撰文 | Qi

在临床环境之外收集的真实世界数据（real-world data, RWD）可以对患者进行远程健康评估，允许频繁采样，并已用于帮助诊断、治疗和监测多种疾病，包括心房颤动和糖尿病【1, 2】。当用于基于人群的研究时，远程评估可以增加对疾病表现的异质性、疾病对日常生活和生活质量的影响以及非医学因素对健康的影响的理解，且频繁的纵向评估也可以作为指导个性化护理管理的重要工具。然而，与传统临床研究相比，远程数字研究虽然有诸多益处，但同时也伴随许多挑战。比如，对于参与者而言，通常需要在日常生活中经常参与并愿意分享通过他们的移动设备收集的信息，而研究人员必须制定动态的沟通和参与策略，以保持参与者的积极性。此外，在没有监督的情况下纵向收集的数据中可能存在隐藏的偏见和混淆。

近年来，人们一直强调使用传感器对传统上进行主观评估的疾病进行客观评估，例如神经精神疾病或神经退行性疾病。例如帕金森疾病（Parkinson's disease, PD）中突出的运动症状，如运动缓慢、步态受损、平衡能力下降和震颤等。嵌入高保真传感器的智能手机提供了一种可供患者广泛使用的替代方案，可用于客观、频繁和敏感的对患者进行评估。

2021年8月9日，来自美国华盛顿大学的Lara M. Mangravite团队等在Nature Biotechnology杂志上发表了一篇题为Remote smartphone monitoring of Parkinson’s disease and individual response to therapy 的文章，该团队在2015年启动了mPower研究，以评估在完全远程研究的背景下使用手机在不同人群（帕金森受试者和非帕金森受试者）中收集真实世界证据的可能性和局限性。此外，该团队完成一项验证性研究，对44个受试者进行为期6个月的随访，包括三项临床评估以及基于智能手机的远程评估，通过此分析来说明移动健康研究的可行性及注意事项。

2015年3月9日至2015年9月9日共6个月内，来自美国50个州的共12703人参与了mPower研究（图1）。在研究期间，参与者被鼓励但没有强制要求每天最多完成3次活动，包括一系列五项主动评估（快速敲击、语音、步行、平衡和记忆），并通过手机中的传感器收集参与者的数据。在这些参与者中，1414名自我报告专业诊断为PD，8432名自我报告未诊断为PD（非PD）。平均而言，与非PD参与者相比，PD参与者人群明显年龄更大、受教育程度更高且女性比例更大，且参与积极性更高。

图1. mPower研究的数据收集、处理和分析示意图

由于诊断是远程监测的最主要目标，因此，该团队评估了这些数据的横断面分析能否用于区分PD和非PD参与者。为了排除潜在混杂因素的影响，该团队首先通过混淆测试【3】来量化教育、性别和年龄变量对PD与非PD分类预测性能的贡献，基于测试结果，年龄和性别匹配的参与者被用于mPower分类分析。当然，可能只平衡了部分观察到的混杂因素，还有一些仍能对结果产生偏见的未可见因素暂无法排除。然而，由结果来看，虽然分类性能低于使用重复测量和记录拆分开发的分类器，但也更好地反映了其在基于疾病的新样本中区分PD和非PD参与者的真实能力。

大多数PD患者接受药物治疗以缓解疾病症状，左旋多巴作为标准治疗，但是效果因人而异。由于许多参与者每天在同一时间服药，因此以这种方式收集的药物对表现的评估可能会与进行活动时间 (the time of day, ToD) 相关的昼夜因素混淆。为了解决这个问题，该团队评估了在PD参与者中观察到的表现变化是否反映了药物治疗或其他时间效应。由于活动表现在整个人群中是高度个性化和异质的，该团队开发了个性化的方法来监测由于药物或其他疾病调节剂的影响而导致的疾病严重程度随时间的变化。使用一组条件独立性 (conditional independence, CI) 测试分别分析来自每个人的纵向数据，以从ToD效应中分离出潜在的药物效应【4】，其中具有较长PD病史的参与者往往表现出更强的药物介导的表现波动。

接下来，作者利用一组在罗彻斯特大学招募的包含44名个体（21位PD个体和23位非PD对照组）的队列进行验证性研究，将mPower症状严重程度评分与临床定义的PD严重程度测量进行了比较，结果显示该mPower严重评分与总 MDS-UPDRS、Schwab和England日常生活活动量表 (SE-ADL) 以及Hoehn和 Yahr评分存在相关性（图2）。

图2. mPower评估与临床定义的疾病严重程度之间存在相关性

总之，与在临床或实验室环境中获取测量值相比，使用智能手机和可穿戴设备收集真实世界证据需要开发一套重新校准的研究方法。远程评估引入的复杂性需要仔细考虑以支持准确的推断。尽管有这些限制，通过远程研究进行的健康研究有可能极大地增强我们了解和监测健康的能力。这项研究表明，基于智能手机的远程研究提供了一种可能的方法来支持对帕金森疾病症状进行频繁、客观和个性化的评估。

原文链接：

https://doi.org/10.1038/s41587-021-00974-9

参考文献

1. Steinhubl, S. R. et al. Effect of a home-based wearable continuous ECG monitoring patch on detection of undiagnosed atrial fibrillation: the mSToPS randomized clinical trial. JAMA 320, 146–155 (2018).

2. Juvenile Diabetes Research Foundation Continuous Glucose Monitoring Study Group. Effectiveness of continuous glucose monitoring in a clinical care environment: evidence from the Juvenile Diabetes Research Foundation continuous glucose monitoring (JDRF-CGM) trial. Diabetes Care 33, 17–22 (2010).

3. Chaibub Neto, E., Tummalacherla, M., Mangravite, L. & Omberg, L. Causality-based tests to detect the influence of confounders on mobile health diagnostic applications: a comparison with restricted permutations. In Machine Learning for Health (ML4H) Workshop at NeurIPS 2019. https:// arxiv.org/abs/1911.05139 (2019).

4. Chaibub Neto, E. et al. On the analysis of personalized medication response and classification of case vs control patients in mobile health studies: the mPower case study. Preprint at https://arxiv.org/abs/1706.09574 (2017).