观测数据被Evidation获得健康,公司。 ¹ 2020年8月和10月之间共有296人(19 - 80岁,平均年龄45岁)在美国,其中有105是高压,104系统性红斑狼疮和87 sj的参与者。每个人参加了为期一个月的学习。人口调查数据,当前的病史、症状和治疗自身免疫性疾病(s)一直在收集的基线。所有参与者的英语。财务激励的<我nline-formula> 美元 47 提供了参与研究。补偿完成基线调查和连接Fitbit设备Evidation成就的平台<我nline-formula> 美元 10 。这项研究是有关机构审查委员会批准,得到书面同意从每个参与者。研究人口提供的概述 表1和 S1的数据- - - - - - S4在 补充材料了。更高比例的女性参与者招募在这项研究数据集(总体比例的女性是90.9%),以反映这一事实系统性红斑狼疮和sj过多疾病在女性的性别比例约9:1女变男( 31日, 32)。

客观、连续数据在体力活动、睡眠、心率(HR)收集在一个月从Fitbit使用参与者拥有多传感器可穿戴设备。 ² 分时Fitbit数据分为三类(人力资源、睡眠和步骤)和多个特性提供或计算在不同时间分辨率(每月、每周、每天和每小时)。在这项工作中,我们专注于93年daily-aggregated Fitbit特性。在列出所有Fitbit特性 补充材料B, 表S3- - - - - - S5。

除了提供他们的可穿戴Fitbit设备数据,参与者被要求回答每日和每周的问题列表,看看 部分3.1和 3.2在 补充材料了。问题旨在收集参与者的角度和自己的评价各种HRQoL因素和症状,即疼痛、情绪,一般体力活动和功能,睡眠,身体(公积金)和精神疲劳(MF),和每日疲劳(T)问题是通过移动应用管理。日常问题是分配给相同的日历日每日Fitbit数据。每日清单由共有9问题与一些报道HRQoL的强度和频率因子。每周17个问题列表包括13个问题验证FACIT-Fatigue规模v4(在许可证 FACIT.org ³ )( 18)。剩下的4个问题是相关的情绪,身体(公积金)和精神疲劳(MF)。最后两个是如下: ∙

身体疲劳评分(公积金):身体,上周多长时间你感觉疲惫吗?

可能的答案是:“从不”、“有时”、“定期”、“经常”、“一直”

除了FACIT-Fatigue,这个调查没有依靠临床结果的措施进行验证。因此,我们将参考直言回答每个问题的每日和每周的问题列表participant-reported (PR)特性。

以确保高质量的数据对我们的分析,我们排除了来自参与者依从性较低的数据。只有207的相关参与者穿Fitbit设备在研究过程中。Fitbit用户可用的总天数之前数据清理是6992年。关于participant-reported数据,293名参与者填写至少一个日常的问题列表和272名参与者有整体至少15天完成列表的问题。关于研究坚持报道的额外信息 第二节的 补充材料了。对于每个参与者和监控的一天,我们只包括日子(我)可穿戴设备是穿了至少60%(经验阈值)的总wear-time计算数量的分钟fitbit已磨损,记录数据;(2)参与者回应完成日常的问题列表和(iii)相应的每周一个。此外,任何特性类别中的遗漏值被排除在分析之外。这一步导致113名参与者的排斥。共有183名参与者的数据(68高压,57 sj和58系统性红斑狼疮)被用于进一步分析。

93数字特征(33小时,27日睡眠,33步骤)被聚集在天fitbit数据计算水平。公关功能,相应的日常问题没有每日疲劳,是派生的。这组特征用于分类的任务每周每天疲劳和疲劳。进行降维提取功能携带高方差,从而降低数据的大小,同时保持可解释性。为了这个目的,我们使用了主成分分析(PCA)的数值为每组每日Fitbit特性独立(人力资源、睡眠和步骤)。数值特性被归一化标准差等于1。一个阈值为80%的累积总方差的百分比将选择主成分(pc)。因子分析的混合数据(FAMD)是应用于分类日常公关功能。类似于主成分分析中,我们使用的阈值为80%的累积百分比总方差来选择电脑。进一步的细节报道方法 第五节的补充材料。特征空间的维数终于从93减少到65年的数字特征(23小时,21日睡眠,21步骤)和6个日常公关的功能。的特性导致大部分的差异在个人电脑被认为是数字的描述性统计和聚类特性。Fitbit特性的完整列表和公关功能是提供的 补充材料B( 表S2- - - - - - S5)。

