Tragbar

Apr 28, 2023

Wissenschaftliche Berichte Band 13, Artikelnummer: 9326 (2023) Diesen Artikel zitieren

1 Altmetrisch

Details zu den Metriken

Wiederholte Störungen des zirkadianen Rhythmus sind mit Auswirkungen auf die Gesundheit und die Langlebigkeit verbunden. Der Einsatz tragbarer Geräte zur Quantifizierung des zirkadianen Rhythmus zur Aufklärung seines Zusammenhangs mit der Langlebigkeit durch kontinuierlich gesammelte Daten ist noch weitgehend unerforscht. In dieser Arbeit untersuchen wir eine datengesteuerte Segmentierung der 24-Stunden-Beschleunigungsmesser-Aktivitätsprofile von Wearables als neuartigen digitalen Biomarker für die Langlebigkeit bei 7.297 Erwachsenen in den USA aus der National Health and Nutrition Examination Survey 2011–2014. Mithilfe hierarchischer Clusterbildung haben wir fünf Cluster identifiziert und sie wie folgt beschrieben: „Hohe Aktivität“, „Geringe Aktivität“, „Leichte Störung des zirkadianen Rhythmus (CR)“, „Schwere CR-Störung“ und „Sehr niedrige Aktivität“. Junge Erwachsene mit extremer CR-Störung scheinen gesund zu sein und weisen nur wenige Komorbiditäten auf, sind aber tatsächlich mit einer höheren Anzahl weißer Blutkörperchen, Neutrophilen und Lymphozyten (0,05–0,07 Log-Einheiten, alle p < 0,05) und einer beschleunigten biologischen Alterung (1,42 Jahre, p < 0,001). Ältere Erwachsene mit CR-Störung sind signifikant mit erhöhten systemischen Entzündungsindizes (0,09–0,12 Log-Einheiten, alle p < 0,05), einem biologischen Alterungsfortschritt (1,28 Jahre, p = 0,021) und einem Gesamtmortalitätsrisiko (HR = 1,58, p = 0,042). Unsere Ergebnisse unterstreichen die Bedeutung der zirkadianen Ausrichtung für die Langlebigkeit in allen Altersgruppen und legen nahe, dass Daten von tragbaren Beschleunigungsmessern dabei helfen können, gefährdete Bevölkerungsgruppen zu identifizieren und Behandlungen für ein gesünderes Altern zu personalisieren.

Die weit verbreitete Verbreitung persönlicher digitaler Geräte wie Smartphones und Wearables bietet ein beispielloses Potenzial für die Datenerfassung zur Beurteilung der menschlichen Gesundheit und des Krankheitszustands. Durch passive und kontinuierliche Messung ermöglichen uns eingebaute Gerätesensoren die Erfassung verschiedener wesentlicher Gesundheitsfunktionen (z. B. Hauttemperatur, Schlaf-Wach-Zyklen und Herzfrequenz)1 sowie Faktoren der Umgebung (z. B. Lichteinwirkung)2 und des Lebensstils (z. B. körperliche Aktivität und Ernährung)1,3 in einem realen Kontext über längere Zeiträume. Diese digital erfassten physiologischen und Verhaltensmesswerte, auch digitale Biomarker genannt, erklären, beeinflussen oder prognostizieren gesundheitsbezogene Ergebnisse4. Digitale Biomarker können die täglichen Lebens- und Verhaltensmuster einer Person genauer und objektiver widerspiegeln und somit routinemäßige klinische Untersuchungen oder Selbstbeurteilungen ersetzen oder ergänzen5.

Jüngste Forschungsergebnisse deuten darauf hin, dass digitale Biomarker für die Langlebigkeit dazu verwendet werden könnten, Personen mit einem höheren Risiko für altersbedingte Krankheiten zu identifizieren und die Wirksamkeit von Interventionen zur Förderung eines gesunden Alterns zu überwachen6,7. Dies ist besonders relevant angesichts der zunehmenden Belastung der Gesundheitssysteme und der Gesellschaft durch altersbedingte Krankheiten8. Derzeit basieren Messungen der Gesundheit und Langlebigkeit auf Faktoren wie Entzündung9, biologischem Alter10 und Mortalität11. Obwohl diese Prädiktoren ein besseres Verständnis der Lebenserwartung einer Person liefern können als das chronologische Alter, wurde ihr Potenzial für die Digitalisierung noch nicht umfassend untersucht12,13. Ein digitaler Biomarker für Langlebigkeit würde nicht nur ein digitales Maß für die Lebensspanne liefern, sondern auch personalisierte Interventionen für gesundes Altern ermöglichen, wie etwa ernährungsphysiologische und pharmakologische Interventionen. Dies steht im Einklang mit dem Konzept der Präzisionsmedizin, bei dem Vorhersage, Prävention, Personalisierung und Partizipation wichtiger sind als ein einheitlicher Ansatz14.

Der zirkadiane Rhythmus, ein endogener 24-Stunden-Zyklus, der durch die Hauptuhr im suprachiasmatischen Kern des Gehirns reguliert wird, wurde ebenfalls als entscheidender Faktor für die Aufrechterhaltung einer optimalen Gesundheit und Gesundheitsspanne erkannt15. Der zirkadiane Rhythmus reguliert verschiedene physiologische, biologische und Verhaltensprozesse im Körper, darunter Schlaf-Wach-Zyklen, Hormonproduktion, Stoffwechsel und Immunfunktion16. Obwohl externe Zeitgeber wie der „Zeitgeber“ (24-Stunden-Hell-Dunkel-Zyklus) den zirkadianen Rhythmus beeinflussen können, wird er überwiegend durch endogene Faktoren gesteuert, die tief in der genetischen Ausstattung eines Individuums verankert sind. Neue Erkenntnisse deuten stark darauf hin, dass die Störung oder Fehlausrichtung des zirkadianen Rhythmus tiefgreifende Auswirkungen auf die Gesundheit hat, einschließlich einer Störung des Stoffwechsels und der Hormonregulierung sowie eines erhöhten Risikos für verschiedene chronische Krankheiten wie das metabolische Syndrom, Diabetes, Herz-Kreislauf-Erkrankungen und Krebs17. Darüber hinaus wurde es mit Immunschwäche, chronischen Entzündungen, Fettleibigkeit, Müdigkeit und einem höheren Risiko für Schlafstörungen in Verbindung gebracht18,19,20,21. Daher ist die Aufrechterhaltung eines gesunden zirkadianen Rhythmus von entscheidender Bedeutung für die allgemeine Gesundheit und das Wohlbefinden, da sie das Risiko gesundheitsschädlicher Auswirkungen verringert und die Lebensqualität verbessert22,23. In Anbetracht des Zusammenhangs zwischen zirkadianen Rhythmen und ihren Auswirkungen auf die Lebensspanne sowie der weit verbreiteten Einführung neuer technologischer Fortschritte argumentieren wir, dass Smartwatches eine vielversprechende Möglichkeit für die Nutzung digitaler Biomarker für die Langlebigkeit darstellen24. Smartwatches bieten eine praktische Möglichkeit zur kontinuierlichen Überwachung von Beschleunigungsmesserdaten25 und Herzfrequenzdaten26 und bieten wertvolle Einblicke in den zirkadianen Rhythmus.

Der Einsatz von Verbraucher-Smartwatches zur Datenerfassung und Analyse potenzieller digitaler Biomarker wird jedoch durch eine Reihe von Faktoren wie proprietäre Algorithmen, begrenztes Dateneigentum, kurze Lebensdauer und unterschiedliche Tragezeiten eingeschränkt. ActiGraph-Geräte, die für Forschungszwecke konzipiert sind, ermöglichen es uns daher, das Potenzial zukünftiger Anwendungen, die auf diesen digitalen Geräten mithilfe entwickelter Algorithmen implementiert werden könnten, vollständig zu untersuchen.

Darüber hinaus klärt die Anwendung von maschinellem Lernen (ML) auf kontinuierlich gesammelte Daten von Wearables verborgene Muster als digitale Phänotypen auf und erleichtert die Identifizierung von Subpopulationen27. Die herkömmliche, von Experten durchgeführte Klassifizierung von Krankheits- oder Risikopopulationen wird dadurch eingeschränkt, dass es keine einheitlichen Methoden gibt, um die Anzahl der natürlichen Cluster in den interessierenden Populationen zu ermitteln und die Variablen zu bestimmen, auf denen die Segmentierung basieren soll28,29. Stattdessen hat sich die Verwendung eines ganzheitlichen und datengesteuerten Clustering-Ansatzes als Alternative durchgesetzt29. Das heißt, jedes Individuum existiert in mehreren Gesundheitszustandsklassen und stellt verschiedene Modalitäten digital gemessener physiologischer und Verhaltensdaten bereit, die dann mehreren Clustern des Gesundheitszustands entsprechen. Ähnlich wie die auf dem Gebiet der Genomik entwickelten Methoden kann diese Methode zu Fortschritten in unserem Verständnis der komplexen und vielfältigen Komponenten der Krankheitsätiologie führen. Zusammenfassend lässt sich sagen, dass digitale Biomarker und datengesteuerte Clustering-Ansätze den Einsatz von Präzisionsmedizin ermöglichen. Diese Methoden können eine Bevölkerung in Gruppen mit einzigartigen Merkmalen oder Gesundheitsrisiken einteilen und Einzelpersonen dabei helfen, durch Intervention von „ungesunden oder gefährdeten“ Klassen zu „gesunden“ Klassen zu gelangen.

Bisher ist das Potenzial der Nutzung kontinuierlich erfasster Daten von Wearables zur Erklärung der Langlebigkeit weitgehend unerforscht. In dieser Studie wollen wir die Verwendung von 24-Stunden-Aktivitätsprofilen, wie z. B. Beschleunigungsmesserdaten, als neuartigen digitalen Biomarker für Langlebigkeit und maßgeschneiderte Behandlung untersuchen. Unser Ansatz unterscheidet sich von früheren Untersuchungen, da er einen datengesteuerten Ansatz anwendet, um den Zusammenhang zwischen 24-Stunden-Beschleunigungsmesserdaten und Langlebigkeitsmessungen in einer landesweit repräsentativen Stichprobe zu bewerten. Dies bringt im Vergleich zur bisherigen Forschung drei entscheidende Vorteile mit sich. Zunächst wenden wir die Bevölkerungssegmentierung tragbarer Aktivitäten auf die allgemeine erwachsene US-Bevölkerung in der Kohorte der National Health and Nutrition Examination Survey (NHANES) an, um die Generalisierbarkeit unserer Ergebnisse im Vergleich zu zuvor untersuchten spezifischen Bevölkerungsgruppen (z. B. chronische Schlaflosigkeitsstörungen30, Frauen mittleren Alters31). Zweitens umfasst unser ML-basierter Clustering-Ansatz Funktionen, die eine detaillierte Auflösung des 24-Stunden-Aktivitätsprofils darstellen, das umfassende Erfassungen sowohl der täglichen Aktivität als auch physiologischer Manifestationen der biologischen Uhr (z. B. „zirkadianer Rhythmus“) wie den Schlaf/ Wachzyklus32. Darüber hinaus liefert das 24-Stunden-Aktivitätsprofil detaillierte Informationen über die tägliche Aktivitätsspanne einer Person, einschließlich Zeitpunkt und Intensität, was es zu einer umfassenderen Informationsquelle für die Gesundheitsüberwachung macht. Zuletzt untersuchen wir die Beziehung zwischen datengesteuerter Segmentierung und verschiedenen Langlebigkeitsergebnissen, die verschiedene Dimensionen des aktuellen (z. B. Entzündung und Mortalität) und vorhergesagten (z. B. biologisches Alter) Gesundheitszustands der Teilnehmer darstellen10,33.

Tabelle 1 zeigt die demografischen und sozioökonomischen Ausgangsmerkmale, die Krankengeschichte und die Entzündungsbiomarker im Serum der 7.297 Studienteilnehmer. Kurz gesagt, das Durchschnittsalter (Interquartilbereich) betrug 51 (36–65) Jahre, wobei 46,8 % männlich und 67,6 % nicht-hispanischer Abstammung waren. Zu den häufigsten Krankengeschichten gehörten Bluthochdruck (49,0 %), Arthritis (27,7 %), Asthma (15,5 %) und Krebs (11,6 %).

Durch die Anwendung hierarchischer Clusterbildung auf die vom Wearable abgeleiteten stündlichen durchschnittlichen Aktivitätsdaten identifizierten wir 22 % (n = 1.628) Teilnehmer in Cluster 1, 37 % (n = 2.670) in Cluster 2, 17 % (n = 1.256) in Cluster 3, 8 % (n = 558) in Cluster 4 und 16 % (n = 1.185) in Cluster 5. Wir beobachteten unterschiedliche 24-Stunden-Aktivitätsattribute je Cluster (siehe Abb. 1). Die Ruhe-/Schlafstunden für die Teilnehmer wurden auf der Grundlage des Zeitraums zwischen 23:00 und 07:00 Uhr definiert, was mit früheren Untersuchungen zum zirkadianen Rhythmus und Schlaf sowie deren Zusammenhang mit verschiedenen Gesundheitsergebnissen übereinstimmt34. Konkret zeigte Cluster 1 zwischen 11:00 und 22:00 Uhr ein wesentlich höheres Aktivitätsniveau als der Bevölkerungsdurchschnitt (Z-Score: 0,75–0,98). Während der Ruhe-/Schlafphase (z. B. 23:00–07:00 Uhr) nimmt die Aktivitätsintensität drastisch ab und erreicht um 04:00 Uhr den Tiefpunkt. Teilnehmer aus Cluster 2 zeigten am frühen Morgen zwischen 05:00 und 10:00 Uhr überdurchschnittliche Aktivität (Z-Score: 0,25–0,41), gefolgt von Aktivitätsniveaus in der Größenordnung des Bevölkerungsdurchschnitts während des Tages. Wir beobachteten auch einen relativ früheren Rückgang der Aktivität des Beschleunigungsmessers ab 18:00 Uhr. Cluster 3 weist eine geringe Aktivität während der aktiven Stunden zwischen 07:00 und 21:00 Uhr auf (Z-Score: − 0,54 − (− 0,06)) und eine erhöhte Aktivität über dem Bevölkerungsdurchschnitt zwischen später Nacht und frühem Morgen (d. h. 23:00–04 Uhr). :00, Z-Score: 0,05–0,43). Cluster 4, der kleinste Cluster in seiner Größe, ist einzigartig mit seinem Aktivitätsanstieg ab 14:00 Uhr und einem hohen Aktivitätsniveau während der Ruhe-/Schlafperiode, das seinen Höhepunkt um 01:00 Uhr erreicht (Z-Score: 2,44). Bei den Teilnehmern in Cluster 4 kam es dann zwischen 06:00 und 14:00 Uhr zu einem erheblichen Rückgang und einer gedämpften Aktivität, wobei der Tiefpunkt um 08:00 Uhr erreicht wurde (Z-Score: − 0,67). Schließlich weist Cluster 5 eine sehr niedrige Aktivität aller Zeiten auf, was sich in negativen Z-Werten zeigt. Insbesondere die Tagesaktivität zwischen 12:00 und 21:00 Uhr ist in diesem Cluster im Vergleich zum Bevölkerungsmittelwert deutlich reduziert (Z-Score < − 1,0).

Clusterklassifizierung nach Bevölkerungssegmentierung der Aktivitätsdaten von tragbaren Beschleunigungsmessern. (a) Heatmap, die die vom Wearable abgeleitete Aktivität von 7.297 Studienteilnehmern über 24 Stunden darstellt. (b) Grafische Darstellung des stündlichen durchschnittlichen Aktivitätsniveaus des Beschleunigungsmessers nach Cluster. Die Werte sind Z-Score-normalisiert. Positive Werte weisen auf ein Aktivitätsniveau hin, das über dem Bevölkerungsdurchschnitt liegt.

