Article de méthode

M3-BREATHE dans le monde réel : vers une surveillance mobile multimodale du comportement, de la respiration et des expositions pour le traitement et l’évaluation de la santé

205 vues

⸱

DOI :

10.3791/69900

⸱

5 juin 2026

1Institute of Belt and Road & Global Governance, Fudan University

Dans cet article

Résumé

M3-BREATHE est un système de santé mobile (mHealth) qui intègre des capteurs portables pour surveiller la respiration, le comportement et les expositions environnementales afin d’un traitement personnalisé et d’une évaluation de la santé dans le monde réel.

Résumé

L’intégration des technologies de santé mobile (mHealth) pour une surveillance continue et en temps réel des signaux physiologiques et comportementaux, conjointement avec une mesure détaillée des expositions environnementales, détient un potentiel transformateur pour faire progresser une évaluation personnalisée des risques sanitaires et permettre un traitement et une intervention plus efficaces. Dans ce protocole, j’introduis un système de surveillance mobile multimodal spécifiquement conçu pour capturer et intégrer des données sur le comportement individuel (activités quotidiennes et déplacements), la fonction respiratoire, les paramètres physiologiques et les expositions environnementales. Le système combine des appareils de santé mobiles et des capteurs environnementaux portables avec des applications mobiles compatibles GPS pour générer des flux de données synchronisés et haute résolution. Ces données sont traitées via une application de téléphone mobile intelligent en intégrant le calcul de paramètres physiologiques (par exemple, l’intensité de l’activité physique, la fréquence respiratoire) et des données environnementales urbaines externes (par exemple, espaces verts urbains, cartes en vue de rue), après quoi un système d’alerte basé sur l’apprentissage automatique a été déployé pour fournir des informations exploitables sur la santé respiratoire, les activités quotidiennes et les schémas de mobilité, ainsi que l’exposition aux facteurs de risque. Le protocole fournit des directives complètes et détaillées sur la configuration matérielle, la configuration logicielle, les procédures d’acquisition de données et les flux de travail analytiques nécessaires au déploiement du Monitoring Mobile Multimodal du Comportement, de la Respiration et des Expositions (pollution de l’air, bruit, lumière, chaleur, verdure, etc.) pour le traitement et l’évaluation de la santé (M3-BREATHE) dans des expériences cliniques contrôlées et dans des contextes réels. Cette plateforme M3-BREATHE tournée vers l’avenir établit une approche évolutive, non invasive et rentable du suivi longitudinal de la mobilité et de la santé (E-M-H), reliant la santé de précision au niveau individuel dans la vie quotidienne à l’intelligence sanitaire à long terme à l’échelle de la population.

Introduction

Au-delà de l’épidémiologie spatiale traditionnelle qui a principalement mis l’accent sur les associations au niveau de la population et de la région entre environnement et santé, l’accent se déplace désormais vers l’examen des relations et processus individuels et basés surla mobilité 1,2,3,4. Ce changement est motivé par plusieurs problèmes méthodologiques fondamentaux interconnectés, ainsi que par des opportunités émergentes pour des approches plus précises et sensibles au contexte.

Premièrement, le problème de l’unité de surface modifiable (MAUP), qui fait référence au problème où, dans l’analyse de données basées sur une zone ou une surface, les résultats peuvent être influencés par la définition des unités d’aire pour lesquelles les données sontrapportées 5,6. Cela s’applique à deux problèmes distincts, mais interconnectés, liés à l’analyse des données spatiales. Le premier est le « problème d’échelle », où le même ensemble de données superficielles est agrégé en plusieurs ensembles d’unités superficielles plus importantes, chaque combinaison conduisant à des valeurs de données et des inférences différentes. Le second aspect de la MAUP est le « problème de zonage », où un ensemble donné d’unités superficielles est recombiné en zones de même taille mais situées différemment, ce qui entraîne à nouveau des variations dans les valeurs des données et, par conséquent, des conclusions différentes 7,8. Afin de répondre aux questions sur la contribution de l’étude à l’avancement de nouvelles connaissances en utilisant des données basées sur des zones ou des zones, deux méthodes sont discutées sans relâche afin de minimiser l’impact de la MAUP. L’une est la maximisation de l’homogénéité dans l’aire de l’aire. Le choix de l’unité d’étude superficielle appropriée minimisera l’erreur de mesure de l’exposition environnementale et de la mauvaise classification de l’exposition non différentielle lors de l’estimation de l’effet contextuel surla santé 9,10,11. Cependant, l’hétérogénéité de l’exposition à la pollution atmosphérique au sein des unités spatiales peut encore entraîner des erreurs. Ainsi, une autre méthode évolue vers des formes indépendantes du cadre de représentation et d’analyse des donnéesspatiales 12,13. Dépassant la compréhension conventionnelle basée sur les zones des contextes, les mesures individuelles prennent en compte l’homogénéité des attributs et la contiguïté spatiale des facteurs contextuels et peuvent offrir une mesure analytique robuste, indépendante ou invariante de l’échelle lors de l’examen des effets des expositions environnementales surla santé 14,15,16.

Deuxièmement, le problème du contexte géographique incertain (UGCoP), qui fait référence au problème selon lequel les résultats sur les effets des variables contextuelles basées sur la surface sur les comportements ou résultats individuels peuvent être influencés par la délimitation géographique des unités contextuelles (par exemple, les quartiers) et par la mesure dans laquelle ces unités superficielles s’écartent du véritable contextegéographique 17,18. Un exemple typique est l’évaluation de l’exposition des individus à la pollution de l’air qui peut être erronée en utilisant des lieux résidentiels pour des personnes qui passent beaucoup de temps hors de chez elles pour le travail, les loisirs, etc., ce qui est loin du contexte géographique « réellement pertinent causalement» 18,19. Pour atténuer les incertitudes contextuelles qui influencent l’évaluation précise des expositions environnementales des personnes et de leurs effets sur la santé, il est nécessaire d’adopter une mesure basée sur la mobilité qui dépasse les notions d’influences contextuelles reposant sur l’utilisation de lieux fixes spécifiques (par exemple, lieu résidentiel, lieu de travail)16,20. Comme la négligence de la variabilité spatio-temporelle de la pollution de l’air et de la mobilité humaine pourrait entraîner d’importantes erreurs dans les estimations d’expositionindividuelles 21, 22, 23, 24 ainsi que dans l’évaluation de la justice environnementale25, 26, il est essentiel de collecter des données espace-temps à haute résolution basées sur la mobilité afin de comprendre l’association entre les expositions environnementales et les résultats sanitaires. Un autre défi réside dans le décalage spatial entre les ensembles de données environnementales et les mesures biométriques individuelles collectées au capteur porté par le corps. Alors que les images de vue de rue permettent une caractérisation fine de l’environnement à l’échelle visuelle humaine, et que les indices de végétation dérivés des satellites (par exemple, NDVI) offrent une couverture plus large à des résolutions plus grossières (10–250 m), les deux nécessitent des stratégies d’alignement spatial explicites reliant les trajectoires de mobilité aux expositions environnementales aux endroits précis où les données physiologiques et comportementales sont enregistrées. Traiter cette incongruité d’échelle nécessite des stratégies d’alignement spatial explicites qui relient les trajectoires de mobilité aux expositions environnementales aux endroits précis où les données physiologiques et comportementales sont enregistrées.

En réponse aux défis posés par le MAUP et l’UGCoP, des chercheurs de plusieurs disciplines liées à la santé environnementale participent de plus en plus à des études sur les processus comportementaux entre expositions environnementales et résultats de santé, en s’orientant vers des cadres basés sur la mobilité auniveau individuel 1,27,28,29 . Avec l’intérêt croissant pour le lien environnement-mobilité-santé (E-M-H), la littérature existante s’est principalement concentrée soit sur le domaine antécédent (environnement-mobilité) 17,30,31,32, soit sur le domaine conséquent (mobilité-santé) 33,34,35 , tandis que les études intégratives couvrant les trois domaines restent limitées. Néanmoins, les activités quotidiennes et les déplacements des individus ont significativement influencé les effets dose-réponse des expositions environnementales sur les résultats de santé. Le lieu, le moment et la manière dont les individus projettent, planifient et mènent leurs activités sur une période de 24 heures est étroitement lié à leur exposition aux risques environnementaux et aux conséquences sanitairesqui en découlent 17, 18, 36. De plus, un autre manque critique réside dans le fait que peu d’études fournissent un cadre analytique exploitable reliant le suivi en temps réel et le suivi longitudinal des résultats de santé, limitant la capacité à générer des preuves solides et exploitables pour le traitement et les interventions. Cela dit, combler ces lacunes améliore non seulement la précision des évaluations environnementales-santé, mais met aussi en lumière le rôle médiateur des activités quotidiennes et des déplacements ainsi que les processus comportementaux sous-jacents dans le complexe nexusE-M-H 37, fournissant ainsi une justification solide pour un traitement personnalisé et une intervention adaptés à la mobilité, visant à atténuer les risques d’exposition et à promouvoir les résultats de santé.

