Apple Watch w ciągu ostatnich sześciu lat wprowadził szereg korzyści zdrowotnych, w tym monitorowanie zdrowia serca / odczytów EKG, wykrywanie upadków, tlen we krwi, śledzenie ćwiczeń i stał się szerzej stosowane w badaniach zdrowia. Jednak badacze z Harvardu i University of Michigan wyrazili teraz obawy dotyczące polegania na Apple Watch w badaniach nad algorytmami urządzenia do noszenia, tworzącymi „czarne skrzynki”.
Zgłoszony przez Pogranicze, JP Onnela, profesor nadzwyczajny biostatystyki szczegółowo opisał potencjalne problemy związane z używaniem Apple Watch do badań naukowych. Konkretnym przypadkiem, na który się przyjrzał, były dane o zmienności tętna zebrane przez Apple Watch, uznając je za niespójne i uważa, że przyczyna może mieć również wpływ na inne badania.
Obawy zależą od tego, w jaki sposób Apple aktualizuje algorytmy swoich urządzeń do noszenia w czasie, co oznacza, że „dane z tego samego okresu mogą ulec zmianie bez ostrzeżenia”.
„Te algorytmy nazwalibyśmy czarnymi skrzynkami — nie są przezroczyste. Nie można więc wiedzieć, co w nich jest”, powiedział The Verge JP Onnela, profesor nadzwyczajny biostatystyki w Harvard TH Chan School of Public Health i twórca platformy danych o otwartym kodzie źródłowym Beiwe.
Urządzenia takie jak Zegarek Apple są znane z eksportowania informacji dopiero po przetworzeniu przez filtry algorytmiczne, co może być problematyczne dla „odtwarzalnej nauki”. Dlatego Onnela zwykle trzyma się urządzeń klasy badawczej do badań, które generują surowe dane, ale chciał dowiedzieć się więcej o korzystaniu z Apple Watch w nadchodzącym badaniu i jak godne uwagi mogą być potencjalne problemy z danymi.
Więc sprawdzili dane dotyczące tętna, które jego współpracownik Hassan Dawood, pracownik naukowy w Brigham and Women’s Hospital, wyeksportował z jego zegarka Apple Watch. Dawood dwukrotnie wyeksportował swoje dzienne dane dotyczące zmienności tętna: raz 5 września 2020 r. i drugi raz 15 kwietnia 2021 r. W ramach eksperymentu przyjrzeli się danym zebranym w tym samym okresie — od początku grudnia 2018 r. do września 2020 r.
Onnela była przygotowana, aby zobaczyć pewne różnice w tych samych danych wyeksportowanych w dwóch różnych momentach. I ich średnie okazały się podobne 52 vs 55, jednak wariancje wykazały duże różnice przy 1240 vs 572, a także te same dane miały stosunkowo niską korelację liniową Pearsona wynoszącą 0,67.
Onnela wyjaśniła więcej w poście na blogu:
Dla jasności dane te obejmują ten sam zakres dat, więc powinny być identyczne. W rzeczywistości ich średnie są bardzo podobne, odpowiednio 52 vs. 55 dla pierwszego i drugiego eksportu, ale ich wariancje są bardzo różne: 1240 vs. 572. Aby uzyskać dokładniejszy wgląd w to, wykonałem wykres punktowy wartości jednej serii czasowej w stosunku do drugiej. Przerywana linia tożsamości to miejsce, w którym chcielibyśmy, aby punkty spadły, gdyby były identyczne, jak mamy nadzieję. Zamiast tego dane są bardzo rozproszone, a ich współczynnik korelacji liniowej Pearsona wynosi zaledwie 0,67. To nie jest bardzo wysoka korelacja.
Pamiętaj, że to tylko jeden nieformalny przykład danych Apple Watch i nie pochodził z badania naukowego, ale i tak wystarczyło, aby wzbudzić zaniepokojenie Onneli.
W rozmowie z The Verge Onnela posłużyła się również przykładem śledzenia masy ciała, na które wpływają zmieniające się problemy z algorytmem. Ale wszystko prawdopodobnie sprowadza się do rodzaju użytkowania:
Dla kogoś, kto ma zwyczajne zainteresowanie śledzeniem swojego zdrowia, może to być w porządku — różnice nie będą duże. Ale w badaniach naukowych liczy się spójność. – To jest problem – mówi.
Olivia Walch, badaczka snu z Uniwersytetu Michigan, wypowiedziała się na ten temat, potwierdzając korzystanie z urządzeń dostarczających surowe dane:
„To weryfikuje, ponieważ zabieram się do mojej małej mydelniczki o surowych danych i fajnie jest mieć konkretny przykład, w którym to naprawdę miałoby znaczenie”, mówi.
Inną interesującą kwestią dotyczącą wiarygodności danych są różni uczestnicy badania noszący smartwatche, które mają różne oprogramowanie i algorytmy.
Ciągle zmieniające się algorytmy sprawiają, że wykorzystanie komercyjnych urządzeń do noszenia w badaniach snu jest niemal nie do zniesienia, mówi Walch. Badania snu są już drogie. „Czy będziesz w stanie przypiąć komuś cztery FitBity, każdy z inną wersją oprogramowania, a następnie porównać je? Prawdopodobnie nie.”
…
Ktoś mógłby na przykład przeprowadzić badanie przy użyciu urządzenia do noszenia i dojść do wniosku, w jaki sposób zmieniły się wzorce snu ludzi w zależności od zmian w ich otoczeniu. Ale ten wniosek może być prawdziwy tylko w przypadku tej konkretnej wersji oprogramowania urządzenia do noszenia. „Może osiągnąłbyś zupełnie inny wynik, gdybyś po prostu używał innego modelu” – mówi Walch.
Jednak Walch powiedział, że szukanie szerszych trendów w „skali makro” może nadal być przydatne w przypadku urządzeń do noszenia, takich jak Apple Watch:
„Jeśli zależy Ci na rzeczach w skali makro, możesz zadzwonić, że będziesz nadal korzystać z urządzenia” – mówi Walch. Ale jeśli konkretna zmienność tętna obliczona każdego dnia ma znaczenie dla badania, zegarek Apple Watch może być bardziej ryzykowny, mówi. „Powinno to skłonić ludzi do zastanowienia się nad używaniem niektórych urządzeń do noszenia, jeśli dywan może zostać wyrwany pod stopami”.
Apple nie odpowiedział The Verge na komentarz w tej sprawie.
FTC: Używamy automatycznych linków partnerskich do zarabiania. Więcej.
Sprawdź 9to5Mac na YouTube, aby uzyskać więcej informacji o Apple: