第一项评估可穿戴设备关于静息心率和睡眠的未识别数据的研究发现，与当前的监视方法相比，美国五个州对流感样疾病的实时预测得到了改进。

该研究发表在《柳叶刀》数字健康杂志上，展示了可穿戴设备中的数据在改善传染病监测方面的潜力。在传染性发作期间，静息心率趋于激增，而可追踪心率的可穿戴设备(如智能手表和健身追踪器)会捕获这种心率。来自47,249位Fitbit [1]用户的去身份化数据回顾性地确定了静息心率升高和常规睡眠改变的几周。需要做进一步的前瞻性研究，以帮助区分传染性和非传染性预测。

流感每年导致全球65万例死亡。每年大约有7%的工作成人和20%的5岁以下儿童感染流感。传统的监视报告需要1-3周的时间来报告，这限制了制定快速的疫情应对措施的能力-例如确保患者呆在家里，洗手以及部署抗病毒药和疫苗。

过去使用众包数据(例如Google Flu Trends和Twitter)进行的研究本身发现了可变的成功，因为这些方法在流行病期间往往高估了发病率。这是因为在流感季节不可能将流感患者的活动与意识增强或与媒体有关的活动区分开来。

研究作者，美国斯克里普斯研究转化研究所的詹妮弗·拉丁博士说：“对流感的爆发做出更快的反应可以防止进一步的传播和感染，我们很想知道传感器数据是否可以改善州一级的实时监测。我们展示可穿戴设备的度量标准的潜力，以增强流感监测并因此改善公共卫生对策。随着这些设备的改进以及访问24/7实时数据的未来，可能有可能识别流感病毒的流行率。每天而不是每周。”[2]

研究人员审查了从200,000位佩戴Fitbit可穿戴设备的用户获得的身份数据，这些设备在2016年3月至2018年3月的研究时间内至少跟踪用户60天的活动，心率和睡眠。从200,000位用户中，有47,248位来自加利福尼亚州在研究期间，得克萨斯州，得克萨斯州，纽约州，伊利诺伊州和宾夕法尼亚州的Fitbit设备始终如一地佩戴，导致每天评估的总测量值为13,342,651。平均用户年龄为43岁，女性为60%。通知所有Fitbit用户(包括其数据已包括在本研究中的用户)，告知其取消标识的数据可能会用于Fitbit隐私政策中的研究。

计算用户的平均静息心率和睡眠时间，以及与此相关的偏差，以帮助确定这些测量值何时超出个人的典型范围(即，使用标准偏差)。在每周中，如果用户的每周平均静息心率高于总体平均水平(超过一半或标准差的最大值)并且每周平均睡眠不低于总体平均水平(超过一半的平均值)，则该用户被识别为异常标准偏差)。根据用户所居住的州来排列用户，并计算每周超过阈值的用户比例。将该数据与美国疾病控制中心(CDC)每周报告的流感样疾病发病率估算值进行比较。

通过合并Fitbit跟踪器的数据，改进了州一级的流感预测。在所有五个州中，实时监视都有所改善，并且当异常静息心率定义为正常值的一半以上的标准偏差而睡眠下的异常值超过一半的标准偏差时，发现与CDC数据最接近。

这是首次将心率追踪器和睡眠数据用于实时预测流感或任何传染病。随着数据量的增加，有可能将该方法应用于地理上更精确的区域，例如县或城市级别。

作者在研究中发现了一些局限性。一般缺乏活动数据意味着他们无法控制季节性适应性变化或更多短期活动变化。每周静息心率平均值可能包括一个人既有病又没有生病的天数，这可能会通过降低每周平均值来降低对疾病的估计。其他因素也可能会增加静息心率，包括压力或其他感染。最后，作者指出，先前对睡眠测量设备的研究发现准确性较低，尽管作者指出，随着技术的发展，准确性将继续提高。

在这项研究中，Fitbit用户主要是中年成年人，收入可能比普通人群更高，因此患合并症的可能性较小，这会使他们更容易受到严重感染。如果他们生病了，他们也可能更有可能获得流感疫苗或接受抗病毒药或其他药物，从而降低疾病的严重程度，因此可能需要修改模型以用于其他人群。

美国国家卫生研究院Fogarty国际中心的塞西尔·维布德(CécileViboud)博士在一篇相关的评论文章中说：“拉丹等人的这项研究是将可穿戴测量方法整合到传染病预测模型中的有希望的第一步。 。]我们预计，Fitbit和其他个人设备生成的大量实时数据将被证明对公共卫生和增强传统监视系统非常有用，不断扩展的“大数据”革命为挖掘新数据流提供了独特的机会，确定与流行病学有关的模式，并丰富传染病预测。”