穿戴裝置（Wearable device）近年來十分熱門，也有許多國內外知名廠商投入大量的資源在此領域，它可以及時提供、紀錄、追蹤我們關於健康及生活上的各類型資訊；當然，這些數據也幫助我們建立自身於正常狀態時各種生理指標的基準值。在疫情肆虐全球之際，穿戴裝置可能成為人們在日常隨時進行健康監測的有效工具。
智慧手錶偵測 COVID-19，超前部署
在 2020 年國際期刊 Nature Biomedical Engineering 學者指出智慧手錶當中的數據，例如心率、每日步行總數與睡眠持續時間能夠提前偵測是否感染新冠病毒。由下方實驗示意圖所示，研究人員透過追蹤性研究由 5262 名受試者的智慧手錶數據當中進行抽樣，透過感染者於智慧手錶所收集的生理資訊，找出不同參數間的關聯性，進而運用演算法偵測非正常的生理情形。在 32 名感染者當中有 26 名確診者在產生感染症狀前約四到七天出現不正常的生理訊號，6 名確診者則沒有出現明顯且容易判讀的訊號，然而研究結果顯示有約八成的受試者能夠透過穿戴裝置提前辨別是否有受到病毒的感染。
實驗設計示意圖，圖中左邊的小人當中，紅色為確診者，深灰色為有症狀非確診者，淺灰色為高風險接觸者，黃色的則是有症狀但非新冠肺炎者，受試者除了配戴智慧手錶以外，實驗期間也會使用 MyPHD app 紀錄自己身體的情形。
研究人員運用的兩種演算法所呈現的單一個案數據。上方為使用休息心跳差異法（Resting heart rate difference, RHR-Diff）；下方為使用心跳與步數比值異常法（Heart rate over steps anomaly detection, HROS-AD）。橫軸上的紅色虛線處（Day0）代表有症狀開始出現，紫色虛線則是診斷日。紅色星號的部分則是開始有出現異常提高的心跳，紅色雙箭頭及紅色圓粗點涵蓋的區域則是用以標示生理訊號出現不正常的時期。
感測融合技術更準確
而 2021 年在 Nature Medicine 期刊上發表的另一篇新的研究，此研究是針對智慧手錶中的數據及自我陳述的症狀是否足夠預測新冠病毒的感染進行探討。研究團隊招募了超過 30000 名參與者進行抽樣，研究結果發現僅利用單一參數無法有效地辨別為陽性或陰性個案，但綜合休息心率、睡眠、活動量參數額外加上自我陳述的症狀則可以增加預測感染風險的準確度（AUC 值達到 0.8）。
ROC 曲線圖（Receiver Operating Characteristic Curve）。ROC 曲線定義縱軸為敏感度（sensitivity，即真陽性率），橫軸為 1-特異度（1-specificity，即偽陽性率）。在比較不同的分類模型時，常會將每個模型的 ROC 曲線都畫出並比較曲線下面積（Area under curve, AUC）做為模型優劣的指標；AUC 值在 0~1 之間，數值越接近 1，表示正確率越高。
然而這類型的研究仍存在些許的限制，例如此類技術尚無法區分確診者感染何種新冠病毒，且在研究中抽樣的樣本數可能也無法全面的涵蓋到各個年齡層以及無法考量到沒辦法負擔智慧手錶支出的族群，因此在結果方面可能會有些許的誤差。再者，這些偵測的方法仍需要持續蒐集更多相關的數據，以優化演算法；此外，針對不斷變異的病毒引發不同類型的症狀尚需有更多科學及醫學研究的支持才能更有效、準確的預測。
參考文獻:
Mishra, T., Wang, M., Metwally, A.A. et al. Pre-symptomatic detection of COVID-19 from smartwatch data. Nature Biomedical Engineering 4, 1208–1220 (2020).
Quer, G., Radin, J.M., Gadaleta, M. et al. Wearable sensor data and self-reported symptoms for COVID-19 detection. Nature Medicine 27, 73–77 (2021).
近年來十分熱門，也有許多國內外知名廠商投入大量的資源在此領域，它可以及時提供、紀錄、追蹤我們關於健康及生活上的各類型資訊；當然，這些數據也幫助我們建立自身於正常狀態時各種生理指標的基準值。在疫情肆虐全球之際，穿戴裝置可能成為人們在日常隨時進行健康監測的有效工具。){kind=link}