L’essor des technologies mobiles etportables 38,39, en particulier les appareils de santé mobile (mHealth) 40,41,42 et les capteurs environnementaux portables 43,44,45, a permis de nouvelles approches pour surveiller de manière synchrone le comportement des individus, les expositions environnementales et les métriques physiologiques. Grâce à l’intégration avec des applications mobiles, les participants peuvent documenter leur état de santé, leurs antécédents médicaux (par exemple, maladies respiratoires et cardiovasculaires), leur expérience physiologique subjective et la perception des risques environnementaux, permettant une évaluation et des avertissements des risques plus précis et personnalisés grâce à des approches basées sur l’apprentissage automatique ou les règles. Ici, je présente la Surveillance Multimodale Mobile du Comportement Réel, de la Respiration et des Expositions (pollution de l’air, bruit, lumière, chaleur, verdure, etc.) pour le traitement et l’évaluation de la santé (M3-BREATHE). Le protocole de bout en bout fournit des conseils complets sur la configuration matérielle, la configuration logicielle, les procédures d’acquisition de données et les flux de travail analytiques nécessaires au déploiement du M3-BREATHE. Ce protocole convient aux chercheurs en santé environnementale, géographie des transports et médecine personnalisée menant des expériences cliniques contrôlées (surveillance à court terme et haute fidélité) ou des études longitudinales réelles (surveillance à long terme non intrusive), mais il n’est pas recommandé pour les études nécessitant des mesures respiratoires ultra-précises en laboratoire (par exemple, tests invasifs de la fonction pulmonaire).

Protocole

La conduite de ce protocole à des fins de recherche, que ce soit dans des expériences cliniques contrôlées ou dans des contextes réels, doit être réalisée avec une approbation préalable et conformément aux directives du comité d’éthique de la recherche humaine institutionnelle des chercheurs. Le consentement éclairé doit être obtenu du participant avant le début de l’enquête. L’enquête empirique pour cet article suit les directives du Comité d’éthique de la recherche humaine de l’Université de Pékin. Toute recherche basée sur les participants utilisant ce protocole doit obtenir une approbation éthique préalable du comité d’éthique de la recherche institutionnelle de l’investigateur. Tous les participants doivent fournir un consentement éclairé écrit avant toute procédure de collecte de données. Les réglages d’équipement recommandés sont listés dans le tableau des matériaux.

1. Installation d’appareils mobiles portables de santé

  1. Installation de capteurs respiratoires portés sur la poitrine
    1. Demandez au participant d’enfiler le t-shirt intégré par capteur ou la ceinture pectorale directement contre sa peau, sous ses vêtements, afin d’assurer un contact cutané optimal pour l’acquisition du signal électrophysiologique.
    2. Ajustez la taille du t-shirt ou de la bretelle pour qu’elle soit ajustée et confortable, afin de ne pas gêner la respiration ou le mouvement naturels. Un ajustement correct est confirmé lorsque le capteur maintient un contact stable avec la peau et ne glisse pas ou ne bouge pas de manière notable lors d’une inspiration profonde.
    3. Assurez-vous que le capteur est entièrement chargé et bien associé au smartphone via Bluetooth pour faciliter la surveillance et l’enregistrement en temps réel de la fréquence respiratoire (en respirations par minute, respirations/min), du volume de marée (en millilitres, mL) et de la fréquence cardiaque (en battements par minute, BPM). Confirmez que l’horloge de l’appareil est synchronisée avec l’heure système du smartphone afin de permettre un alignement temporel précis à travers les flux de données multimodaux.
      REMARQUE : La fréquence respiratoire et la fréquence cardiaque peuvent également être déterminées à l’aide de bracelets portables, notamment pour la surveillance à long terme (voir étape 1.2). La fréquence respiratoire est calculée indirectement en fonction des variations induites par la respiration des signaux de photopléthysmographie (PPG) ou de variabilité de la fréquence cardiaque (VFC) (voir étape 5.2). Cette approche alternative peut aider à réduire l’inconfort et la charge des participants liés à l’utilisation prolongée d’un capteur respiratoire porté sur la poitrine.
  2. Configuration de bracelet intelligent
    1. Choisissez le poignet non dominant comme site principal de placement de l’appareil, et sécurisez fermement le bracelet sur le poignet, proximal au processus styloïde ulnaire.
    2. Ajustez la sangle pour assurer un contact optimal entre capteur et peau (photopléthysmographie (PPG) sans compromettre la circulation périphérique. L’ajustement est correct lorsque la sangle est serrée mais permet l’insertion d’un bout de doigt.
    3. Ouvrez l’application complémentaire sur le smartphone et assurez-vous que l’appareil est connecté correctement via Bluetooth.
    4. Accédez à l’affichage en temps réel dans l’application et confirmez que les paramètres de l’application sont configurés pour une surveillance continue de tous les paramètres souhaités, y compris : les indicateurs cardiovasculaires tels que la fréquence cardiaque (fréquence cardiaque, unités : battements par minute, BPM), la variabilité de la fréquence cardiaque (HRV, unités : millisecondes, ms), la pression artérielle (TA, unités : millimètres de mercure, mmHg) et l’électrocardiogramme (ECG, unités : millivolts, mV) ; des mesures respiratoires et métaboliques telles que la fréquence respiratoire estimée algorithmiquement (RR, unités : respirations par minute, respirations/min), la saturation en oxygène sanguin (SpO₂, unités : pourcentage, %), et les équivalents métaboliques (MET, ratio) ; température périphérique de la peau (unités : degrés Celsius, °C) ; données de mouvement de l’accéléromètre (ACC, unités : accélération gravitationnelle, g).
      REMARQUE : Le capteur PPG à l’arrière de l’appareil doit maintenir un contact constant et à la peau en pleine tenue. Resserrez la sangle si elle se desserre avec le temps.

2. Installation des capteurs environnementaux

  1. Connectez les dispositifs de détection environnementale à la batterie externe portable (capacité de 10 000 mAh) à l’aide de câbles USB appropriés pour assurer un fonctionnement 24h/24. Assurez-vous que toutes les connexions sont stables et que les câbles sont soigneusement rangés pour éviter toute déconnexion accidentelle lors du mouvement.
  2. Placez le moniteur multi-polluants atmosphériques (mesurant les particules PM2,5 et PM10 en μg/m 3, le monoxyde de carbone CO en ppm, le dioxyde d’azote NO2, le dioxyde de soufre SO₂ et les composés organiques volatils COV en ppb), le capteur de bruit (en décibels, dB) et le capteur de température (en degrés Celsius, °C) dans la poche côté résille du sac à dos du participant. Fixez le détecteur d’exposition lumineuse (illuminance, en lux, lx ; Circadian Light A, CLA, 0-1) fermement placé sur le côté frontal de la sangle d’épaule du sac à dos, le positionnant pour qu’il fasse face à l’avant/vers l’extérieur sans obstruction.
  3. Demandez au participant de porter le sac à dos avec ses activités quotidiennes et de voyager pendant 24 heures, et de recharger la batterie externe chaque nuit. Fournissez un numéro de contact pour tout problème.
  4. Confirmez que tous les capteurs sont allumés et qu’ils ont réussi à établir un flux de données en temps réel, enregistrant et transmettant les données à l’application smartphone compagnonne.
    REMARQUE : Tous les capteurs doivent être calibrés strictement selon les spécifications de leurs fabricants respectifs avant d’être remis aux participants. Il est recommandé de subir un test d’étalonnage de collocation avec un instrument de référence de qualité recherche pendant deux semaines sur un site représentatif afin d’obtenir des facteurs de correction spécifiques aux capteurs. La procédure de collocation consiste à placer le capteur à faible coût adjacent à l’instrument de référence (à moins de 1 m, à la même hauteur), en faisant fonctionner les deux simultanément pendant au moins 14 jours afin de capturer une gamme de conditions environnementales. Les données appariées sont ensuite utilisées pour dériver des modèles de correction linéaires ou non linéaires (par exemple, Ccorrigé = (Cbrut - b)/a) via analyse de régression. Pour les capteurs sans accès aux instruments de référence, il est recommandé de zéro calibration avec de l’air propre filtré par HEPA afin de corriger la dérive de base. Une période de stabilisation de 10 à 15 minutes dans des conditions d’air propre est requise avant d’enregistrer les valeurs de référence. Avant chaque déploiement, une vérification de vérification avant le déploiement doit être effectuée pour confirmer la réactivité des capteurs et la stabilité de la transmission des données. Lors de la collecte des données, des journaux quotidiens d’assurance qualité (QA) doivent être tenus pour documenter toute anomalie, dérive des capteurs ou interruption de connectivité. Les capteurs de température et d’humidité relative (HR, unités : pourcentage, %) sont généralement intégrés comme composants dans les dispositifs de détection de la pollution atmosphérique. L’exposition continue au bruit peut également être mesurée à l’aide du microphone intégré du smartphone via l’application dédiée. L’exposition à la lumière et à la chaleur collectée avec le bracelet intelligent et le téléphone portable ne sont pas recommandées, en raison de leur forte susceptibilité aux obstructions et à des facteurs de confusion tels que les vêtements et le placement. Pour une étude ou une pratique longitudinale, un dispositif modulaire intégré de petite taille pour la surveillance multi-polluants est recommandé.