Wir verwendeten den Student-T-Test für kontinuierliche Variablen und den Chi-Quadrat-Test für kategoriale Variablen, um die statistische Signifikanz von demografischen und sozioökonomischen Merkmalen, BMI-Gruppen, Bewegungsverhalten, Schlafqualität und Krankengeschichte nach Clustern zu bewerten. In datengesteuerten Clustern waren alle Variablen außer Asthma statistisch signifikant (siehe Tabelle 2). Bei den Clustern 1 und 4 handelte es sich im Durchschnitt um junge Erwachsene (Durchschnittsalter 41 und 36 Jahre). Die Cluster 2 und 3 umfassten Erwachsene mittleren Alters (Durchschnittsalter 53 und 51). Cluster 5 bestand aus einer älteren Bevölkerung im Alter zwischen 60 und 80 Jahren. Beim Vergleich zweier Cluster mittleren Alters wies Cluster 3 einen deutlich höheren Prozentsatz an NH-Schwarzen (18 % vs. 8 %) und Fettleibigkeit (44 % vs. 36 %), höhere Arbeitslosenquoten (52 % vs. 33 %) und weniger erwerbstätige Teilnehmer auf ≥ 40 h/Woche (32 % vs. 47 %) und niedrigeres Haushaltseinkommen als Cluster 2. Darüber hinaus gaben Teilnehmer des Clusters 3 an, mehr Zeit mit sitzender Tätigkeit und weniger Zeit mit Aktivitäten mittlerer oder intensiver Intensität zu verbringen, mit einem geringeren Anteil (55 %) erfüllte die empfohlenen Richtlinien für körperliche Aktivität mittlerer und starker Intensität (MVPA), im Gegensatz zu Cluster 2, wo ein höherer Prozentsatz (65 %) die Richtlinien erfüllte. In Cluster 3 gab es einen größeren Anteil an Teilnehmern, die über Schlafstörungen und klinisch diagnostizierte Schlafstörungen berichteten, sowie über eine höhere Prävalenz von Herz-Kreislauf-Erkrankungen, Krebs, Schlaganfall, Diabetes, Bluthochdruck und Arthritis. Beim Vergleich der beiden jungen Erwachsenen-Cluster hatte Cluster 4 einen größeren Anteil an Männern (55 % gegenüber 36 %), wobei es sich um nicht-hispanische Schwarze (20 % gegenüber 11 %) und Unverheiratete (55 % gegenüber 36 %) handelte Fettleibigkeit (40 % vs. 31 %), niedrigeres Einkommensniveau und geringeres Familieneinkommens-Armuts-Verhältnis als Cluster 1. Im Gegensatz zu Clustern mittleren Alters konnten wir keine signifikanten Unterschiede in der Verteilung von ≥ 40 Stunden pro Woche (~ 40 %) beobachten. , arbeiten < 40 Stunden/Woche (~ 20 %) und arbeitslos (~ 30 %) zwischen diesen beiden Gruppen. Darüber hinaus gab es keine signifikanten Unterschiede in der Prävalenz medizinischer Erkrankungen. Beim Vergleich des Bewegungsverhaltens zeigten die Teilnehmer in Cluster 4 eine bimodale Beziehung mit längeren Perioden sowohl sitzender als auch mittel- und intensiver Aktivitätsdauer im Vergleich zu denen in Cluster 1. Darüber hinaus ergab unsere Analyse fünf charakteristische Merkmale von Cluster 4: Dazu gehörten der höchste Anteil an NH-Schwarzen und aktuellen Rauchern, das niedrigste Verhältnis von Familieneinkommen zu Armut, die kürzeste Schlafdauer und die längste MVPA-Dauer. Schließlich wies Cluster 5, die älteste Bevölkerungsgruppe, die höchste Anzahl an Erkrankungen auf und meldete die längste Schlaf- und Sitzzeit.

Wir untersuchten die Zusammenhänge zwischen datengesteuerten Clustern und den auf weißen Blutkörperchen basierenden Entzündungsbiomarkern (siehe Abb. 2), dem biologischen Alter von Klemera-Doubal (KDM) (siehe Abb. 3) und der Gesamtmortalität (siehe Abb. 4). ). Bei den gesundheitsbezogenen Ergebnissen beobachteten wir, dass Cluster 1 am besten und Cluster 5 am schlechtesten abschnitt. Diese Assoziationen bleiben auch nach Bereinigung um Kovariaten bestehen.

Assoziationen von Clustern mit Entzündungsmarkern auf Basis weißer Blutkörperchen. (a) Vergleiche von Clustern (Mittelwert ± SE) hinsichtlich Leukozytenzahl, Neutrophilenzahl, Lymphozytenzahl, NLR, SII bzw. AISI. Die statistische Signifikanz wird auf p < 0,05 (*), < 0,01 (**), < 0,001 (***) und p > 0,05 = nicht signifikant (NS) festgelegt. Es wurde ein umfragegewichtetes verallgemeinertes lineares Modell verwendet. (b) Walddiagramm der Beta-Koeffizienten und 95 %-Konfidenzintervalle (CI). Cluster 1 ist eine Referenz. Das Modell ist an Alter, Geschlecht, Rasse/ethnische Zugehörigkeit und Beschäftigungsstatus angepasst. Die statistische Signifikanz wird auf p < 0,05 (*) festgelegt. Alle p-Werte wurden anhand logarithmisch transformierter Ergebniswerte berechnet. Weiße Blutkörperchen (WBC), NLR-Neutrophilen-Lymphozyten-Verhältnis, SII-Index für systemische Immunentzündung, AISI, der Gesamtindex für systemische Entzündungen. SE-Standardfehler.

Assoziationen von Clustern mit dem biologischen KDM-Alter. (a) Vergleich der Cluster (Mittelwert ± SE) des chronologischen Alters (CA) und des biologischen Alters nach der Klemera-Doubal-Methode (KDM). (b) Walddiagramm der Beta-Koeffizienten und 95 %-Konfidenzintervalle (CI). Cluster 1 ist eine Referenz. Das Modell ist an Alter, Geschlecht, Rasse/ethnische Zugehörigkeit und Beschäftigungsstatus angepasst. Die statistische Signifikanz wird auf p < 0,05 (*) festgelegt. Alle p-Werte wurden anhand logarithmisch transformierter Ergebniswerte berechnet. SE-Standardfehler.

Assoziationen von Clustern mit der Gesamtmortalität. (a) Gewichtete Kaplan-Meier-Kurve der Zeit bis zur Gesamtmortalität nach Cluster. (b) Walddiagramm der Gefährdungsquoten der Gesamtmortalität und 95 %-Konfidenzintervalle (KI). Cluster 1 ist eine Referenz. Wir verwendeten ein umfragegewichtetes Cox-Proportional-Hazard-Modell, angepasst an Alter, Geschlecht, Rasse/ethnische Zugehörigkeit und Beschäftigungsstatus. Die statistische Signifikanz wird auf p < 0,05 (*) festgelegt.

Insbesondere wiesen die Cluster 3, 4 und 5 im Vergleich zu Cluster 1 eine um 0,05–0,10 Log-Einheiten höhere Anzahl weißer Blutkörperchen und eine um 0,08–0,15 Log-Einheiten höhere Neutrophilenzahl auf (siehe Abb. 2). Darüber hinaus war Cluster 4 mit einer um 0,05 Log-Einheiten höheren Lymphozytenzahl (95 %-KI: 0,010–0,085) verbunden. Die Cluster 3 und 5 waren mit einem Anstieg der NLR- und hämatologischen Aggregatindizes für systemische Entzündungen, ausgedrückt in SII und AISI, um 0,06–0,12 bzw. 0,09–0,14 Log-Einheiten verbunden (alle p < 0,05).

Für das biologische Alter von KDM stellten wir einen beschleunigten Fortschritt des biologischen Alterungsprozesses in den Clustern 3 bis 4 bis 5 fest (siehe Abb. 3). Insbesondere hatten die Teilnehmer in Cluster 3 einen biologischen Altersvorsprung, der um 0,25 Log-Jahre (entspricht 1,28 Jahren, 95 %-KI: 0,043–0,467) größer war als die Teilnehmer in Cluster 1. Teilnehmer in den Clustern 4 und 5 wiesen eine noch schnellere biologische Rate auf Altersfortschritt bei 0,35 log-Jahren (entspricht 1,42 Jahren, 95 %-KI: 0,175–0,522) bzw. 0,53 log-Jahren (entspricht 1,70 Jahren, 95 %-KI: 0,298–0,760).

Abschließend analysierten wir das mit den Clustern verbundene Gesamtmortalitätsrisiko (siehe Abb. 4). Cluster 3 war mit einem 1,58-fach (95 %-KI: 1,02–2,45) höheren Gesamtmortalitätsrisiko verbunden, und Cluster 5 war mit einem 1,97-fach höheren Gesamtmortalitätsrisiko (95 %-KI: 1,26–3,09) verbunden als Cluster 1. Allerdings war dies nicht statistisch signifikant erreichten, fanden wir auch einen ähnlichen Trend erhöhter Mortalitätsrisiken in Cluster 4 (HR 1,61, 95 %-KI: 0,85–3,05).

