I livelli di forma fisica possono essere previsti con precisione utilizzando dispositivi indossabili: non è richiesto alcun esercizio 

Previsione del fitness cardio-respiratorio longitudinale attraverso dispositivi indossabili in ambienti di vita libera

I ricercatori di Cambridge hanno sviluppato un metodo per misurare la forma fisica complessiva in modo accurato su dispositivi indossabili – e in modo più robusto rispetto agli attuali smartwatch e monitor di fitness di consumo – senza che chi lo indossa debba esercitarsi.

Normalmente, i test per misurare con precisione il VO2max – una misura chiave della forma fisica complessiva e un importante predittore di malattie cardiache e rischio di mortalità – richiedono costose attrezzature di laboratorio e sono per lo più limitati agli atleti d’élite. Il nuovo metodo utilizza l’apprendimento automatico per prevedere il VO2max – la capacità del corpo di svolgere lavoro aerobico – durante l’attività quotidiana, senza la necessità di informazioni contestuali come le misurazioni GPS.

In quello che è di gran lunga il più grande studio del suo genere, i ricercatori hanno raccolto dati sull’attività di oltre 11.000 partecipanti allo studio Fenland utilizzando sensori indossabili, con un sottogruppo di partecipanti testato nuovamente sette anni dopo. I ricercatori hanno utilizzato i dati per sviluppare un modello per prevedere il VO2max, che è stato poi convalidato rispetto a un terzo gruppo che ha effettuato un test da sforzo standard basato su laboratorio. Il modello ha mostrato un alto grado di accuratezza rispetto ai test di laboratorio e supera altri approcci.

Alcuni smartwatch e fitness monitor attualmente sul mercato affermano di fornire una stima del VO2max, ma poiché gli algoritmi alla base di queste previsioni non sono pubblicati e sono soggetti a modifiche in qualsiasi momento, non è chiaro se le previsioni siano accurate o se un regime di allenamento sta avendo alcun effetto sul VO2max di un individuo nel tempo.

Il modello sviluppato da Cambridge è robusto, trasparente e fornisce previsioni accurate basate esclusivamente sui dati della frequenza cardiaca e dell’accelerometro. Poiché il modello può anche rilevare i cambiamenti di forma fisica nel tempo, potrebbe anche essere utile per stimare i livelli di forma fisica per intere popolazioni e identificare gli effetti delle tendenze dello stile di vita. I risultati sono riportati sulla rivista npj Digital Medicine .

Una misurazione del VO2max è considerata il “gold standard” dei test di fitness. Gli atleti professionisti, ad esempio, testano il loro VO2max misurando il loro consumo di ossigeno mentre si allenano fino allo sfinimento. Esistono altri modi per misurare la forma fisica in laboratorio, come la risposta della frequenza cardiaca ai test da sforzo, ma questi richiedono attrezzature come un tapis roulant o una cyclette. Inoltre, un intenso esercizio fisico può essere un rischio per alcuni individui.

“Il VO2max non è l’unica misura della forma fisica, ma è importante per la resistenza ed è un forte predittore di diabete, malattie cardiache e altri rischi di mortalità”, ha affermato il coautore Dr Soren Brage dell’Unità di epidemiologia MRC di Cambridge. “Tuttavia, poiché la maggior parte dei test VO2max viene eseguita su persone ragionevolmente in forma, è difficile ottenere misurazioni da coloro che non sono così in forma e potrebbero essere a rischio di malattie cardiovascolari”.

“Volevamo sapere se fosse possibile prevedere con precisione il VO2max utilizzando i dati di un dispositivo indossabile, in modo che non ci fosse bisogno di un test da sforzo”, ha affermato il co-autore principale Dr Dimitris Spathis del Dipartimento di informatica e tecnologia di Cambridge. “La nostra domanda centrale era se i dispositivi indossabili possono misurare il fitness in natura. La maggior parte dei dispositivi indossabili fornisce metriche come la frequenza cardiaca, i passi o il tempo di sonno, che sono proxy per la salute, ma non sono direttamente collegati ai risultati sulla salute.