3. Configuration des applications pour smartphone

  1. Installez l’application mobile M3-BREATHE (développée sur mesure pour Android/iOS) sur le smartphone du participant.
  2. Activez la synchronisation GPS, Bluetooth et données en arrière-plan.
  3. Configurez l’application pour enregistrer les données de localisation GPS à intervalles d'1 minute et synchroniser les données des capteurs toutes les 5 minutes.
  4. Réglez la fréquence d’échantillonnage des données à 1 Hz (c’est-à-dire un échantillon par seconde) pour chaque appareil connecté (moniteurs physiologiques portables et capteurs environnementaux portables) afin d’assurer une capture de données à haute résolution temporelle.
  5. Confirmez que tous les paramètres sont enregistrés avant de lancer l’enregistrement des données.
    REMARQUE : Il est recommandé d’effectuer un enregistrement de test bref (par exemple, de 5 minutes) après la configuration. Examinez le fichier de données du test pour confirmer que tous les flux de données attendus (coordonnées GPS, VFC, ECG, pollution de l’air, bruit, etc.) sont enregistrés, correctement horodatés et contiennent des valeurs plausibles avant de commencer la période complète de l’étude. Il convient de noter que l’exposition à la verdure est mesurée indirectement en intégrant des données de trajectoire GPS à haute résolution spatiotemporelle avec des ensembles de données géographiques tels qu’OpenStreetMap ou des indices de végétation dérivés par satellite (par exemple, NDVI pour la couverture végétale). Pour résoudre le décalage d’échelle spatiale entre les couches environnementales à résolution grossière (par exemple, NDVI à 10–250 m) et les mesures biométriques individuelles, le protocole attribue des valeurs d’exposition environnementale à chaque point GPS en fonction des méthodes d’extraction du plus proche voisin ou de la moyenne tampon, assurant un alignement spatial au lieu et au moment de chaque mesure physiologique.

4. Procédures d’acquisition de données

  1. Intégration des participants
    1. Recrutez les participants en utilisant une méthode d’échantillonnage stratifiée pour garantir la représentativité de la population cible.
    2. Fournir aux participants des supports d’orientation complets, incluant une fiche d’instructions détaillée, un manuel et, de préférence, une vidéo d’instructions, sur les procédures de port et d’utilisation des capteurs ainsi que sur l’utilisation de l’application smartphone associée.
    3. Réaliser une enquête de santé de référence dans l’application pour collecter des données démographiques (par exemple, sexe, âge, taille, poids, état civil), antécédents médicaux (par exemple, maladies non transmissibles, MNT), état respiratoire (par exemple, paquets-années de tabagisme, toux chronique ou dyspnée) et d’autres informations de santé auto-déclarées (par exemple, santé physique et mentale générale, consommation d’alcool, habitudes alimentaires, niveaux d’activité physique, qualité du sommeil).
      REMARQUE : Recommande d’instruments standardisés pour la collecte d’informations de santé auto-déclarées, notamment l’enquête en format court en 12 items (SF-12) pour la santégénérale 46, le test d’identification des troubles liés à l’usage d’alcool pour la consommation (AUDIT-C)47, le questionnaire international d’activité physique (formulaire abrégé IPAQ-SF)48, et l’indice de qualité du sommeil de Pittsburgh (PSQI)49. Sinon, des échelles Likert de 7 items peuvent être utilisées pour des raisons de commodité.
  2. Routine de surveillance quotidienne
    1. Instruire le participant à porter les capteurs physiologiques mobiles de santé et à porter les dispositifs portables de surveillance environnementale (sac à dos avec poche résillet) pendant une période continue de 24 heures. Pendant le sommeil, les capteurs environnementaux doivent être placés dans la chambre pour maintenir l’évaluation de l’exposition, avec une attention particulière portée au capteur de lumière.
    2. Rappelez au participant de recharger la batterie externe chaque soir et de la maintenir connectée aux capteurs environnementaux pour maintenir un fonctionnement et des données ininterrompus.
    3. Le flux de données sera suivi soit par des contrôles manuels par l’équipe de recherche toutes les 4 heures, soit, de préférence, par une alerte automatisée du système backend de l’application, déclenchée après 30 minutes d’interruption de synchronisation des données. En cas de déconnexion de plus de 30 minutes, le participant sera contacté pour résoudre le problème.
    4. Encouragez le participant à remplir chaque soir un questionnaire de journal de voyage d’activités dans l’application (un modèle est fourni dans le Tableau 1), afin d’améliorer la précision de la contextualisation quotidienne de l’activité et de la mobilité afin d’offrir un traitement et une intervention plus efficaces et ciblés. Un rappel automatisé (application/SMS) est envoyé chaque soir à 20h pour favoriser une conformité cohérente.
      REMARQUE : Une interface interactive, dotée d’une carte pour la visualisation des trajectoires (avec horodatage), peut être déployée grâce à l’identification des activités et des trajets basée sur l’apprentissage automatique à partir de données GPS. Idéalement, des conseils ou des rappels peuvent être envoyés automatiquement via l’application au participant pour enregistrer une activité ou un voyage, proche de la prochaine activité/épisode de voyage, afin de réduire le biais de rappel en fin de journée. Une dernière révision avant le coucher est recommandée pour consolider le dossier quotidien. De plus, l’évaluation écologique momentanée (EMA) peut être utilisée pour capturer des expériences subjectives (par exemple, essoufflement, fatigue, perceptions de la pollution environnementale) trois fois par jour (par exemple, 8h, 12h et 16h) via des notifications push.
  3. Synchronisation des données et sauvegarde
    1. Toutes les données collectées en temps réel et des journaux de voyage d’activité sont automatiquement synchronisées sur un serveur cloud sécurisé et chiffré via Wi-Fi ou réseau cellulaire. La base de données cloud est configurée avec des sauvegardes automatisées régulières pour éviter la perte de données.
    2. Toutes les données sont d’abord stockées dans la mémoire interne du smartphone. Les données synchronisées sont automatiquement effacées de l’appareil chaque jour après vérification réussie par le serveur cloud.
    3. Toutes les données sont anonymisées au moment de la collecte et stockées en toute sécurité sur des serveurs institutionnels. Le stockage, la transmission et l’élimination des données sont gérés en stricte conformité avec les politiques de sécurité et de confidentialité des données de l’institution hôte.
      Le résumé des données et la source sont fournis dans le tableau 2.
ParticipantIDDateStartTimeEndTimeActivité(A)/Voyage(T)Type d’activité/mode de trajet
113/08/20250:007:00ADors
113/08/20257:007:30APetit-déjeuner
113/08/20257:308:00TTransports en commun
113/08/20258:0011:30AŒuvre
113/08/202511:3011:45TMarche
113/08/202511:4512:45ADéjeuner
113/08/202512:4513:00TMarche
113/08/202513:0017:00AŒuvre
113/08/202517:0017:15TVélo
113/08/202517:1518:00ACuisine
113/08/202518:0019:00ADîner
113/08/202519:0021:00ALoisirs
113/08/202521:0021:30ABath
113/08/202521:3023:59ADors
114/08/20250:006:30ADors
114/08/2025…………

Tableau 1 : Modèle de journal de voyage d’activité pour la surveillance M3-BREATHE. Le tableau illustre comment les données comportementales sont enregistrées et organisées pour être intégrées aux analyses d’exposition et de santé.