Wir haben einen datengesteuerten Clustering-Ansatz angewendet, um Bevölkerungssegmente basierend auf 24-Stunden-Beschleunigungsmesser-Aktivitätsdaten zu identifizieren, die mit einem tragbaren Gerät bei Erwachsenen in den USA gesammelt wurden. Basierend auf den 24-Stunden-Aktivitätsprofilen haben wir fünf verschiedene Cluster gefunden, die wir wie folgt beschreiben. Cluster 1 stellt eine Gruppe mit „hoher Aktivität“ dar, die den ganzen Tag über ein erhöhtes Aktivitätsniveau aufrechterhält. Cluster 2 stellt eine Gruppe mit „geringer Aktivität“ dar, die ein ähnliches Tagesmuster wie Cluster 1 aufweist, jedoch mit insgesamt geringeren Aktivitätsniveaus im Laufe des Tages und einem schnelleren Rückgang ab dem frühen Abend. Die Cluster 3 und 4 repräsentieren die Gruppe „Leichte Störung des zirkadianen Rhythmus (CR)“ bzw. die Gruppe „Schwere CR-Störung“. Teilnehmer des Clusters 3 weisen zwischen 23:00 und 04:00 Uhr eine erhöhte nächtliche Aktivität auf, während ihre Tagesaktivität gering bleibt. Cluster 4 zeichnet sich durch eine extrem niedrige Aktivität vom Morgen bis zum frühen Nachmittag, einen allmählichen Anstieg am Abend, eine besonders hohe Aktivität während der Ruhe-/Schlafstunden und einen starken Rückgang am Morgen aus. Diese Aktivitätsmuster weisen auf eine zirkadiane Fehlausrichtung oder einen gestörten Rhythmus hin, da sie nicht gut mit normalen Hell-Dunkel-Zeitplänen übereinstimmen. Daher haben wir diese Cluster als Cluster mit Störungen des zirkadianen Rhythmus klassifiziert. Schließlich repräsentiert Cluster 5 die Gruppe „Sehr geringe Aktivität“.

Wir haben gezeigt, dass Cluster in signifikantem Zusammenhang mit den Ausgangsmerkmalen stehen, wie durch T-Test und Chi-Quadrat-Tests ermittelt. Die identifizierten Cluster unterscheiden sich klar nach demografischen und sozioökonomischen Faktoren, Bewegungsverhalten und medizinischen Bedingungen. Darüber hinaus zeigten unsere verallgemeinerten linearen Modelle und Cox-Proportional-Hazards-Modelle signifikante Zusammenhänge und Gradienteneffekte zwischen der Clustermitgliedschaft und drei Langlebigkeitsergebnissen, nämlich entzündlichen Biomarkerwerten, biologischem Alter und Gesamtmortalität. Über alle gesundheitsbezogenen Ergebnisse hinweg weist die Gruppe „Hohe Aktivität“ (Cluster 1) tendenziell die beste Leistung auf, mit den niedrigsten Werten für Entzündungsniveaus, biologischen Altersfortschritt und Mortalität. Es folgten „Geringe Aktivität“ (Cluster 2), „Leichte CR-Störung“ (Cluster 3) und „Schwere CR-Störung“ (Cluster 4). Die Gruppe „Sehr geringe Aktivität“ (Cluster 5) schnitt am schlechtesten ab, mit den höchsten Entzündungswerten, dem höchsten Sterblichkeitsrisiko und dem höchsten biologischen Alter (siehe Abb. 5).

Fünf Cluster in Bezug auf das Aktivitätsniveau des Beschleunigungsmessers und gesundheitsbezogene Ergebnisse. CR zirkadianer Rhythmus.

Es gab jedoch einige Ausnahmen. „Schwere CR-Störung“, bestehend aus jungen Erwachsenen im Alter von 30–40 Jahren, war signifikant mit erhöhten Entzündungsbiomarkern und einem beschleunigten biologischen Alter verbunden, jedoch nicht mit Gesamtmortalität und Krankengeschichten. Dieser Befund lässt darauf schließen, dass junge Erwachsene mit einer zirkadianen Fehlausrichtung scheinbar gesund erscheinen, weil sie keine offensichtlichen Anzeichen von Erkrankungen haben und ein hohes Maß an Aktivität zeigen, in Wirklichkeit jedoch eine Verschlechterung ihres Gesundheitszustands und ungesundes Altern erleben. Bei Erwachsenen mittleren Alters führte eine gewisse Störung des zirkadianen Zyklus zusammen mit einem geringen Aktivitätsniveau („leichte CR-Störung“) zu wesentlich höheren Entzündungsbiomarkerwerten, einem höheren Mortalitätsrisiko und einem wesentlich höheren biologischen Alter im Vergleich zu einer alleinigen geringen Aktivität. Dies unterstreicht die wachsende Bedeutung der zirkadianen Ausrichtung bei älteren Bevölkerungsgruppen für eine gesunde Langlebigkeit.

Anders als bei körperlicher Aktivität oder Ernährung besteht immer noch ein Mangel an Verständnis dafür, wie man das biologische Timing für gesundheitliche Vorteile nutzen oder korrigieren kann. Aktuelle Interventionen im Bereich der öffentlichen Gesundheit konzentrieren sich hauptsächlich auf die Steigerung der körperlichen Aktivität oder eine gesunde Ernährung, wobei der zirkadianen Uhr weniger Aufmerksamkeit gewidmet wird. Es gibt immer mehr Hinweise darauf, dass eine Störung des Tagesrhythmus erhebliche Auswirkungen auf verschiedene Gesundheitsergebnisse hat, darunter Leistung, Wohlbefinden, körperliche und geistige Gesundheit sowie Langlebigkeit24,35. Somit bieten Smartwatches und Wearables eine zeitnahe, störungsfreie und bequeme Methode zur Überwachung und Beurteilung des Tagesrhythmus. Mit der zunehmenden Verbreitung digitaler Geräte haben zirkadiane uhrbasierte Therapeutika ein enormes Potenzial zur Maximierung des gesundheitlichen Nutzens und zur Förderung eines gesunden Alterns auf individueller und bevölkerungsbezogener Ebene36,37,38,39. In Verbindung mit maschinellen Lernalgorithmen birgt die Digitalisierung solcher passiven Verhaltensdaten ein unerkanntes Potenzial als neuartige digitale Biomarker für Langlebigkeit und zur Förderung personalisierter Interventionen, automatisierter Vorhersagen von Gesundheitsereignissen und Prävention auf Bevölkerungsebene. Als Folge dieser Studie können wir tragbare Daten als digitalen Biomarker nutzen und personalisierte Interventionen über digitale Geräte durchführen, um die Synchronisierung mit dem Tageszyklus erfolgreich zu fördern, d. h. „ungesunde oder gefährdete“ Personen in „gesunde“ Cluster zu migrieren. Junge Erwachsene mit einem beeinträchtigten zirkadianen Zyklus können beispielsweise Empfehlungen erhalten, z. B. sich rechtzeitig dem Licht auszusetzen, zu bestimmten Zeiten Sport zu treiben, Melatonin einzunehmen oder digitale Technologie zur Überwachung zu nutzen, um ihren Schlaf-Wach-Zyklus zu verbessern40,41. Älteren Erwachsenen mit geringem Aktivitätsniveau wird möglicherweise empfohlen, ihre körperliche Aktivität zu steigern und sich auf andere gesunde Verhaltensweisen einzulassen, um das Risiko altersbedingter Krankheiten zu verringern und Kraft und Mobilität zu steigern.

