦于特殊需求人群，包括视力或听力受损患者[22–23]。这两项研究均采用了智能手表‐智能手机系统。其中一项旨在开发一种手势控制系统，以帮助低视力人群的日常生活；另一项则旨在了解聋人对于使用智能手表作为环境声音警报的需求和期望。在未来的试验中，考虑以用户为中心的设计和可用性测试将非常重要。

尽管我们确定的大多数研究集中在健康监测和慢性病患者上，但有一项研究旨在帮助经历院外心脏骤停（OHCA）的患者。格伦贝尔等人开发了一款用于智能手表的心肺复苏（CPR）反馈应用程序，旨在让未经训练的旁观者在紧急情况下正确实施心肺复苏术[21]。利用智能手表的加速度计，开发了一款在胸外按压心肺复苏期间提供实时反馈的CPR应用程序，具备三种基于屏幕的反馈功能：频率、深度和计数。该研究共招募了41名参与者在模拟人上进行心肺复苏。使用智能手表辅助与提高胸外按压的速率和深度显著相关，尽管在高质量心肺复苏方面的结果并不十分理想[51]。格吕纳布吕 A及其同事开发的应用程序确实提出了利用智能手表协助旁观者实施心肺复苏术的全新概念；然而，该应用程序仅提供了屏幕提示，没有音频和振动反馈。此外，该产品未进行可用性测试。

在本综述中，超过一半（13项，54%）的选定研究采用了基于机器学习实验设计的定量方法。由于大多数智能手表包含加速度计和陀螺仪，因此可以利用运动检测传感器应用于不同的患者群体。作为人工智能的一种形式，机器学习涉及基于先前示例收集的数据来训练计算机[52]。对于通过机器学习方法使用智能手表的医疗应用而言，健康相关数据可以被收集并结合适当的算法以提供有价值的结果。这种数据收集过程构成了西蒙所称的“人工科学”[53]，而实验则是当理论证据不足时，学习算法形式化复杂分析的另一种方式。正如兰利在其发表于《Machine Learning》期刊上的具有影响力的社会论“作为实验科学的机器学习”中所述，一个实验包括系统地改变一个或多个自变量，并检验它们对某些因变量的影响[54]。为了提高因变量指标的性能，机器学习实验需要在不同条件下进行大量观测[55]。如 所示，利用智能手表和机器学习的运动检测可应用于多种医疗保健场景，包括老年人健康监测或智能家居、食物和饮食监测、服药依从性监测以及运动障碍。必须开展实验以收集标注数据集用于训练目的。根据我们的综述，所有选定的文章都依赖监督机器学习算法来完成分类或模式识别任务，且大多数研究选择了N折交叉验证。效度威胁包括样本量小、所使用的分类器以及缺乏在替代数据集上的测试。

尽管详细的讨论超出了本综述的范围，但存在多种因素可能影响使用智能手表和机器学习算法的医疗应用中的性能指标。特别是传感器的使用及相关性能指标可能会引起部分读者的兴趣。关于所纳入研究中使用的传感器类型，67%的研究使用了至少一种传感器，21%的研究使用了加速度计与陀螺仪的组合。加速度计是一种在三维坐标系中测量加速度的传感器，而陀螺仪用于检测旋转。理论上，同时使用这两种传感器可以提高在选定目标人群中运动检测的准确性。实证上，阿里亚斯等人在稳定和移动平台应用中结合使用陀螺仪和加速度计传感器，并加入某些滤波器，取得了显著结果[56]。然而，由于所选研究具有异质性，目前尚无充分证据就组合传感器使用的性能得出任何相关结论。需要开展扩展的实验研究。

总之，智能手表在真实世界临床实践甚至急诊环境中的影响仍有待确定。为了让智能手表在临床领域得到普遍应用，研究人员需要采用更严谨的研究设计，并在将智能手表技术全面实施于临床环境之前进行可用性测试。

5. 局限性

智能手表并非一个新概念。然而，随着Android Wear和Apple Watch的出现，它引起了广泛关注。根据我们对文献的检索，关于智能手表医疗应用的研究论文较为稀缺。为了扩大本次综述的范围，我们检索了所有可获得的相关数据库，并纳入了医学会议中发表的研究以及正在进行的临床试验。在检索词中，我们使用“智能手表或smartwatch”作为主要关键词，以确保更广泛地涵盖可能被纳入的文章。由于不同数据库具有异质性，所纳入研究的质量差异较大。尽管如此，本综述指出，虽然智能手表技术在医疗应用方面具有潜力，但仍需要更多在临床环境中对其应用进行严谨的研究。

6. 结论

智能手表具有体积小的优势，可以佩戴在手腕上以便日常使用。尽管据报道智能手表应用在慢性病患者中的应用前景广阔，但我们仅发现一项专注于危重或紧急情况下患者管理的研究。为了让这些设备获得医疗专业人员的广泛认可，在将智能手表应用整合到临床实践之前，应对其准确性、完整性和对工作流程的影响进行严格的研究。还需要开展用户研究，以探讨在各种临床和患者环境中理想的功能性、用户界面设计及可用性。此外，仍需进一步研究以了解智能手表应用对临床实践的影响。

作者
T.C.L. 设计了系统性综述并进行了初步的数据库检索；C.C.F. 筛选了已确定文献的标题和摘要；M.H.M.M. 审查了筛选结果；T.C.L. 和 C.M.F. 审阅了全文文章并参与了数据提取。所有作者均参与了手稿的撰写和内容的审查。A.M.T. 监督了系统性综述的整个过程。所有作者均批准了综述的最终版本。

临床相关性声明
通过适当的设计和严谨的研究，智能手表有可能改善医疗保健服务的多个方面。

利益冲突
作者声明在该研究中不存在利益冲突。

人类受试者保护
该项目未包含人类和/或动物受试者。

致谢
谨向伯尔·舒尔曼，博士、珍·O·泰勒，博士和克里斯汀·杜威，理学硕士致以感谢，感谢他们协助准备手稿并进行同行评审。