每天为每个65 PCA-selected数字特征,我们计算participant-specific描述性统计在观察一段时间。在我们的分析中,我们为每个参与者认为一天作为一个独立的观察。统计数据进行了比较观察(天)计算不同的参与者团体基于诊断(高压、sj和系统性红斑狼疮)。数据检查正常使用Kolmogorov-Smirnov测试<我nline-formula> p 价值<我nline-formula> < 0.05 ,这表明大部分Fitbit特性在每个参与者组并不是正态分布。非参数测试克鲁斯卡尔-沃利斯单向方差分析测试被用来突出显著差异的每个特性三个参与者组。事后两两分析非参数邓恩的测试来确定两组之间的差异,<我nline-formula> p 值使用Holm-Bonferroni方法进行调整。最后,日常公关之间的关联特性,包括疲劳、测量与古德曼和克鲁斯卡<我nline-formula> τ 测试。

进一步调查客观行为数据和主观疲劳值之间的关系,提取潜在数码表型、病房与欧几里得距离会凝聚的层次聚类应用于65年3950年每日Fitbit特性观察几天,类似于( 30.)。集群的数量和特性集确定基于层次结构的系统树图显示 数字S32和 S33在 补充材料C。

两个分类的任务进行了证明主观疲劳评分反映病理和/或非病理性疲劳可以与数字参数可穿戴设备和其他调查数据。极端的梯度增加(XGBoost) ( 33)分类器训练分类(i)二进制标签每周身体(公积金)和精神疲劳(MF)、独立;和(2)多层次日常疲劳评分(T)的标签。

二元分类,不同级别的MF和公积金疲劳问题都转化成二进制标签<我nline-formula> y 米 F 和<我nline-formula> y P h F 分别使用以下标准: y = { 0 为 曼氏金融 或 公积金 = 从来没有 1 为 曼氏金融 或 公积金 ∈ { 有时 ; 定期 ; 经常 ; 总是 }

每周的问题复制回顾性分析在7天之前的日子问题匹配的观察期间各自的问题。天的问题包括只有6点后的问题已经完成。每周的表彰和MF的预测为每一天。

对于多层次分类,不同级别的每日疲劳(T)被编码为顺序<我nline-formula> y T : y T = { 1 为 T = 不 在 所有 2 为 T = 一个 小 位 3 为 T = 一些 什么 4 为 T = 相当 一个 位 5 为 T = 非常 多

输入特性分类任务是:(i) 8公关功能,对应于《每日问题排除日常报道疲劳;(2)93年Fitbit功能;和(3)参与者诊断(高压、sj或系统性红斑狼疮)和年龄。不同组合的特征集进行测试,以确定模式对分类性能的影响。评价模型<我talic> 漏掉一个组(商标)验证策略是使用。在观测(即标志。,single days) in the train and test sets are stratified by label distribution, grouped by participants, and repeated five times guaranteeing that data of the same participants are not in the two sets concurrently. Similar proportion of observations across HV, SjS and SLE groups was maintained in the train and test sets. The LOGO strategy is participant-independent and enables to test the ability of the model to generalize to unseen participants. Within the train set we used a grid-search stratified 5-fold cross-validation (CV) scheme to derive the set of hyperparameters of the XGBoost that maximises the balanced accuracy. Due to the skewed distributions of labels, balanced accuracy and F1-score metrics were used to evaluate the performance of the weekly fatigue classification. Balanced accuracy, unweighted average of the per-class F1-score and the macro-averaged mean absolute error (MMAE) were used to evaluate the performance of the daily tiredness classification. Further details on experimental setup, hyperparameter tuning, validation, model evaluation and implementation are described in the 补充材料C, 8节。

本节描述的统计分析报告的结果 2.3节对高压和sj,系统性红斑狼疮患者的特征。平均而言,日常公关功能显示整体贫困疾病在所有HRQoL评分因素(sj和系统性红斑狼疮)军团相比健康的参与者。概述的所有日常每日调查的答案,分层参与者团体提供 图S8在 补充材料了。之间存在低相关调查域(<我nline-formula> τ < 0.3 ),但协会是相同的域之间的高强度和频率(<我nline-formula> τ > 0.6 )。完整的地图中可以找到 补充材料了, 图S9。

参与者sj和系统性红斑狼疮报道平均FACIT-Fatigue得分较低,因此较高的疲劳 ⁴ 而健康的参与者。sj参与者FACIT-Fatigue得分(平均得分最低的报道<我nline-formula> 30.6 ± 0.8 ),其次是系统性红斑狼疮(<我nline-formula> 31.5 ± 0.7 )和高压(<我nline-formula> 39.2 ± 0.4 )。疲劳得分差异是一致的参与者组之间在所有时间点(见 图1)。类似的趋势但不显著不同的sj和系统性红斑狼疮参与者之间观察到每周MF和表彰成绩和日常疲劳的分数。 图向在 补充材料了显示了不同程度的公积金的比例和曼氏金融组织和参与者 补充材料,图S8(右下角)不同层次的跨组每日疲劳。

从PCA-filtered Fitbit特性,23日人力资源的特性和两个21步骤的特征在统计学上显著不同(<我nline-formula> p 值< 0.001)在所有三个研究小组,在没有睡眠功能在所有三个研究组明显不同。 图2显示了两个例子,即休息人力资源,在高压的最低和最高的sj参与者,和分钟的数量至少有一个步骤,在系统性红斑狼疮和sj参与者的最低和最高的可信度。 数字S21- - - - - - S31在 补充材料B小提琴和箱形图的覆盖65 PCA-filtered Fitbit特性。

本节从聚类分析(见报告结果 2.3节)的描述确定数字表型。 图3显示的输出层次聚类的日常穿戴的特性,每一行对应一个观察(每个参与者监控一天)和每一列的z分数归一化值65 Fitbit功能。对于每一个观察,相应的物理(<我nline-formula> y P h F 和精神疲劳<我nline-formula> y 米 F ),每日疲劳(<我nline-formula> y T )标签,和人口统计报告。我们观察到3组特性和4的517年,671年、1227年和1535年的观察。

特性集1只包含人力资源的特性(例如,意味着休息和日常人力资源)。睡眠功能都集中在功能集2,连同(即一个人力资源功能。、人力资源标准偏差在睡觉)和步骤的特性。特性集3 steps-based和心率功能,主要与体力活动时间(例如,步行发作在指定的时间窗口和最大数量的步骤)。

四个集群已确定。集群1主要由观察系统性红斑狼疮(SLE观察总额的18%)和sj (sj观察总额的21%)和参与者属于中年组(29-58岁)。这个集群低身体活动报道,高人力资源比其他集群和高水平的日常疲劳。集群两组观察身体活动的特点是高值参数。这个集群包含更多的HVs(高压观察总额的39%),而对疾病组(sj和系统性红斑狼疮)和48%的观察,没有报道疲劳在这个集群。每日疲劳在这个集群是相对较低的水平。集群3是由人力资源和体育活动参数的值很低,包括一个类似比例的高压,系统性红斑狼疮和sj参与者。此外,它的比例(73%)最高的参与者属于最古老的年龄段,是69 - 78年的年龄。最后,集群4睡眠参数的特点是高值清醒(白天)时期,睡眠效率得分较低。

统计上的显著差异,选择Fitbit特性和分布的调查回答的每个域显示在四个集群组 数字S36和 S37在 补充材料C,分别。Within-participant观测提供了跨越不同的集群和细节 图S38在 补充材料C。

在本节中,我们报告中描述的分类分析的主要结果 2.4节的分类性能和功能的重要性,后者强调participant-reported疲劳的重要预测指标。

表2和 3分别总结了二进制分类结果测试集预测二元标签每周公积金和MF。在这两种分类任务实现最高的性能从Fitbit当使用多通道数据,公关特点和诊断状态,平衡精度<我nline-formula> 0.78 ± 0.08 和<我nline-formula> 0.76 ± 0.05 分别为公积金和MF。积极的F1-score类(<我nline-formula> F 1 1 ),达到最好的模型,是<我nline-formula> 0.87 ± 0.03 和<我nline-formula> 0.84 ± 0.03 分别为公积金和MF。

使用日常公关特性导致的性能尤其是减少<我nline-formula> F 1 1 MF和公积金(大约7%),而单独使用Fitbit特性极大地减少了两个任务平衡精度(MF公积金减少17%和83%)。功能的重要性XGBoost分类器提取实验,看看 数字4, B分别为预测公积金和MF。为表彰表现最好的XGBoost分类器分类(所有功能训练),五大重要特性包括疼痛PRs,公关相关功能在执行日常活动和休息的人力资源问题。MF的五大重要功能的最佳XGBoost分类器包括公关相关特性depressed-like情绪和报告执行日常活动中存在的问题,其次是人力资源在休息或久坐不动的行为。重叠的前20名重要特征分类的表彰和MF标签使用表现最好的模型,有6个公关,6小时和6步骤和2睡眠功能,看看 图S40在 补充材料C。只针对预测公积金的一些特性(例如,诊断sj,比例的分钟睡着的状态)和其他特定于MF(例如,depressed-like情绪公关,平均心率而不动)。

表4总结了多级标志分类结果预测日常疲劳的标签<我nline-formula> y T 。类似的实验对于二进制分类是由构造子集输入功能。类似的性能实现时使用公关特性Fitbit单独或结合。具体来说,公关功能只实现了平衡的精度<我nline-formula> 0.46 ± 0.03 ,意味着F1的<我nline-formula> 0.47 ± 0.02 和macro-averaged美<我nline-formula> 0.72 ± 0.04 ,当结合Fitbit功能平衡的精度<我nline-formula> 0.46 ± 0.02 ,意味着F1的<我nline-formula> 0.46 ± 0.03 和MMAE<我nline-formula> 0.74 ± 0.05 。实验的混淆矩阵结合公关和Fitbit特性所示 图5。在极端的错误,6个观测属于最初类<我nline-formula> y T = 5 (T<我nline-formula> = “非常”累)被错误地归类为1级(T<我nline-formula> = “不累”)。这些观察属于3高压和2系统性红斑狼疮的参与者。公关特点对这些观察结果显示低分数,表明整体HRQoL好。分布的十大特征1和5类以及更进一步的观测所示 图S41在 补充材料C。虽然不是公关日常疲劳得分(见密切相关 图S9在 补充材料了),这两个活动性能和疼痛公关分数显示更高的重要性分类日常疲劳。

主要是人力资源的特性(例如,相关人力资源休息)排在前20位的重要Fitbit预测每日疲劳、中列出 图4 c。

传感器特性的统计分析结果和日常问题的描述高压和sj和系统性红斑狼疮患者( 3.1节)强调一些关键区别组织的参与者包括在这次调查中。从Fitbit数据,我们观察到一些特性明显不同的中高压,系统性红斑狼疮和sj组:中间休息人力资源是sj更高(68 bpm)和系统性红斑狼疮(67 bpm)参与者相比,高压组(63 bpm)。系统性红斑狼疮和sj团体还显示低水平的身体活动相比高压组。虽然只依靠临床验证patient-reported和Fitbit数据,这种观察是符合先前的研究表明,增加人力资源(没有已知心血管疾病)和缺乏身体活动与系统性炎症( 35, 36)。慢性系统性炎症的一个关键特性是自身免疫性风湿病疾病如系统性红斑狼疮和sj ( 37, 38)。这些观察表明一个明确的方向改变时,这些特性量化改进由于治疗,例如,在临床试验中。文献证实睡眠影响sj和系统性红斑狼疮。sj患者睡眠障碍包括长期睡眠起始时间和经常晚上醒来( 39)。睡眠会影响系统性红斑狼疮疾病活动和这些患者的疼痛和疲劳是已知的与睡眠障碍有关( 40)。然而,睡眠功能显示小或没有实质性疾病组之间的差异在我们的数据。

正如预期的那样,sj和系统性红斑狼疮参与者团体报道平均水平较高的身体和精神疲劳和日常疲劳比高压组,表明疲劳和疲劳应该严密监控,包括已经在早期阶段临床试验重复措施。虽然没有验证工具来评估疲劳的疾病包括在这项研究中,有一个一致性FACIT-Fatigue分数和每周自我身心的疲劳问题,如FACIT-Fatigue分数负相关的公积金和MF以及日常问题 补充材料,数据向和 S14系列。未来的工作可能会进一步关注勘探和收集的数据从不同的工具来评估疲劳症状和获得更复杂的疲劳标签。

HRQoL的其他因素,如那些疼痛和情绪有关,也显示平均差排名在疾病组(系统性红斑狼疮和sj)与HVs相比。这里要注意的一个重点是数据收集期间COVID-19大流行。参与者并没有测试阳性COVID在研究过程中,然而大流行的限制可能会影响他们的行为,这些参与者进一步影响生活质量。最终行为的变化也可能限制泛化的结果和可穿戴设备数据。没有明显的治疗或药物治疗和participant-reported疲劳水平之间的联系被发现所示 图S14系列在 补充材料了。治疗和治疗系统性红斑狼疮和sj参与者,多数报道身心疲劳“常规”,“经常”或“有时”。5和11 87名参与者sj没有身体或精神疲劳的经验,分别,无论治疗/不治疗。永远存在的心理疲劳是经历了4 104名参与者在系统性红斑狼疮和6 87名参与者的sj组。之间没有明显的关联还发现FACIT-Fatigue分数和药物,使用Mann-Whitney进行了测试<我nline-formula> U 以及,如所示 图S15在 补充材料了。

分析报告的可变性疲劳non-interventional设置,纵向FACIT-Fatigue得分分析使用线性混合效应模型重复执行措施,与诊断、性和分析访问(周)因素和基线,年龄和FACIT-Fatigue作为协变量连续得分。复合对称结构被认为这个模型以考虑within-participant相关性不同的测量。没有统计的影响时间(周)从这个模型。日常公关问题与所有时间点进行多重对应分析评估之间的联系的所有项目日常的问题列表。类似于FACIT-Fatigue但不强烈,这种分析的结果表明,第一轴的主要真实的信息。确认,第一轴与FACIT-Fatigue评分密切相关。Fitbit措施的intra-participant可变性高,可能是由于上下文事件影响的日常行为。在这项工作中,我们计算统计分析考虑一天每个参与者作为独立的观察。附加time-aware分析(例如,重复测量方差分析)和调查个别参与者的轨迹可以进一步探索未来的工作。

从日常Fitbit数据的聚类分析结果的描述数字表型,报道 3.2节没有透露特定疾病组的观察,表明这种行为数据可能不是预后。然而,我们观察到不同的数字,行为表型。集群2可能是这个数据集的“健康”表型水平最高的测量身体活动,HVs的比例和高的比例的观察没有疲劳或疲劳。集群4可以作为集群的睡眠影响表型特征,它包括高值参数与比例有关的睡眠分钟“不安”或“清醒”的睡眠,睡眠效率参数得分较低。先前的研究在睡眠和炎性疾病协会已经表明,睡眠不好是与高水平炎症生物标记( 41)。有趣的是,这个集群还包括更多的观察和报道疲劳相比,没有疲劳,表明这种疲劳会带来更少的睡眠或睡眠不好效率( 40)。集群1参与者大多来自中年组可以被描述为“疲劳”表型包括几天公积金和MF和高水平的每日疲劳被报道。疲劳在这个集群与低体力活动( 36)提高人力资源价值在所有年龄范围。先前的研究表明,增加心率在患有炎症性疾病( 42)。老龄化也是一个重要因素在低级炎症导致减少体力活动( 43)。

通过聚类分析不清楚区分参与者。我们观察到,观测属于相同的参与者经常跨越4集群,强调参与者行为的纵向变化,因此表型。这是符合观测的其他研究小组( 44, 45)和疲劳,可能反映了昼夜波动可能与时间变化结果的睡眠,休息,整天和身体活动( 46)。对于未来的工作,聚集的观察参与者可能帮助我们更好地描述个体参与者或病人,而不仅仅是行为,但是需要一个庞大的人口。数字表现型的策略可以应用到更广泛的光谱需要解释的复杂疾病通过疾病和患者分层高度多维综合数据。纵向数据收集将是至关重要的优势在临床试验调查疾病症状,和他们潜在的改变对治疗的反应和后停止治疗。

结果报告 3.3节每周每天疲劳和疲劳的分类,显示最高的性能都是通过XGBoost身心疲劳分类当使用特点从所有的数据形式。由此产生的最佳组XGBoost hyperparameters这些配置是学习速率为0.05,最大深度为2和3的数量为100。通过提取出表现最好的最高预测功能模型分类每周公积金和MF,我们观察到,从数字数据,主要是身体活动(如最大轧制的步骤)和人力资源(如人力资源休息)导致了分类虽然只有三个睡眠特性(例如,比例的睡着了分钟,分钟的“不安”和“清醒”的睡眠模式和部分时间主要花在睡眠期间“睡着”睡眠模式)。这表明,多通道数据对疲劳的定量评估是必要的。前预测功能从日常公关数据分类身体疲劳主要是疼痛和相关问题在执行日常活动。精神疲劳,除了痛苦和问题公关功能,抑郁情绪结果高度相关。这表明身体疲劳主要是与身体的疲劳,精神疲劳时更像是一个精神生物学状态( 30., 47)。观察日常疲劳的多层次分类分类结果表明,再次特性从公关和Fitbit都跻身前20日常疲劳的重要预测因子。这个配置是学习最好的XGBoost hyperparameters率为0.05,最大深度为2和3的数量为100股。然而,五大功能只包括公关的功能。这可能是温和的相关协会(古德曼克鲁斯卡尔<我nline-formula> τ 约0.2)每日疲劳标签和其他公关的功能。