Appareils mobiles portables de santéApplication pour smartphoneCapteurs environnementaux portables
Fréquence respiratoire (RR)Coordonnées GPSParticules fines (PM2.5, PM10)
Tidal Volume (TV)Journal de voyage d’activitésMonoxyde de carbone (CO)
Fréquence cardiaque (FC)Évaluation écologique momentanée (EMA)Dioxyde d’azote (NO2)
Variabilité de la fréquence cardiaque (VFC)Informations de base sur la santéDioxyde de soufre (SO₂)
Électrocardiogramme (ECG)Âge, sexe, etc.Composés organiques volatils (COV)
Tension artérielle (TA)Indice de masse corporelle (IMC)Bruit (N)
Saturation en oxygène sanguin (SpO₂)Statut socio-économique (SES)Température (T)
Équivalents métaboliques (MET)Historique médicalHumidité relative (HR)
Température de la peau (ST)État de santé respiratoireIlluminance (lx)
Accéléromètre (ACC)Informations de santé auto-déclaréesLumière circadienne A (CLA)

Tableau 2 : Résumé des données et source des appareils. Le tableau liste les indicateurs clés (par exemple, fréquence cardiaque, fréquence respiratoire, particules particulaires, température) ainsi que leurs modalités de mesure correspondantes.

5. Traitement et analyse des données

  1. Étalonnage des dispositifs et assurance qualité
    Avant leur déploiement, tous les dispositifs subiront des contrôles d’étalonnage de base selon les spécifications du fabricant. Pour les capteurs environnementaux (par exemple, les moniteurs PM2.5 ), cela peut inclure un calibrage zéro ou une comparaison avec des instruments de référence lorsque disponible. Lors du traitement des données, des procédures d’assurance qualité et de contrôle qualité (QA/QC) seront appliquées à la fois aux flux de données environnementaux et biométriques. Toutes les étapes de l’assurance qualité/contrôle qualité seront documentées afin d’assurer la transparence et la reproductibilité.
    1. Des contrôles de la portée pour éliminer des valeurs physiologiquement ou physiquement invraisemblables (par exemple, fréquence cardiaque extrême ou concentrations de polluants).
    2. Détection et exclusion des artefacts de signaux (par exemple, le bruit lié au mouvement dans les données portables). Lissage ou filtrage des procédures (par exemple, moyennes mobiles) lorsque cela est approprié.
    3. Identification et gestion des segments de données manquants ou clairsemés.
  2. Prétraitement
    1. Les données brutes des capteurs sont nettoyées (la dérive GPS est corrigée via le filtre de Kalman) et synchronisées avec les journaux d’activité et de voyage à l’aide de l’approche d’alignement temporel multimodal via des logiciels de prétraitement basés sur Python (par exemple, Pandas, GeoPandas, Tsfresh, Pyo3). Toutes les données traitées sont ensuite intégrées à la base de données M3-BREATHE.
    2. Pour garantir l’alignement temporel entre les expositions environnementales et les mesures biométriques, synchronisez tous les flux de données dans un cadre unifié d’horodatage. Standardisez les horloges des appareils avant le déploiement en utilisant des protocoles d’heure basés sur le réseau. Lors du traitement des données, alignez les horodatages de différents appareils à un temps de référence commun (par exemple, UTC), et corrigez la dérive d’horloge en utilisant une interpolation linéaire ou un ajustement du décalage temporel.
    3. Agréger les données à haute fréquence (par exemple, la fréquence cardiaque dérivée des appareils portables) pour correspondre à la résolution des mesures environnementales ou ajuster les données environnementales pour correspondre aux données à haute fréquence, selon l’objectif de l’analyse. Gérer les horodatages manquants ou les intervalles d’échantillonnage irréguliers en appliquant une interpolation ou en excluant les données selon des critères de qualité prédéfinis.
    4. Traiter les données GPS en parallèle avec des ensembles de données géographiques externes caractérisant les environnements bâtis et naturels afin de contextualiser les expositions individuelles. Calculez l’exposition à la verdure en intégrant les enregistrements GPS avec les données OpenStreetMap et les indices de végétation dérivés des satellites (par exemple, NDVI). Résoudre les disparités d’échelle entre les trajectoires GPS à haute fréquence et les couches environnementales satellites de résolution plus faible en appliquant des méthodes d’alignement spatial basées sur le voisin le plus proche ou le tampon.
    5. Pour chaque point GPS, attribuez la valeur d’exposition environnementale correspondante à partir du pixel qui se croise ou le plus proche, ou calculez une moyenne pondérée des pixels dans un rayon tampon défini (par exemple, 10 m, 30 m) qui reflète l’incertitude spatiale GPS typique. Veillez à ce que les expositions environnementales soient attribuées à une résolution spatiotemporelle compatible avec les données physiologiques et comportementales collectées simultanément.
  3. Extraction de caractéristiques
    1. Résumez les données de surveillance environnementale et mobile de la santé à l’aide de métriques clés, notamment les mesures de tendance centrale (moyenne, médiane, moyenne pondérée), les valeurs extrêmes (maximum, minimum, percentiles), la variabilité (écart-type, variance, coefficient de variation, intervalle interquartile) et les schémas temporels (fréquence de pic, durée au-dessus du seuil, taux de changement, variation diurne, hebdomadaire ou saisonnière).
    2. Calculez l’exposition cumulative aux polluants atmosphériques à l’aide des indicateurs d’exposition totale (concentration moyenne et dose inhalée) et de la surface sous la courbe (AUC). Calculez la dose de polluant inhalée (D) sur une durée d’exposition (t) en utilisant la relation ci-dessous.
      figure-protocol-1
      avec une ventilation minutieuse définie comme suit :
      figure-protocol-2
      où C est la concentration de polluants dans l’air inhalé (μg/m 3, ppb ou ppm, selon la convention d’unité) ; figure-protocol-3 est la ventilation minime, c’est-à-dire le volume total d’air inhalé par minute (L/min) ; RR est la fréquence respiratoire (respirations/min) ; VT est le volume de marée, le volume d’air inhalé par respiration (L/respiration) ; et t est la durée d’exposition (min).
      Notez que la dose D est calculée en μg, à condition que figure-protocol-4 soit convertie en m3/min (c’est-à-dire divisée par 1000) pour maintenir la cohérence unitaire.
    3. Étant donné que les capteurs respiratoires portés sur la poitrine sont généralement coûteux et contraignants à porter en continu pendant de longues périodes dans des contextes réels, comparés à des durées de surveillance de plusieurs heures à quelques jours dans des expériences cliniques contrôlées, il faut évaluer la fréquence respiratoire à l’aide des données d’accéléromètre et de gyroscope obtenues grâce au bracelet intelligent en appliquant des algorithmes d’apprentissageautomatique 50,51. Pour améliorer la précision de l’évaluation, un modèle de forêt aléatoire agit généralement comme un filtre, rejetant les données qui aboutissent à une lecture inexacte de la fréquence respiratoire, après quoi un modèle de réseau de neurones convolutionnel (CNN) peut être utilisé pour extraire la fréquencerespiratoire 52,53.
    4. Extraire les caractéristiques comportementales des données GPS, des journaux d’activités de voyage basés sur smartphone et des données de mouvement des accéléromètres de bracelets. Générez un ensemble d’indicateurs comportementaux individuels pour analyser les associations entre exposition environnementale, comportement et résultats de santé. Le tableau 3 résume les profils à plusieurs échelles dans les domaines comportemental, d’exposition environnementale et de santé.
      REMARQUE : Les flèches illustrent l’alignement séquentiel des profils selon les domaines comportementaux, d’exposition environnementale et de santé.
  4. Analyse des données
    1. Analyses descriptives et exploratoires
      1. Réaliser des statistiques descriptives initiales pour caractériser la distribution, la tendance centrale et la variabilité de toutes les variables.
      2. Effectuer des analyses de corrélation et des tests du facteur d’inflation de variance (VIF).
      3. Visualisez les données d’exposition et de santé à l’aide de séries temporelles, de diagrammes de boîtes et de cartes thermiques géospatiales.
    2. Associations aiguës et retards temporels
      1. Utilisez des modèles de latence distribuée (DLM).
      2. Classez les données d’exposition dans des blocs de temps.
      3. Réalisez des analyses de sensibilité.
      4. Appliquer des méthodes de séries temporelles (ARIMA, VAR).
    3. Associations chroniques et expositions cumulatives
      1. Indicateurs d’exposition globale.
      2. Lien entre l’exposition à des évaluations de santé répétées.
      3. Utilisez des modèles de régression à effets mixtes.
      4. Appliquez l’analyse longitudinale ou de survie.
        REMARQUE : Il est nécessaire de considérer des stratégies de fenêtre temporelle. Le tableau 4 compare différentes options de fenêtres temporelles.
    4. Analyses de médiation comportementale et de modération
      1. Explorez la médiation en utilisant le MEB ou l’analyse causale.
      2. Examinez les effets de la modération.
    5. Fonctions d’exposition-réponse et courbes dose-réponse
      1. Quantifiez les relations exposition-réponse.
      2. Estimer les fonctions de dose-réponse inhalées.
      3. Étudiez les associations non linéaires.
    6. Analyses longitudinales et du parcours de vie
      1. Évaluez les effets chroniques.
      2. Explorez les trajectoires de la vie.
    7. Traitement et intervention personnalisés
      1. Construisez des profils personnalisés.
      2. Identifiez les épisodes à haut risque.
      3. Recommandez des évaluations médicales.
    8. Intelligence de la santé des populations
      1. Générez des cartes d’exposition.
      2. Analysez les tendances comportementales.
      3. Évaluer les inégalités de santé.
      4. Utilisez des modèles d’apprentissage automatique.
Domaine comportementalDomaine d’exposition environnementaleDomaine de la santé
Caractéristiques transitoires/momentanéesProfils d’exposition instantanésProfils de santé à court terme
Magnitude vectorielle de l’accéléromètreExposition en temps réelRéponses au stress cardiorespiratoire
Intensité d’activité instantanéeExposition aiguëChangements aigus de la FC, de la tension bipolare, de la VFC, de la SpO₂, etc.
Caractéristiques au niveau épisode/combatProfils d’exposition au niveau des épisodesÉvénements arythmiques ECG
Heure de début, heure de fin, duréeConcentration moyenne de polluantsSymptômes respiratoires et fonction
Type d’activitéDose d’exposition cumulative aux polluantsFluctuations de débit de ventilation spécifiques à chaque épisode
Type de localisationExposition maximaleToux et essoufflement auto-déclarés
Intérieur/extérieurExposition basée sur le percentileÉtats psychologiques et de bien-être
Mode de transportVariabilité de l’expositionHumeur EMA, stress, fatigue, etc.
Distance du trajetDurée d’exposition au-dessus du seuilStress cognitif et affectif au niveau des épisodes
Vitesse moyenne de trajetExposition à l’AUCCharges d’exposition aiguë
Objectif du voyageExposition en intérieur vs. extérieurProfils de santé à moyen terme
Intensité de l’activité physiqueExposition au microenvironnement des transportsMarqueurs cardiovasculaires subcliniques
Schéma respiratoireExposition au travail/maison/loisirsAugmentation soutenue de la fréquence cardiaque ou de la pression artérielle au repos
Fonctionnalités inter-segments et au niveau quotidienProfils d’exposition au niveau quotidienScores précoces de risque d’hypertension
Pauses sédentaires et transitions entre les états d’activitéExposition moyenne quotidienneTendances en santé respiratoire
Transitions entre environnements intérieurs et extérieursDose d’exposition cumulative quotidienneFréquence des épisodes de symptômes respiratoires
Transitions entre microenvironnements de transportExposition maximale quotidienneDéclin de la fonction pulmonaire (RR, SpO₂, etc.)
Chaînes de voyages d’activitésFréquence/durée des pics quotidiensStatut métabolique et d’activité physique
Complexité des activités/visitesExposition minimale quotidienneMET-min/semaine cumulé
Chaîne de déplacements d’activitésExposition quotidienne au percentileDistribution de l’intensité de l’activité
Structure d’utilisation du tempsDurée d’exposition quotidienne au-dessus du seuilSanté du sommeil et de la récupération
Espace d’activité, rayon de rotation, entropie spatialeExposition quotidienne à l’AUCPersistance de la fatigue au-delà de la variation quotidienne
Direction générale du voyageVariabilité de l’exposition quotidienneSanté mentale et bien-être
Temps en activité physique modérée à vigoureuse (MVPA)Pente d’exposition quotidienne (taux de changement)Réactivité au stress, scores d’anxiété, etc.
Rythme circadienRatio quotidien de pic/moyenneRisques d’exposition cumulatifs
Schémas habituels de routineProfils d’exposition longitudinaleConcentration et dose moyenne de polluants
Activités quotidiennes de routine - schémas de déplacementExposition moyenne à long termeProfils de santé à long terme
Variabilité des schémas quotidiens d’activité et de déplacementDose d’exposition cumulative à long termeRisque et progression des maladies cardiovasculaires
Chronotype du rythme circadienExposition maximaleRésultats respiratoires et pulmonaires
Divergences du rythme circadien du week-end/jour de la semaineFréquence/durée des événements de pointeConséquences métaboliques et liées à l’obésité
Régularité de la mobilité (trajectoire, trajet, mode, etc.)Exposition basée sur le percentileRésultats en santé mentale
Tendances à long terme de l’activité physiqueTemps au-dessus du seuilSanté systémique et vieillissement biologique
Cycles de comportement sédentaire et actifExposition à l’AUCRésultats fonctionnels et de qualité de vie
Calendrier et régularité alimentairesVariabilité quotidienne/hebdomadaire/mensuelle/saisonnièreTrajectoires de santé au cours de la vie
Comportement adaptatif sous des extrêmes environnementauxExploitation minière par séries temporelles d’expositionIntelligence de la santé des populations