Lo studio è frutto della collaborazione tra i due dipartimenti: il team dell’unità di epidemiologia dell’MRC ha fornito competenze in materia di salute della popolazione e fitness cardiorespiratorio e dati del Fenland Study, uno studio di lunga durata sulla salute pubblica nell’Inghilterra orientale, mentre il team del Il Dipartimento di informatica e tecnologia ha fornito competenze in machine learning e intelligenza artificiale per dati mobili e indossabili.

I partecipanti allo studio hanno indossato dispositivi indossabili ininterrottamente per sei giorni. I sensori hanno raccolto 60 valori al secondo, risultando in un’enorme quantità di dati prima dell’elaborazione. “Dovevamo progettare una pipeline di algoritmi e modelli appropriati in grado di comprimere questa enorme quantità di dati e utilizzarli per fare una previsione accurata”, ha affermato Spathis. “La natura libera dei dati rende questa previsione difficile perché stiamo cercando di prevedere un risultato di alto livello (fitness) con dati rumorosi di basso livello (sensori indossabili).”

I ricercatori hanno utilizzato un modello di intelligenza artificiale noto come rete neurale profonda per elaborare ed estrarre informazioni significative dai dati grezzi del sensore e ricavarne previsioni del VO2max. Oltre alle previsioni, i modelli addestrati possono essere utilizzati per l’identificazione di sottopopolazioni particolarmente bisognose di interventi legati al fitness.

I dati di riferimento di 11.059 partecipanti allo studio Fenland sono stati confrontati con i dati di follow-up di sette anni dopo, presi da un sottoinsieme di 2.675 dei partecipanti originali. Un terzo gruppo di 181 partecipanti dello UK Biobank Validation Study è stato sottoposto a test di laboratorio del VO2max per convalidare l’accuratezza dell’algoritmo. Il modello di apprendimento automatico ha mostrato un forte accordo con i punteggi VO2max misurati sia al basale (82% di accordo) che ai test di follow-up (72% di accordo).

“Questo studio è una perfetta dimostrazione di come possiamo sfruttare le competenze in epidemiologia, salute pubblica, apprendimento automatico ed elaborazione dei segnali”, ha affermato il co-autore principale, il dott. Ignacio Perez-Pozuelo.

I ricercatori affermano che i loro risultati dimostrano come i dispositivi indossabili possono misurare con precisione la forma fisica, ma la trasparenza deve essere migliorata se ci si vuole fidare delle misurazioni dei dispositivi indossabili disponibili in commercio.

“In linea di principio è vero che molti fitness monitor e smartwatch forniscono una misurazione del VO2max, ma è molto difficile valutare la validità di tali affermazioni”, ha affermato Brage. “I modelli di solito non vengono pubblicati e gli algoritmi possono cambiare regolarmente, rendendo difficile per le persone determinare se la loro forma fisica è effettivamente migliorata o se viene solo stimata da un algoritmo diverso”.

“Tutto ciò che sul tuo smartwatch è relativo alla salute e al fitness è una stima”, ha affermato Spathis. “Siamo trasparenti sulla nostra modellazione e lo abbiamo fatto su larga scala. Dimostriamo che possiamo ottenere risultati migliori con la combinazione di dati rumorosi e biomarcatori tradizionali. Inoltre, tutti i nostri algoritmi e modelli sono open source e tutti possono utilizzarli”.

“Abbiamo dimostrato che non è necessario un test costoso in un laboratorio per ottenere una misurazione reale della forma fisica: i dispositivi indossabili che utilizziamo ogni giorno possono essere altrettanto potenti, se hanno l’algoritmo giusto dietro di loro”, ha affermato l’autore senior Professoressa Cecilia Mascolo del Dipartimento di Informatica e Tecnologia. “Il cardiofitness è un indicatore di salute così importante, ma fino ad ora non avevamo i mezzi per misurarlo su larga scala. Questi risultati potrebbero avere implicazioni significative per le politiche sanitarie della popolazione, quindi possiamo andare oltre indicatori di salute più deboli come l’indice di massa corporea (BMI).”

La ricerca è stata sostenuta in parte dal Jesus College, Cambridge e dall’Engineering and Physical Sciences Research Council (EPSRC), parte di UK Research and Innovation (UKRI). Cecilia Mascolo è Fellow del Jesus College di Cambridge.

 

 

Di ihal