当比较前预测Fitbit特性的三种疲劳(公积金、MF和日常疲劳(T)),我们观察到静息心率是常见的在预测所有三种类型的疲劳。睡眠功能Fitbit更相关的预测公积金和日常疲劳和减少预测MF的重要性。步特性相关的身体活动在预测所有三种类型的疲劳也有类似的重要性。

我们进一步测试的性能分类方法只使用前20名被XGBoost特性。我们注意到三个分类任务,也获得了类似的性能相比,当使用特定于任务的最佳方法的所有特性。这表明可能只使用一个简化的模型在真实的应用程序中利用XGBoost特性输入前20名。在这个手稿,没有报告的其他分析,包括执行每日疲劳作为识别特征的每周报告精神和身体的疲劳。结果显示改进的2 - 3个基点的平衡精度相比这个功能没有添加。未来的工作也可以关注日常疲劳的包容,从多层次模型自动提取,提高每周疲劳识别。其他分类器。,logistic regression, support vector machine and random forest were tested, however they were outperformed by XGBoost. Additional future research following our initial exploratory approach, could extend the prediction tasks to regression or multi-class and multi-label classification for finer discrimination of different levels of weekly reported fatigue.

我们研究的独特特性是,它包括参与者的真实环境。然而,一些局限性必须认识到包括没有正式纳入/排除标准相关的疲劳程度,具体的药物,或clinically-assessed sj和系统性红斑狼疮疾病活动参与者组。此外,参与我们的研究大多是白色的种族,导致一个潜在的偏见的结果。缺点是小样本大小(68高压,57 sj和58系统性红斑狼疮参与者)用于分析,造成排除数据质量较低的数据来自113名参与者。此外,从参与者的数据点较低的依从性也被排除在分析之外。这导致参与者之间的失衡组用于分析高压比疾病组(sj和系统性红斑狼疮)。未来的工作可能会扩大依从性分析包括额外的行为模式和勘探的影响的上下文信息(例如,星期,小时一天)。另一个限制我们的工作在于被变化可能影响参与者的Fitbit设备模型和固件版本。唯一的特定于设备的入选标准是要求含蓄地排除旧版本的Fitbit分钟级数据。在这项研究中,我们没有执行额外的验证消费级可穿戴设备(Fitbit)参数。 We instead relied on previous work on validating the main Fitbit parameters ( 48- - - - - - 50)。我们相信我们在探索性研究结果可以用来通知未来确认工作。但是其他验证应该做过的将我们的方法应用于临床实践。

在我们当前的建模策略,我们称之为<我talic> 人口模型、数据的参与者来自高压和疾病组同时在训练使用。尽管类型的诊断被用作功能模型,cohort-specific可能不是书评的模式模型,限制了其性能的能力。在最初的尝试,cohort-specific策略使用增量模型训练周,随后几周的数据逐步加入训练集分类疲劳上周的水平。使用这种策略,即使participant-dependent,我们注意到性能相比,在使用人口的增量模型,特别是对sj和系统性红斑狼疮的参与者和识别non-fatigue周。在这项研究中,数据收集的时间1个月。再研究需要考虑更好地理解和预测慢性疲劳和疲劳的现象与慢性疾病有关。未来的工作可能会进一步探索这方面关注,例如,在微调人口与cohort-specific数据模型。例如,人口模型训练对健康志愿者和患者的观察研究,可以适应一个群体从一个新的临床试验,利用先前的知识而且精炼新一代特征。二进制和多层次分类分析有助于提出实用的临床试验的建议和支持数字生物标志物疲劳的策略。使用多传感器可穿戴设备测量生命体征和身体活动收集频繁ePROs(例如,当日可穿戴数据)应该考虑在临床试验中。 This approach would enhance research on quantitative measurement of fatigue and facilitate development of therapeutic strategies to address pathological fatigue (e.g., in SLE and SjS). Furthermore, machine-learning approach could be used to build a simplified model of fatigue and define a single, composite score to describe and validate a digital endpoint of fatigue as an objective measure. At the end of the study, we asked each participant through a final short survey, their level of satisfaction with their experience with this remote digital study. As a result, 52% of participants reported to be “extremely satisfied” and 39% “satisfied”. As also suggested by the aforementioned participant feedback, growing overall popularity and acceptance of using digital health technologies and wearable tools, combined with ease of their use in everyday life, creates opportunities for studying large cohorts of healthy individuals and in patient in future.