Tableau 3 : Profils de données multi-échelle de M3-BREATHE. Le tableau met en lumière la façon dont les indicateurs comportementaux se rapportent aux résultats de santé à court, moyen et long terme.

FenêtreCas d’utilisationApproche de modélisationAvantagesInconvénients
1 heureEffets très aigusInclure la moyenne mobile 1-h comme covariable dans le LME ou les séries temporelles ; ou utiliser DLNM avec des délais horairesCapture des sommets immédiats ; dilution minimaleBruit fort ; nécessite des données haute résolution ; Compréhension chronique limitée
24 heures sur 24Quotidien (à court terme)Moyenne mobile 24 heures sur 24 en modèle mixte ; DLNM ou DLM avec des délais d’un jourRéduit le bruit ; En accord avec les indicateurs réglementairesPourrait lisser les événements de pointe
7 joursHebdomadaire (subaigu)covarie moyenne sur 7 jours ; DLM avec des délais allant jusqu’à 7 joursCapture l’exposition accumulée à court termeFloute la variabilité quotidienne ; lissage modéré
30 joursMensuel (moyen terme)Moyenne de 30 jours ; DLNM avec structure de décalage mensuelReflète la charge d’exposition récente ; Plus lisseManque les pics quotidiens ; suppose une cumulation linéaire
90 joursSaisonnier (à long terme)Délai moyen de 90 jours ou réparti sur ~90 joursCapture la tendance saisonnièreTrop lisse ; confusion avec les facteurs saisonniers
365 joursAnnuel (à long terme)Moyenne sur un an en LME ou modèle CoxUtile pour le risque chronique ; Contrôles pour la saisonIgnore la variation aiguë ; déconcertée par les tendances du vieillissement

Tableau 4 : Stratégies de fenêtre temporelle et approches analytiques. Résumé des stratégies de fenêtres temporelles et des approches analytiques correspondantes utilisées pour évaluer les expositions environnementales à différentes échelles temporelles, en mettant en lumière leur applicabilité, leurs forces et leurs limites.

Résultats

Les résultats représentatifs suivants proviennent d’une étude pilote qui a intégré des capteurs portables de pollution de l’air, des journaux d’activité-voyage et de bien-être subjectif (SWB) auto-déclaré au niveau des épisodes. Les participants devaient porter des capteurs portables de pollution de l’air pendant leurs activités quotidiennes et leurs déplacements pendant une période continue de 48 heures (du vendredi au samedi ou du dimanche au lundi) et à remplir des journaux d’activités et de voyage accompagnés. Les données d’un total de 112 participants valides, de décembre 2017 à février 2018, dans la communauté résidentielle de Meiheyuan, à Pékin, ont été incluses dans l’analyse. Cette analyse préliminaire se concentre sur les interrelations entre l’exposition à la PM2.5 (domaine environnemental), les activités quotidiennes (domaine comportemental) et la SWB cognitive (domaine de la santé). Bien que ce projet pilote ne valide pas encore l’ensemble du pipeline M3-BREATHE, en particulier l’intégration des signaux physiologiques (par exemple, HRV, fréquence respiratoire) et des alertes d’exposition en temps réel, il constitue un exemple illustratif de l’approche analytique. Une validation complète de bout en bout du système multimodal complet est nécessaire pour les travaux futurs.

Pour valider la chaîne de bout en bout M3-BREATHE, nous avons évalué l’intégrité des données (99,3 % de taux de capture GPS et 93,2 % du taux de capture des moniteurs de pollution de l’air), la précision de synchronisation (asynchronie temporelle de ≤1 s entre données multimodales) et la validité de l’étalonnage (les mesures PM2,5 à partir de capteurs à faible coût présentaient une corrélation Pearson de r=0,86 avec des instruments de référence de qualité recherche après étalonnage de collocation). Le pipeline intégrait des données de trajectoire GPS, des données d’exposition environnementale et des données de journal intime auto-déclarées, permettant d’identifier les schémas d’exposition spécifiques à chaque activité et les associations exposition-santé. Ces résultats confirment la reproductibilité et la fiabilité du protocole M3-BREATHE pour la surveillance réelle de l’E-M-H.