Es gibt mögliche Einschränkungen dieser Studie. Zunächst muss die Gültigkeit der Merkmalsauswahl anhand neuer Daten überprüft werden, die während der Entwicklungsphase im Modell nicht sichtbar waren. Zweitens handelt es sich hierbei um eine retrospektive Analyse, die keine kausalen Zusammenhänge zwischen den beobachteten Zusammenhängen herstellen kann. Drittens verwenden wir nur 7-Tage-Beschleunigungsmesserdaten und eine längere Überwachungsdauer würde eine präzisere und genauere Klassifizierung von Clustern ermöglichen. Viertens könnten nicht gemessene Umweltfaktoren oder verbleibende Störfaktoren die Beschleunigungsmessungen beeinflusst haben. Ebenso können Nicht-Trage-Zeiten und fehlende Beschleunigungsmessungen die Aktivitätsleistung beeinflussen. Die Auswirkungen sind jedoch minimal, da wir in der Analyse Teilnehmer mit vollständigen 5-Minuten-Epocheninformationen ausgewählt haben. Darüber hinaus fehlen Daten zum Schichtarbeitsstatus und zum Arbeitsplan, und es ist möglich, dass die von uns identifizierten Cluster auf die Einbeziehung von Schichtarbeitern ausgerichtet sind und daher nicht repräsentativ für die allgemeine Bevölkerung mit normalen Arbeitsplänen sind. Wir glauben jedoch, dass die Auswirkungen des Schichtarbeitsstatus unsere Ergebnisse aus zwei Gründen nicht vollständig erklären würden. Erstens stellten wir fest, dass sich der Beschäftigungsstatus in unseren Daten im Vergleich zur Gruppe mit der schweren zirkadianen Störung nicht wesentlich von der Gruppe ohne Störung unterschied. Zweitens hatte die Kontrolle des Beschäftigungsstatus keinen Einfluss auf die ursprünglichen Zusammenhänge in den verallgemeinerten linearen Modellen und den Cox-Proportional-Hazards-Modellen. Schließlich scheinen die Anschaffungskosten für ein tragbares Gerät aus Sicht der Bevölkerung kurzfristig möglicherweise nicht kosteneffektiv zu sein (250,00 USD pro Einheit). Langfristig könnte es jedoch aus folgenden Gründen möglicherweise kosteneffektiv werden: (1) Die weit verbreitete Nutzung von Smartphones und Smartwatches macht sie zu skalierbaren Lösungen für die kontinuierliche Datenerfassung in einer großen Bevölkerung; (2) Wearables sind auf lange Sicht wirtschaftlicher im Vergleich zu herkömmlichen Methoden wie klinischen Besuchen oder Labortests, die physische Begegnungen erfordern und für jeden Besuch Kosten verursachen können; (3) Mit fortschreitender Technologie steigt die Verfügbarkeit kostengünstiger tragbarer Geräte und kommerzieller Smartwatches mit Beschleunigungsmesserfunktion.

Dennoch bietet diese Studie die folgenden Beiträge zu früheren Untersuchungen. In dieser Studie wurden Aktivitätsdaten von tragbaren Beschleunigungsmessern verwendet, um eine landesweit repräsentative Stichprobe der US-Bevölkerung zu segmentieren. Eine neuartige, detaillierte Auflösung des 24-Stunden-Aktivitätsprofils verdeutlicht unterschiedliche Clusterprofile und hebt zirkadiane Fehlausrichtung und Rhythmusstörungen hervor, die eine entscheidende Rolle bei der Messung der Langlebigkeit von Entzündungen, biologischem Alter und Mortalität spielen. Mit dieser Arbeit leisten wir einen sinnvollen Beitrag zur aktuellen Forschung auf diesem Gebiet und demonstrieren das Potenzial für die Digitalisierung menschlicher Langlebigkeitsmessungen auf der Grundlage kontinuierlicher tragbarer Aktivitätsdaten. Ein digitaler Biomarker für Langlebigkeit bietet ein enormes Potenzial für die digitale Phänotypisierung, personalisierte Intervention, Prävention auf Bevölkerungsebene und Fernüberwachung der Gesundheit der Menschen. Es ist auch ein entscheidender Schritt auf dem Weg zum Ziel der Präzisionsmedizin. Zukünftige Studien mit prospektiven und wiederholten Bewertungen mithilfe digitaler Geräte sind gerechtfertigt.

Wir haben Daten von NHANES genutzt, einer landesweiten Querschnittsumfrage, die von den Centers for Disease Control and Prevention durchgeführt wurde, um den Gesundheits- und Ernährungszustand von Erwachsenen und Kindern in den Vereinigten Staaten zu bewerten42. Das NHANES wendet ein geschichtetes, mehrstufiges Wahrscheinlichkeitsstichprobendesign an, um eine gewichtete, repräsentative Stichprobe der US-Bevölkerung zu erstellen. Das Ethikprüfungsgremium des National Center for Health Statistics genehmigte die NHANES-Studienprotokolle (NCHS IRB/ERB-Protokollnummer: Nr. 2011–17) und alle Teilnehmer gaben eine schriftliche Einverständniserklärung ab. Alle Methoden wurden in Übereinstimmung mit der Deklaration von Helsinki durchgeführt. Für die vorliegende Studie haben wir nicht schwangere Erwachsene ≥ 20 Jahre ausgewählt, die validierte Beschleunigungsmesseraufzeichnungen aus NHANES-Zyklen 2011–2014 hatten, für die 24-Stunden-Beschleunigungsmesserdaten verfügbar waren. Die Teilnehmer verfügten über gültige Beschleunigungsmesserdaten, wenn sie mindestens 16 Stunden täglich vier oder mehr Tage lang getragen wurden. Darüber hinaus sollten die Beschleunigungsmesserdaten der Teilnehmer kontinuierlich und in Zeitreihen aufgezeichnet werden, ohne dass 5-Minuten-Epochen über 24 Stunden hinweg fehlen. Die Studie umfasste 7.297 Teilnehmer in der Analyse (siehe Abb. 6).

Flussdiagramm zur Einbeziehung der Studienteilnehmer.

Die Blutprobenentnahme, Labormethoden und detaillierte Verarbeitungsanweisungen sind im NHANES Laboratory/Medical Technologists Procedure Manual43 beschrieben. Das Blutanalysegerät lieferte die Anzahl der weißen Blutkörperchen, die Anzahl der Neutrophilen, die Anzahl der Lymphozyten und das Verhältnis von Neutrophilen zu Lymphozyten (NLR). Wir haben zusätzlich zwei hämatologische Indizes für systemische Entzündungen berechnet, den systemischen Immuninflammationsindex (SII) und den aggregierten Index systemischer Entzündungen (AISI), unter Verwendung der folgenden Formeln44,45:

SII = Neutrophile x Thrombozyten-/Lymphozytenzahl

AISI = Neutrophile x Monozyten x Thrombozyten-/Lymphozytenzahl.

Wir verwendeten die modifizierte Klemera-Doubal-Methode (KDM) zur Vorhersage des biologischen Alters10,46. Wir haben uns für das biologische Alter von KDM entschieden, da es sich als genauer als andere Alternativen für die Vorhersage von Morbidität, Mortalität und Indikatoren der Gesundheitsspanne erwiesen hat47,48. Wir haben 11 Biomarker in die biologische Altersschätzung mit dem BioAge R-Paket 0.1.0.49 einbezogen: Albumin, alkalische Phosphatase, Gesamtcholesterin, Kreatinin, HbA1c, systolischer Blutdruck, Blut-Harnstoff-Stickstoff, Harnsäure, Lymphozytenanteil, mittleres Zellvolumen und weißes Blut Anzahl der Zellen.

Wir haben eine öffentlich verfügbare Datei des National Center for Health Statistics (NCHS) mit zertifizierten Sterbeurkunden aus dem National Death Index (NDI) verwendet. Die Nachbeobachtungszeiträume reichen vom Datum des Interviews bis zum registrierten Todesdatum des Verstorbenen bzw. bis zum Ende des Nachbeobachtungszeitraums (31. Dezember 2015) für die Überlebenden.