La Figure 1 représente la concentration moyenne d’exposition à PM2,5 (barres bleues, axe gauche) et les scores cognitifs du trouble social (ligne orange, axe droit) sur une gamme d’activités quotidiennes et de déplacements. Les résultats montrent que les concentrations d’exposition à PM2,5 différaient nettement selon les types d’activité. La plus grande exposition moyenne a été observée pendant le sommeil, indiquant une concentration élevée de pollution atmosphérique à l’intérieur à la maison. Cela peut s’expliquer par le fait que la zone d’étude est relativement fortement polluée comparée à d’autres parties de Pékin. D’autres activités présentant des concentrations d’exposition constamment élevées comprenaient la navigation sur Internet, le divertissement, l’étude et la promenade, toutes dépassant 20 μg/m3. Des concentrations d’exposition moyennes ont été trouvées pour des activités telles que le travail, l’activité physique, les soins et les déplacements (15–20 μg/m 3). Les expositions les plus faibles ont été enregistrées lors d’affaires personnelles, de consultation chez le médecin, de restauration et de soins personnels (5–15 μg/m 3). Ces différences, basées sur cette étude pilote, reflètent les contextes environnementaux spécifiques dans lesquels les activités ont lieu (intérieur vs. extérieur et sédentaire vs. actif). En revanche, les scores cognitifs de SWB ont montré moins de variabilité entre les activités, variant étroitement entre 1,7 et 2,3 (sur une échelle d’insatisfaction de 1 à 5). Les scores de satisfaction les plus bas étaient associés à la consultation d’un médecin et aux voyages, suivis des affaires personnelles et du travail, tandis que les scores les plus élevés étaient liés à l’activité physique, au divertissement et à l’activité sociale, qui sont souvent des activités intrinsèquement gratifiantes.

Il a été constaté que les types d’activités associés à des concentrations d’exposition plus élevées à PM2,5 ne correspondaient pas toujours à une basse croissance cognitive SWB, suggérant des schémas de découplage entre l’exposition PM2,5 et la SWB cognitive autodéclarée. Par exemple, l’activité physique et le divertissement combinés à une exposition élevée et à des scores cognitifs élevés en troubles socials (SWB). Cela peut refléter que le risque sanitaire de l’exposition à PM2.5 est négligé ou ne pas est consciemment lié à la SWB cognitive, probablement en raison de la nature invisible de PM2.5, qui la rend encore plus insidieuse et difficile à détecter dans l’environnement. En comparaison, des polluants comme SO2, NOx etO3 présentent des caractéristiques plus facilement détectables. Par exemple, SO2 a une odeur sulfurique distinctive et NOx est souvent associé à des émissions visibles provenant des procédés industriels et des gaz d’échappement des véhicules. Ces polluants gazeux peuvent provoquer une irritation immédiate des yeux, de la gorge et du système respiratoire, ce qui les rend plus faciles à détecter et à gérer sans nécessiter d’équipements spécialisés. Cependant, le PM2,5 est le polluant le plus dangereux car il peut pénétrer dans les régions d’échange gazeux du poumon (alvéole), et de très petites particules peuvent traverser les poumons pour affecter d’autres organes, nuisant ainsi au systèmecirculatoire 59. Cette découverte met en lumière le défi unique posé par la PM2.5, dont la nature imperceptible et les impacts graves sur la santé en font un risque environnemental critique mais souvent sous-estimé dans diverses activités quotidiennes.

figure-results-1

Figure 1 : PM2,5 exposition concentration et bien-être subjectif cognitif (SWB) par type d’activité quotidienne. Le bien-être subjectif cognitif (SWB) est mesuré sur une échelle de Likert allant de 1 (très satisfait) à 5 (très insatisfait). La figure illustre les variations des niveaux d’exposition aux particules fines (PM2,5, μg/m 3) ainsi que des scores de bien-être correspondants selon les activités. Les points de données représentent les valeurs observées. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Pour examiner la relation entre l’exposition à la pollution atmosphérique et le bien-être subjectif (SWB), cette étude pilote utilise un modèle additif généralisé (GAM), permettant des effets non linéaires flexibles. L’exposition simultanée à la pollution de l’air (AAP) et l’exposition retardée de l’activité précédente (AAP_1) sont modélisées à l’aide de fonctions lisses, tandis que les caractéristiques sociodémographiques (genre, âge, hukou, niveau d’éducation, état civil et revenu) sont incluses comme variables témoins. Les résultats montrent que ni l’AAP ni le AAP_1 n’ont d’effet statistiquement significatif sur le SWB, avec des valeurs p de 0,234 et 0,266 respectivement. Bien que les termes lisses estimés suggèrent certains motifs non linéaires, ces effets ne sont pas robustes (Figure 2). En revanche, certaines caractéristiques individuelles présentent des associations plus fortes avec la SWB.

Ces résultats suggèrent que l’exposition à court terme à la pollution de l’air, qu’elle soit simultanée ou retardée par un seul épisode d’activité, n’influence pas significativement le SWB. Une explication possible est que les individus ne réagissent pas immédiatement aux fluctuations à court terme de la qualité de l’air, ou que ces effets nécessitent une exposition plus longue ou cumulative pour être détectables. Des recherches futures pourraient étendre cette analyse en incorporant plusieurs structures de décalage (par exemple, des expositions de plusieurs épisodes d’activité précédents), en utilisant des mesures basées sur le temps (par exemple, la durée d’exposition au niveau d’une minute), ou en appliquant des approches de modélisation alternatives telles que les modèles de décalage distribué ou les méthodes d’apprentissage automatique pour mieux capturer les effets dynamiques et cumulatifs de la pollution de l’air sur le bien-être.

figure-results-2
Figure 2 : Effets non linéaires de l’exposition actuelle et à la pollution atmosphérique retardée sur le bien-être subjectif. Les courbes représentent des estimations d’effets dérivées du modèle sur le temps, mettant en évidence les fluctuations à court terme et les réponses différées. AAP désigne une exposition contemporaine, tandis que AAP₁ représente une exposition retardée d’une unité de temps (par exemple, 1 jour). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Discussion

Une étape cruciale dans le déploiement du protocole M3-BREATHE est la configuration et la synchronisation fiables des dispositifs multimodaux, car l’intégrité des données dépend fortement de connexions stables entre capteurs portables, moniteurs environnementaux portables et application smartphone. Il est également essentiel de s’assurer que tous les capteurs sont calibrés conformément aux spécifications des fabricants avant d’initier l’inspection. Idéalement, les dispositifs environnementaux portables, en particulier le moniteur de pollution de l’air, devraient être collocés et calibrés par rapport à des instruments de référence de qualité recherche avant leur déploiement, afin d’assurer la validité et la précision des mesures à des fins de recherche.

Dans les expériences cliniques contrôlées ou les enquêtes à court terme et à petite échelle, l’utilisation d’une sangle respiratoire portée sur la poitrine fournit des paramètres respiratoires de haute fidélité (fréquence respiratoire, volume tidal, ECG), offrant une précision supérieure aux capteurs à poignet et servant de base de triangulation pour valider leurs estimations algorithmiques. En revanche, pour la surveillance longitudinale dans des environnements naturalistes, y compris l’utilisation volontaire par les consommateurs, la combinaison d’un bracelet intelligent et d’une application smartphone est préférable, car ces appareils sont moins intrusifs et favorisent une conformité durable des participants. Pour les études ayant des ressources limitées ou des préoccupations liées à la charge des participants, un kit minimum comprenant un bracelet intelligent, une application smartphone et un seul moniteur de polluants est recommandé. Des capteurs supplémentaires (par exemple, une sangle respiratoire à la poitrine, un suivi lumineux dédié) doivent être envisagés en fonction des objectifs de recherche spécifiques et du budget. Des recommandations détaillées pour l’adaptation du protocole M3-BREATHE dans les expériences cliniques contrôlées et les études/pratiques longitudinales réelles sont fournies dans le tableau 5.

Domaine des donnéesMétrique (abréviation)Expérience clinique contrôléeÉtude/pratique longitudinale réelle
Capteur à porte thoraciqueBracelet intelligentMoniteur environnemental portableApplication smartphoneBracelet intelligentMoniteur environnemental portableApplication smartphone
PhysiologiqueFréquence cardiaque (FC)ΟΟΟΟΟΟΟΟ
Variabilité de la fréquence cardiaque (VFC)ΟΟΟΟΟΟΟΟ
Fréquence respiratoire (RR)ΟΟΟΟΟΟΟ
Tidal Volume (TV)ΟΟΟΟΟ
Électrocardiogramme (ECG)ΟΟΟΟΟΟΟΟ
Tension artérielle (TA)ΟΟΟΟΟ
Saturation en oxygène sanguin (SpO₂)ΟΟΟΟΟ
Équivalents métaboliques (MET)ΟΟΟΟΟ
Température de la peau (ST)ΟΟΟ
Accéléromètre (ACC)ΟΟΟΟΟ
EnvironnementParticules fines (PM2.5, PM10)ΟΟΟΟΟΟ
Monoxyde de carbone (CO)ΟΟΟΟΟ
Dioxyde d’azote (NO2)ΟΟΟΟΟ
Dioxyde de soufre (SO₂)ΟΟΟ
Volatile organique
Composés (COV)		ΟΟΟΟ
Bruit (N)ΟΟΟΟΟΟΟ
Température (T)ΟΟΟΟΟ
Humidité relative (HR)ΟΟΟ
Exposition à la lumière (illuminance)ΟΟΟΟΟ
Exposition à la lumière (Lumière circadienne A)ΟΟΟ
VerdureΟΟΟΟ
Comportemental & ContextuelLocalisation GPS / TrajectoireΟΟΟΟΟΟ
Journal d’Activité et de Voyage (ATD)ΟΟΟΟ
Momentané écologique
Évaluation (EMA)		ΟΟΟ
Caractéristiques de base (BC)ΟΟΟΟΟΟ
Notes : ΟΟΟ, équipement minimum ; ΟΟ, équipement standard ; Ο, alternative

Tableau 5 : Recommandations pour l’adaptation du protocole M3-BREATHE. Résumé des domaines de mesure et des niveaux d’instrumentation à travers les milieux d’étude (minimum ΟΟΟ ; norme ΟΟ ; Ο alternative).

Plusieurs modifications et stratégies de dépannage sont nécessaires lors de l’application de ce protocole dans différents contextes. Premièrement, en cas de déconnexion entre les appareils de surveillance et le smartphone ou en cas de période supérieure à 30 minutes avec des données nulles ou invalides (par exemple, perte de données de paramètres de santé due à un dysfonctionnement du capteur ou à un manque de contact cutané), des rapports automatisés doivent être générés aux enquêteurs afin que les participants puissent être contactés rapidement afin de résoudre le problème. Les enquêteurs peuvent également effectuer des vérifications régulières de l’intégrité des données. Deuxièmement, pour les déploiements longitudinaux du protocole, le respect des dispositifs et la gestion des batteries peuvent présenter des défis plus importants. Les participants peuvent parfois oublier de porter le bracelet intelligent, de recharger les batteries externes ou de remplir les agendas d’activités-voyage. Les rappels automatisés intégrés à l’application, la surveillance en arrière-plan et les invites quotidiennes sont des outils efficaces d’atténuation.

Malgré ses avantages, le M3-BREATHE présente plusieurs limitations. Bien que les ceintures thoraciques intelligentes permettent des mesures respiratoires précises, elles sont généralement peu pratiques pour un suivi réel à long terme en raison de la charge du participantà 60. Les mesures et algorithmes basés sur bracelet pour l’évaluation de la respiration sont donc recommandés, bien qu’ils aient une précision réduite pour estimer le volume de marée ou détecter des arythmies subtiles, et leur performance peut être affectée par des artefacts de mouvement61. De plus, l’utilisation de plusieurs dispositifs de surveillance environnementale augmente la possibilité de pannes de connectivité, d’horloges non synchrones ou de dysfonctionnements des capteurs. Un dispositif modulaire intégré pour la surveillance multi-polluants ou des approches alternatives (par exemple, la surveillance du bruit basée sur smartphone) devrait être développé, dans le but de maintenir la précision des mesures tout en minimisant la taille de l’appareil et en maximisant la portabilité62. De plus, la dépendance à des systèmes auto-déclarés intégrés à l’application (par exemple, journaux d’activité-voyage, dossiers médicaux) peut introduire un biais de rappel et augmenter les charges de conformitéà long terme 63. L’identification des activités et des déplacements basée sur l’apprentissage automatiquepeut être adoptée 64, tandis que le suivi des dossiers médicaux des professionnels de santé peut être connecté sans interruption à l’application smartphone via une interface simple en un clic.

Ce M3-BREATHE visionnaire et concret établit une plateforme évolutive, non invasive et rentable pour la recherche et la pratique du lien longitudinal environnemental-mobilité et santé (E-M-H), faisant progresser les approches existantes. L’épidémiologie spatiale traditionnelle repose souvent sur la surveillance à site fixe ou sur des proxies résidentiels pour l’évaluation de l’exposition, la rendant vulnérable au problème de l’unité de surface modifiable (MAUP) et au problème du contexte géographique incertain (UGCoP)21,65. En intégrant des données comportementales, physiologiques et environnementales multimodales à haute résolution espace-temps, ce système évolue vers des évaluations individualisées de l’exposition indépendantes du cadre, facilitant le décryptage de la « boîte noire » comportementale dans la relationenvironnement-santé 66,67. Il soutient à la fois l’interprétation approfondie individuelle et basée sur la population de la dynamique dose-réponse, reliant les expositions multi-polluants en temps réel à la réactivité physiologique et aux résultats de santé, permettant un traitement et une intervention personnalisés, la surveillance de la santé publique et la recherche translationnelle reliant l’exposition environnementale, les activités quotidiennes et la mobilité ainsi que les résultats de santé68, tout en facilitant l’autogestion de la santé individuelle et la réduction des risques liés aux expositions environnementales69 (par exemple, planificateur d’activités quotidiennes pour éviter les expositions à haut risque selon les profils historiques personnels E-M-H).

Les applications futures de M3-BREATHE incluent (1) l’intégration avec des systèmes d’intervention en temps réel pilotés par l’IA, où des alertes d’exposition personnalisées déclenchent des recommandations de comportement adaptatif (par exemple, le reroutage de navette lors des pics d’exposition PM2,5 ) ; (2) le déploiement dans des populations vulnérables (par exemple, personnes âgées, asthmatiques) pour évaluer les associations d’exposition spécifiques à la maladie et de la santé et soutenir la médecine de précision ; (3) combinaison avec des données génomiques pour découvrir les interactions gène-environnement dans le développement des maladies chroniques ; (4) miniaturisation de capteurs environnementaux modulaires intégrés pour réduire la charge des participants et améliorer l’adhésion à long terme ; (5) mise à l’échelle interurbaine et transnationale pour générer des ensembles de données E-M-H mondiaux pour la recherche comparative en santé environnementale. De plus, le protocole peut être adapté pour surveiller d’autres risques environnementaux en remplaçant les capteurs portables pertinents.

Déclarations de divulgation

L’auteur ne déclare aucun intérêt concurrent.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
AirBeamHabitatMapAirBeam-3PM1, PM2.5, PM10, température, humidité
AirVisual ProIQAirProAQI,  PM2.5, CO2, température, humidité. 
Atmotube ProAtmotubeProPM1, PM2.5, PM10,TVOC, température, humidité, pression barométrique
BioNomadix BioShirtBioPacBN-BIOSHIRT-FxChemise intelligente sans fil avec électrodes de tissu intégrées et capteurs de respiration, capable d'enregistrer l'ECG et les signaux de respiration.
Extech SL355 Personal Noise DosimeterExtechSL355enregistre SPL, Leq, Peak, etc.
Fitbit SenseFitbit2Fréquence cardiaque, ECG, SpO2, niveaux de stress, sommeil, GPS
FITVII GT5 Pro MaxFITVIIhttps://fitvii.com/products/gt5-pro-chargerFréquence cardiaque, pression artérielle, ECG, glycémie, SpO2, sommeil, modes sportifs
GAOTek Compact Personal Noise DosimeterGAO TekASLM-341enregistre SPL, Leq, Peak, etc.
Go Direct Respiration BeltVernierGDX-RBMoniteur de respiration à lanière thoracique utilisant des capteurs de tension ou d'expansion pour détecter l'expansion ou la contraction thoracique
Hexoskin Smart ShirtHexoskinN/AVêtement intelligent avec capteurs textiles intégrés pour la surveillance continue du rythme respiratoire, de la fréquence cardiaque, de la ventilation, de l'activité, du sommeil, etc.
Huawei BandHuawei9Fréquence cardiaque, SpO2, stades de sommeil, fréquence respiratoire, détection d'arythmie
Inkbird Air Quality MonitorInkbirdN/APM2.5, PM10, HCHO, TVOC, CO, CO2, température, humidité
La Roche-Posay My Skin Track UVLa Roche-PosayMy Skin Track UVaccroché aux vêtements; mesure les UVA et UVB; alimenté par énergie solaire 
Miniaturized Light DosimeterWearifiBLE Light Dosimeterjusqu'à 8 canaux de dosimétrie spectrale (par exemple UV → IR), mesure la dose lumineuse cumulative; convient au suivi de l'exposition à long terme.
Moto Watch 120Motorolahttps://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375Fréquence cardiaque, sommeil, SpO2, stress, plus de 100 modes sportifs
Personal Noise Dosimeter SV-104ASvantekSV 104Aenregistre SPL, Leq, TWA, Peak, etc.
Prana Air Pocket PM2.5 MonitorPranaAir N/APM1, PM2.5, PM10, IQA
Smart Health WristbandVIYIWOKhttps://www.ebay.com/itm/306538996133Fréquence cardiaque, sommeil, stress, modes sportifs
Smart Watch Fitness TrackerTYKOIThttps://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-neededFréquence cardiaque, SpO2, sommeil, pas, calories
SunSprite Personal Light TrackerGoodLux TechnologySunSpriteaccroché aux vêtements; mesure la lumière visible et les UV; alimenté par énergie solaire
Temtop Air Station ‎ElitechP1,M2000PM2.5, PM10, IQA, température, humidité et météo
Xiaomi Smart BandXiaomi9Fréquence cardiaque, SpO2, stades de sommeil, niveaux de stress