Alle Teilnehmer im Alter von 6 Jahren und älter im Zyklus 2011–2012 und alle Teilnehmer im Alter von 3 Jahren und älter im Zyklus 2013–2014 trugen 7 aufeinanderfolgende 24 Tage lang einen ActiGraph GT3X + (Actigraph, Pensacola, FL) Beschleunigungsmesser am nicht dominanten Handgelenk -h-Punkte. Das Wearable erfasste Rohsignale auf der x-, y- und z-Achse mit einer Abtastrate von 80 Hz. NHANES verarbeitete, markierte und fasste Beschleunigungsmesserdaten auf Minutenebene in MIMS-Einheiten (Monitor-Independent Movement Summary) zusammen, einer nicht proprietären, geräteunabhängigen, universellen Open-Source-Zusammenfassungsmetrik. Wir haben eine Reihe von Qualitätskontroll- und Datenverarbeitungsschritten durchgeführt, um gültige Beschleunigungsmesserdaten zu identifizieren, die für unsere Analyse geeignet sind. Zunächst haben wir Beschleunigungsmesserdaten von Teilnehmern einbezogen, die den Beschleunigungsmesser mindestens 4 Tage lang 16 Stunden oder länger pro Tag tragen, wobei der erste Tag des Tragens nicht berücksichtigt wurde, der von der Datenverarbeitung ausgeschlossen war. Frühere Untersuchungen deuten darauf hin, dass für Analysen auf Bevölkerungsebene 16 Stunden Tragezeit über 4 oder mehr Tage ausreichten, um mithilfe von Beschleunigungsmesserdaten stabile Aktivitätsschätzungen auf Gruppenebene zu erstellen51. Die Tragedauer wurde durch Schätzwerte für Wach-, Schlaf- und Nicht-Tragen sowie unbekannte Schätzungen ermittelt, die auf der Grundlage eines Algorithmus für maschinelles Lernen52 berechnet wurden. Zweitens identifizierten wir außerdem Beschleunigungsmesserdaten in abgeschlossenen 5-Minuten-Epochen pro Tag (dh nicht fehlende 288 Zeitscheiben), um kontinuierliche Zeitreihen von Aktivitätsniveaus über einen Zeitraum von 24 Stunden zu erfassen. Der Grund für diesen Schritt besteht darin, potenzielle Nichtkontinuität und Störungen in den Daten zu identifizieren, die mit dem ersten Kriterium nicht bewertet werden können. Bei Teilnehmern mit ausreichend gültiger Tragezeit kann es sein, dass über einen längeren Zeitraum hinweg aufeinanderfolgende fehlende Werte angezeigt werden, was zu unvollständigen 24-Stunden-Aktivitätsprofilen führen und unsere Analysen beeinträchtigen würde. Schließlich setzen wir in Übereinstimmung mit früheren Studien die dreiachsigen MIMS-Werte unter den folgenden drei Bedingungen als fehlend: (1) der dreiachsige MIMS-Wert ist als „− 0,01“ kodiert (Variablenname: PAXMTSM); (2) der geschätzte Wach-/Schlaf-/Gebrauchsstatus während der Minute ist „kein Tragen“ (Variablenname: PAXPREDM); (3) Die Anzahl der Flags für die Minutendatenqualität ist größer als „0“ (Variablenname: PAXQFM)51,53.

Für Teilnehmer mit gültigen Beschleunigungsmesserdaten haben wir ihre MIMS-Triaxialwerte über alle verfügbaren Tage (d. h. die Summe der MIMS-X-, Y- und Z-Achsenwerte) aus der Zusammenfassungsdatei auf Minutenebene (Dateiname: PAXMIN; Variable) verwendet Name: PAXMTSM), um die stündlichen Aktivitätsniveaus über 24 Stunden zu berechnen. Dies führt zu einem Vektor mit 24 Einträgen pro Teilnehmer, von denen jede Entität das stündliche durchschnittliche Aktivitätsniveau der gegebenen Stunde darstellt, ausgedrückt von 00:00 Uhr (1. Entität) bis 23:00 Uhr (24. Entität). Frühere Studien haben gezeigt, dass stündliche Schwankungen der über 24 Stunden mithilfe von Beschleunigungsmessern ermittelten Aktivität aussagekräftige Informationen über die allgemeine erwachsene Bevölkerung liefern54,55. Anschließend haben wir eine rekursive Merkmalseliminierung angewendet, um einen optimalen Satz von Merkmalen aus den oben genannten 24 Eingabeeinheiten von Aktivitätsniveaus zu identifizieren, die Cluster in unseren Daten deutlich trennen (siehe ergänzende Abbildung 1). Unter Verwendung nur der 16 ausgewählten Merkmale haben wir einen hierarchischen Clustering-Ansatz unter Verwendung des Ward-Verknüpfungsalgorithmus mit euklidischen Abständen zur Bevölkerungssegmentierung von tragbaren Beschleunigungsmesser-Aktivitätsdaten bei Erwachsenen in den USA angewendet (siehe ergänzende Abbildung 1). Alle Analysen wurden mit der R-Software 4.1.2 und RStudio 2022.07.1 durchgeführt. Insbesondere haben wir für die Funktionsauswahl das Caret-Paket 6.0–90 verwendet. Die R-Pakete Cluster 2.1.2, mclust 5.4.10, dendextend 1.16.0, ggdendro 0.1.23 und factoextra 1.0.7 wurden für hierarchische Clustering-Algorithmen und Ergebnisvisualisierungen implementiert.

Wir haben a priori zusätzliche Informationen zu Merkmalen erhalten, die mit Entzündungsbiomarkern, biologischem Alter und Mortalität verbunden wären, basierend auf früheren Untersuchungen36,56,57: Alter, Geschlecht, Rasse/ethnische Zugehörigkeit, Verhältnis von Familieneinkommen zu Armut, Bildung, Familienstand, Beschäftigungsstatus , Haushaltseinkommen, Raucherstatus, Schlafstunden und -qualität sowie Vorgeschichte von Herz-Kreislauf-Erkrankungen, Krebs, Schlaganfall, Diabetes, Bluthochdruck, Asthma und Arthritis. Wir haben den Body-Mass-Index (BMI) berechnet, indem wir das Gewicht in Kilogramm durch die Körpergröße in Metern zum Quadrat geteilt haben. Der BMI wurde weiter in drei Gruppen eingeteilt: Normalgewicht (BMI < 25), Übergewicht (BMI 25–29,9) und Fettleibig (BMI ≥ 30). Die Dauer verschiedener Bewegungsverhaltensweisen wie Schlaf, sitzende, mäßig intensive und intensive körperliche Aktivitätsdauer wurde anhand von Selbstberichten bewertet. Wir kategorisierten die Teilnehmer als Personen mit ausreichender körperlicher Aktivität mittlerer und hoher Intensität (MVPA), wenn sie/er die in den „Physical Activity Guidelines for Americans“ empfohlenen Richtlinien erfüllt (z. B. 150 Minuten oder mehr Aktivität mittlerer Intensität pro Woche oder 75 Minuten oder mehr intensive körperliche Aktivität). -Intensität Aktivität pro Woche)58.

Um dem komplexen Umfragedesign Rechnung zu tragen und repräsentative Schätzungen der US-Bevölkerung zu erstellen, haben wir auf alle statistischen Verfahren mithilfe des Umfragepakets 4.1–1 vierjährige Umfragegewichte angewendet, um ungleiche Auswahlwahrscheinlichkeiten und Nichtbeantwortungsverzerrungen gemäß der NHANES-Analyse auszugleichen Richtlinien59. In der deskriptiven Statistik haben wir die Populationsmittelwerte, den Anteil und die Standardfehler (SE) für die gesamte Stichprobe (siehe Tabelle 1) und pro Cluster (siehe Tabelle 2) ermittelt. Wir führten Student-T-Tests oder Chi-Quadrat-Tests für kontinuierliche oder kategoriale Variablen durch, um die Basiseigenschaften nach Clustern zu vergleichen.

Für Assoziationen von Clustern mit Serum-Entzündungsbiomarkern (z. B. Anzahl weißer Blutkörperchen, Neutrophilenzahl, Lymphozytenzahl, NLR, SII und AISI) und dem auf der Klemera-Doubal-Methode basierenden biologischen Alter verwendeten wir die umfragegewichteten verallgemeinerten linearen Modelle mit und ohne Kovariaten anzupassen (siehe Abb. 2 und 3). Unter Berücksichtigung der verzerrten Verteilung wurden abhängige Variablen in diesen Modellen logarithmisch transformiert. Darüber hinaus haben wir die Unterschiede in der Gesamtmortalität basierend auf Clustern in einer gewichteten Kaplan-Meier-Kurve mit R-PaketadjustedCurves 0.9.1 dargestellt (siehe Abb. 4a). Wir haben außerdem ein umfragegewichtetes Cox-Proportional-Hazard-Modell angepasst, das Kovariaten bereinigt, um HRs und 95 %-KI für Zusammenhänge zwischen Clustern und Gesamtmortalität zu schätzen (siehe Abb. 4b). Die Annahme des proportionalen Risikos wurde erfüllt. Basierend auf einer Rückwärtsselektion haben wir Alter, Geschlecht, Rasse/ethnische Zugehörigkeit und Beschäftigungsstatus in angepasste Modelle einbezogen. Wir haben Sensitivitätsanalysen durchgeführt, um die Wechselwirkungen zwischen Clustern und Kovariaten zu überprüfen, und es wurde keine Effektmodifikation beobachtet. Die statistische Signifikanz lag bei zweiseitigem p < 0,05.

Die NHANES-Daten, die die Ergebnisse dieser Studie stützen, sind auf der Website des CDC Centers for Disease Control and Prevention verfügbar [https://wwwn.cdc.gov/nchs/nhanes/Default.aspx].

Li, X. et al. Digitale Gesundheit: Die Verfolgung von Physiomen und Aktivitäten mithilfe tragbarer Biosensoren liefert nützliche gesundheitsbezogene Informationen. PLoS Biol. 15, e2001402 (2017).

Artikel PubMed PubMed Central Google Scholar

Salamone, F., Masullo, M. & Sibilio, S. Tragbare Geräte zur Umweltüberwachung in der gebauten Umwelt: Eine systematische Übersicht. Sensoren 21, 4727 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Stankoski, S., Jordan, M., Gjoreski, H. & Luštrek, M. Smartwatch-basierte Esserkennung: Datenauswahl für maschinelles Lernen aus unausgeglichenen Daten mit unvollständigen Etiketten. Sensoren 21, 1902 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Sim, I. Mobile Geräte und Gesundheit. N. engl. J. Med. 381, 956–968 (2019).

Artikel PubMed Google Scholar

Dunn, J., Runge, R. & Snyder, M. Wearables und die medizinische Revolution. Pers. Med. 15, 429–448 (2018).

Artikel CAS Google Scholar

Pyrkov, TV, Sokolov, IS & Fedichev, PO Eine gründliche longitudinale Phänotypisierung tragbarer Sensordaten enthüllt unabhängige Marker für Langlebigkeit, Stress und Belastbarkeit. Alter 13, 7900–7913 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Schütz, N. et al. Ein Systemansatz zur Fernüberwachung des Gesundheitszustands bei älteren Erwachsenen: Einführung eines interaktionsfreien digitalen Auspuffs. Npj-Ziffer. Med. 5, 1–13 (2022).

Artikel Google Scholar

Partridge, L., Deelen, J. & Slagboom, PE Sich den globalen Herausforderungen des Alterns stellen. Natur 561, 45–56 (2018).

Artikel ADS CAS PubMed Google Scholar

Franceschi, C. et al. Entzündungsbedingtes Altern. Eine evolutionäre Perspektive auf Immunoseneszenz. Ann. NY Acad. Wissenschaft. 908, 244–254 (2000).

Artikel ADS CAS PubMed Google Scholar

Levine, ME Modellierung der Seneszenzrate: Kann das geschätzte biologische Alter die Sterblichkeit genauer vorhersagen als das chronologische Alter? J. Gerontol. Ein Biol. Wissenschaft. Med. Wissenschaft. 68, 667–674 (2013).

Artikel PubMed Google Scholar

Canudas-Romo, V. Drei Maßstäbe für die Langlebigkeit: Zeittrends und Rekordwerte. Demographie 47, 299–312 (2010).

Artikel PubMed PubMed Central Google Scholar

Baker, GT & Sprott, RL Biomarker des Alterns. Exp. Gerontol. 23, 223–239 (1988).

Artikel PubMed Google Scholar

Jylhävä, J., Pedersen, NL & Hägg, S. Biologische Altersprädiktoren. EBioMedicine 21, 29–36 (2017).

Artikel PubMed PubMed Central Google Scholar

Flores, M., Glusman, G., Brogaard, K., Price, ND & Hood, L. P4 Medizin: Wie Systemmedizin den Gesundheitssektor und die Gesellschaft verändern wird. Pro. Med. 10, 565–576 (2013).

Artikel CAS PubMed PubMed Central Google Scholar

Vitaterna, MH, Takahashi, JS & Turek, FW Überblick über zirkadiane Rhythmen. Alkoholres. Gesundheit 25, 85–93 (2001).

CAS PubMed PubMed Central Google Scholar

Meyer, N., Harvey, AG, Lockley, SW & Dijk, D.-J. Zirkadiane Rhythmen und Störungen des Schlafzeitpunkts. The Lancet 400, 1061–1078 (2022).

Artikel Google Scholar

Masri, S. & Sassone-Corsi, P. Der entstehende Zusammenhang zwischen Krebs, Stoffwechsel und zirkadianen Rhythmen. Nat. Med. 24, 1795–1803 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Furman, D. et al. Chronische Entzündungen in der Krankheitsätiologie über die gesamte Lebensspanne. Nat. Med. 25, 1822–1832 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Comas, M. et al. Eine zirkadiane Entzündungsreaktion: Auswirkungen auf Atemwegserkrankungen und deren Behandlung. Schlafwissenschaft. Üben. 1, 18 (2017).

Artikel Google Scholar

Chaput, J.-P. et al. Die Rolle von unzureichendem Schlaf und zirkadianer Fehlausrichtung bei Fettleibigkeit. Nat. Rev. Endocrinol. 19, 82–97 (2023).

Artikel CAS PubMed Google Scholar

Li, J. et al. Der Ruheaktivitätsrhythmus ist mit Adipositas-Phänotypen verbunden: Eine Querschnittsanalyse. Vorderseite. Endokrinol. 13, 907360 (2022).

Artikel Google Scholar

Potter, GDM et al. Zirkadianer Rhythmus und Schlafstörungen: Ursachen, Stoffwechselfolgen und Gegenmaßnahmen. Endokr. Rev. 37, 584–608 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Montaruli, A. et al. Biologischer Rhythmus und Chronotyp: Neue Perspektiven für die Gesundheit. Biomoleküle 11, 487 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Shandhi, MMH, Wang, WK & Dunn, J. Wir nehmen uns Zeit für unseren Körper: Wie Wearables zur Beurteilung der zirkadianen Physiologie eingesetzt werden können. Cell Rep. Methods 1, 100067 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Henriksen, A. et al. Verwendung von Fitness-Trackern und Smartwatches zur Messung körperlicher Aktivität in der Forschung: Analyse von am Handgelenk getragenen Wearables von Verbrauchern. J. Med. Internet Res. 20, e9157 (2018).

Artikel Google Scholar

Kheirkhahan, M. et al. Ein Smartwatch-basiertes Framework für Echtzeit- und Online-Bewertung und Mobilitätsüberwachung. J. Biomed. Informieren. 89, 29–40 (2019).

Artikel PubMed Google Scholar

Kline, A. et al. Multimodales maschinelles Lernen in der Präzisionsgesundheit: Ein Überblick über den Umfang. npj Ziffer. Med. 5, 1–14 (2022).

Yan, S., Kwan, YH, Tan, CS, Thumboo, J. & Low, LL Eine systematische Überprüfung der klinischen Anwendung der datengesteuerten Bevölkerungssegmentierungsanalyse. BMC Med. Res. Methodol. 18, 121 (2018).

Artikel PubMed PubMed Central Google Scholar

Nnoaham, KE & Cann, KF Können Clusteranalysen verknüpfter Gesundheitsdaten einzigartige Bevölkerungssegmente in einer in der Allgemeinmedizin registrierten Bevölkerung identifizieren? BMC Public Health 20, 798 (2020).

Artikel PubMed PubMed Central Google Scholar

Roh, HW et al. Assoziationen von aus der Aktigraphie abgeleiteten Ruheaktivitätsmustern und der zirkadianen Phase mit klinischen Symptomen und polysomnographischen Parametern bei chronischen Schlaflosigkeitsstörungen. Wissenschaft. Rep. 12, 4895 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Full, KM et al. Latente Profilanalyse des mit Beschleunigungsmessern gemessenen Schlafs, der körperlichen Aktivität und der sitzenden Zeit sowie Unterschiede in den Gesundheitsmerkmalen bei erwachsenen Frauen. PLoS ONE 14, e0218595 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Rosenberger, ME et al. Der 24-Stunden-Aktivitätszyklus: Ein neues Paradigma für körperliche Aktivität. Med. Wissenschaft. Sportübung. 51, 454–464 (2019).

Artikel PubMed PubMed Central Google Scholar

Bertele, N., Karabatsiakis, A., Buss, C. & Talmon, A. Wie Biomarkermuster genutzt werden können, um Personen mit einer hohen Krankheitslast zu identifizieren: Ein bioinformatischer Ansatz für prädiktive, präventive und personalisierte (3P) Medizin. EPMA J. 12, 507–516 (2021).

Artikel PubMed PubMed Central Google Scholar

Chellappa, SL, Morris, CJ & Scheer, FAJL Eine zirkadiane Fehlausrichtung erhöht die Stimmungsanfälligkeit bei simulierter Schichtarbeit. Wissenschaft. Rep. 10, 18614 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Fishbein, AB, Knutson, KL & Zee, PC Zirkadiane Störung und menschliche Gesundheit. J. Clin. Investieren. 131, (2021).

Xu, Y. et al. Ein abgeschwächter zirkadianer Ruherhythmus erhöht das Risiko für Herz-Kreislauf-Erkrankungen und Krebssterblichkeit bei Erwachsenen in den USA. Wissenschaft. Rep. 12, 20665 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Rea, MS & Figueiro, MG Quantifizierung lichtabhängiger zirkadianer Störungen in Menschen- und Tiermodellen. Chronobiol. Int. 31, 1239–1246 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Weinert, D. & Gubin, D. Die Auswirkungen körperlicher Aktivität auf das zirkadiane System: Vorteile für die Gesundheit. Ausführen. Wohlfühl-Appl. Wissenschaft. 12, 9220 (2022).

CAS Google Scholar

Minors, D., Atkinson, G., Bent, N., Rabbitt, P. & Waterhouse, J. Die Auswirkungen des Alters auf einige Aspekte des Lebensstils und Implikationen für Studien zur zirkadianen Rhythmik. Alter 27, 67–72 (1998).

Artikel CAS PubMed Google Scholar

Potter, GDM & Wood, TR Die Zukunft der Schichtarbeit: circadiane Biologie trifft auf personalisierte Medizin und Verhaltenswissenschaft. Vorderseite. Nutr. 7 (2020).

Youngstedt, SD et al. Zirkadiane phasenverschiebende Effekte von hellem Licht, Bewegung und Bewegung bei hellem Licht. J. Circadian Rhythms 14, 2 (2016).

Artikel PubMed PubMed Central Google Scholar

NHANES – Über die National Health and Nutrition Examination Survey. https://www.cdc.gov/nchs/nhanes/about_nhanes.htm (2022).

NHANES Laboratory/Medical Technologists Procedures Manual (LPM). https://www.cdc.gov/nchs/data/nhanes/nhanes_11_12/2011-12_laboratory_procedures_manual.pdf (2022).

Li, H. et al. Körperliche Aktivität schwächt den Zusammenhang zwischen dem systemischen Immunentzündungsindex und der Gesamtmortalität sowie der ursachenspezifischen Mortalität bei Bevölkerungsgruppen mittleren und höheren Alters ab. Wissenschaft. Rep. 11, 12532 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Zinellu, A. et al. Der aggregierte Index systemischer Entzündungen (AISI): Ein neuartiger prognostischer Biomarker bei idiopathischer Lungenfibrose. J. Clin. Med. 10, 4134 (2021).

Artikel PubMed PubMed Central Google Scholar

Klemera, P. & Doubal, S. Ein neuer Ansatz für das Konzept und die Berechnung des biologischen Alters. Mech. Aging Dev. 127, 240–248 (2006).

Artikel PubMed Google Scholar

Murabito, JM et al. Messungen des biologischen Alters in einer Gemeinschaftsstichprobe sagen Mortalität und altersbedingte Krankheiten voraus: Die Framingham-Nachwuchsstudie. J. Gerontol. Ein Biol. Wissenschaft. Med. Wissenschaft. 73, 757–762 (2018).

Artikel PubMed Google Scholar

Parker, DC et al. Zusammenhang der blutchemischen Quantifizierung des biologischen Alterns mit Behinderung und Mortalität bei älteren Erwachsenen. J. Gerontol. Ein Biol. Wissenschaft. Med. Wissenschaft. 75, 1671–1679 (2019).

Artikel PubMed Central Google Scholar

Kwon, D. & Belsky, DW Ein Toolkit zur Quantifizierung des biologischen Alters anhand von Blutchemie- und Organfunktionstestdaten: BioAge. GeroScience 43, 2795–2808 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

John, D., Tang, Q., Albinali, F. & Intille, S. Eine quelloffene, monitorunabhängige Bewegungszusammenfassung für die Datenverarbeitung von Beschleunigungsmessern. J. Meas. Physik. Verhalten. 2, 268–281 (2019).

Artikel PubMed PubMed Central Google Scholar

Su, S., Li, X., Xu, Y., McCall, WV & Wang, Wissenschaft. Rep. 12, 7680 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Nationales Zentrum für Gesundheitsstatistik. (2013–2014). NHANES 2013–2014 Datendokumentation, Codebuch und Frequenzen: Monitor für körperliche Aktivität (PAXMIN_H). Abgerufen von. https://wwwn.cdc.gov/Nchs/Nhanes/2013-2014/PAXMIN_H.htm.

Xu, Y. et al. Zirkadianer Rhythmus der Ruheaktivität und beeinträchtigte Glukosetoleranz bei Erwachsenen: Eine Analyse von NHANES 2011–2014. BMJ Open Diab. Res. Pflege 10, e002632 (2022).

Artikel PubMed PubMed Central Google Scholar

Wennman, H. et al. Geschlecht, Alter und sozioökonomische Variation bei der 24-Stunden-körperlichen Aktivität durch am Handgelenk getragene Beschleunigungsmesser: Die FinHealth-Umfrage 2017. Wissenschaft. Rep. 9, 6534 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Doherty, A. et al. Umfangreiche Bevölkerungsbewertung der körperlichen Aktivität mithilfe von am Handgelenk getragenen Beschleunigungsmessern: Die britische Biobank-Studie. PLoS ONE 12, e0169649 (2017).

Artikel PubMed PubMed Central Google Scholar

Xu, Y., Su, S., McCall, WV & Wang, Chronobiol. Int. 39, 895–902 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Xu, Y. et al. Ein abgeschwächter zirkadianer Rhythmus der Ruheaktivität ist mit einer erhöhten biologischen Alterungsrate verbunden: Eine Analyse von NHANES 2011–2014. J. Gerontol. Ein Biol. Wissenschaft. Med. Wissenschaft. https://doi.org/10.1093/gerona/glac199 (2022).

Artikel PubMed PubMed Central Google Scholar

Piercy, KL et al. Die Richtlinien für körperliche Aktivität für Amerikaner. JAMA 320, 2020–2028 (2018).

Artikel PubMed PubMed Central Google Scholar

Zentren für die Kontrolle und Prävention von Krankheiten (CDC). Die Tutorials zur National Health and Nutrition Examination Survey. 2020. https://wwwn.cdc.gov/nchs/nhanes/tutorials/default.aspx.

Referenzen herunterladen

Zentrum für digitale Gesundheitsinterventionen, Abteilung für Management, Technologie und Wirtschaft, ETH Zürich, Zürich, Schweiz

Jinjoo Shim, Elgar Fleisch & Filipe Barata

Zentrum für digitale Gesundheitsinterventionen, Institut für Technologiemanagement, Universität St. Gallen, St. Gallen, Schweiz

Elgar Fleisch

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

JS – Konzeptualisierung, Datenkuration, formale Analyse, Methodik, Schreiben (ursprünglicher Entwurf), Schreiben (Überprüfung und Bearbeitung). EF – Schreiben (Rezension und Bearbeitung). FB – Konzeptualisierung, Methodik, Betreuung, Schreiben (Überprüfung und Bearbeitung).

Korrespondenz mit Jinjoo Shim.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Shim, J., Fleisch, E. & Barata, F. Wearable-basiertes Beschleunigungsmesser-Aktivitätsprofil als digitaler Biomarker für Entzündung, biologisches Alter und Mortalität unter Verwendung einer hierarchischen Clusteranalyse in NHANES 2011–2014. Sci Rep 13, 9326 (2023). https://doi.org/10.1038/s41598-023-36062-y

Zitat herunterladen

Eingegangen: 09. Februar 2023

Angenommen: 29. Mai 2023

Veröffentlicht: 08. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-36062-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.