Références

  1. Zhang, Y., Kwan, M. P. Considering human mobility is essential for accurate environmental exposure assessment. Sci. Bull. , (2025).
  2. Zinsstag, J., et al. Advancing one human-animal-environment health for global health security: what does the evidence say. Lancet. 401 (10376), 591-604 (2023).
  3. Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
  4. Tian, Y., Chen, C., Sagoe-Crentsil, K., Zhang, J., Duan, W. Intelligent robotic systems for structural health monitoring: Applications and future trends. Autom. Constr. 139, 104273(2022).
  5. Wong, D. W. The modifiable areal unit problem (MAUP). WorldMinds: Geographical Perspectives on 100 Problems: Commemorating the 100th Anniversary of the Association of American Geographers 1904-2004. , Springer Netherlands. Dordrecht. 571-575 (2004).
  6. Parenteau, M. P., Sawada, M. C. The modifiable areal unit problem (MAUP) in the relationship between exposure to NO₂ and respiratory health. Int. J. Health Geogr. 10 (1), 58(2011).
  7. Jelinski, D. E., Wu, J. The modifiable areal unit problem and implications for landscape ecology. Landsc. Ecol. 11 (3), 129-140 (1996).
  8. Cai, G., Hao, Y. Guiding geospatial analysis processes in dealing with modifiable areal unit problems. 13th Int. Conf. on Geographic Information Science (GIScience 2025), , Schloss Dagstuhl-Leibniz-Zentrum für Informatik. 14-1 (2025).
  9. Goodchild, M. F. Geographical information science. Int. J. Geogr. Inf. Syst. 6 (1), 31-45 (1992).
  10. Kwan, M. P., Schwanen, T. Geographies of mobility. Ann. Am. Assoc. Geogr. 106 (2), 243-256 (2016).
  11. Hayward, P. M. The modifiable areal unit problem (MAUP) and health disparities. , University of Connecticut. PhD thesis (2009).
  12. Tobler, W. R. Frame independent spatial analysis. Accuracy of Spatial Databases. , 115-122 (1989).
  13. Wong, D. Aggregation effects in geo-referenced data. Practical Handbook of Spatial Statistics. , CRC Press. 83-106 (2020).
  14. Kwan, M. P. From place-based to people-based exposure measures. Soc. Sci. Med. 69 (9), 1311-1313 (2009).
  15. Fang, T. B., Lu, Y. Personal real-time air pollution exposure assessment methods promoted by information technological advances. Ann. GIS. 18 (4), 279-288 (2012).
  16. Kwan, M. P. The limits of the neighborhood effect: contextual uncertainties in geographic, environmental health, and social science research. Ann. Am. Assoc. Geogr. 108 (6), 1482-1490 (2018).
  17. Liu, Y., Kwan, M. P., Yu, C. The uncertain geographic context problem (UGCoP) in measuring people’s exposure to green space using the integrated 3S approach. Urban For. Urban Green. 85, 127972(2023).
  18. Kwan, M. P. The uncertain geographic context problem. Ann. Assoc. Am. Geogr. 102 (5), 958-968 (2012).
  19. Fusco, G., Caglioni, M., Emsellem, K., Merad, M., Moreno, D., Voiron-Canicio, C. Questions of uncertainty in geography. Environ. Plan. A. 49 (10), 2261-2280 (2017).
  20. Kwan, M. P., Neutens, T. Space-time research in GIScience. Int. J. Geogr. Inf. Sci. 28 (5), 851-854 (2014).
  21. Park, Y. M., Kwan, M. P. Individual exposure estimates may be erroneous when spatiotemporal variability of air pollution and human mobility are ignored. Health Place. 43, 85-94 (2017).
  22. Ma, J., Tao, Y., Kwan, M. P., Chai, Y. Assessing mobility-based real-time air pollution exposure in space and time using smart sensors and GPS trajectories in Beijing. Smart Spaces and Places. , Routledge. 102-116 (2021).
  23. Thomas, D., Stram, D., Dwyer, J. Exposure measurement error: influence on exposure-disease relationships and methods of correction. Annu. Rev. Public Health. 14 (1), 69-93 (1993).
  24. Wu, Y., et al. Methods to account for uncertainties in exposure assessment in studies of environmental exposures. Environ. Health. 18 (1), 31(2019).
  25. Racz, L., Rish, W. Exposure monitoring toward environmental justice. Integr. Environ. Assess. Manag. 18 (4), 858-862 (2021).
  26. Vandenberg, L. N., et al. Addressing systemic problems with exposure assessments to protect the public’s health. Environ. Health. 21 (Suppl 1), 121(2023).
  27. Wei, L., et al. Validity of mobility-based exposure assessment of air pollution: A comparative analysis with home-based exposure assessment. Environ. Sci. Technol. 58 (24), 10685-10695 (2024).
  28. Schmitz, O., et al. A computational framework for agent-based assessment of multiple environmental exposures. J. Expo. Sci. Environ. Epidemiol. , 1-13 (2025).
  29. Tian, W., Cao, K., Feng, Q. The impact of environmental exposure on the health of older adults: A review from the GIScience perspective. Trans. GIS. 29 (3), e70056(2025).
  30. Reck, D. J., Martin, H., Axhausen, K. W. Mode choice, substitution patterns and environmental impacts of shared and personal micro-mobility. Transp. Res. D Transp. Environ. 102, 103134(2022).
  31. Brottrager, M., Crespo Cuaresma, J., Kniveton, D., Ali, S. H. Natural resources modulate the nexus between environmental shocks and human mobility. Nat. Commun. 14 (1), 1393(2023).
  32. Guo, W., He, J., Yang, W. Association between outdoor jogging behavior and PM₂.₅ exposure: Evidence from massive GPS trajectory data in Beijing. Sci. Total Environ. 947, 174759(2024).
  33. Cyriac, J., et al. Improvements in diet and physical activity–related psychosocial factors among African Americans using a mobile health lifestyle intervention to promote cardiovascular health: The FAITH! App pilot study. JMIR Mhealth Uhealth. 9 (11), e28024(2021).
  34. Rafiq, R., McNally, M. G., Uddin, Y. S., Ahmed, T. Impact of working from home on activity-travel behavior during the COVID-19 Pandemic: An aggregate structural analysis. Transp. Res. A Policy Pract. 159, 35-54 (2022).
  35. Farnham, A., et al. Travel behaviours and health outcomes during travel: profiling destination-specific risks in a prospective mHealth cohort of Swiss travellers. Travel Med. Infect. Dis. 47, 102294(2022).
  36. Fanning, J., Brooks, A. K., Irby, M. B., N’Dah, K. W., Rejeski, W. J. Associations between patterns of daily stepping behavior, health-related quality of life, and pain symptoms among older adults with chronic pain: A secondary analysis of two randomized controlled trials. Clin. Interv. Aging. , 459-470 (2024).
  37. Guo, W., Schwanen, T., Brand, C., Chai, Y. The associations of real-time and perceived air pollution exposure with episode-level subjective wellbeing: A case study of a suburban community in Beijing. Health and Place. 94, 103477(2025).
  38. Abernethy, A., et al. The promise of digital health: then, now, and the future. NAM Perspect. 2022, 10-31478 (2022).
  39. Kickbusch, I., et al. The Lancet and Financial Times Commission on governing health futures 2030: growing up in a digital world. Lancet. 398 (10312), 1727-1776 (2021).
  40. Poongodi, M., Sharma, A., Hamdi, M., Maode, M., Chilamkurti, N. Smart healthcare in smart cities: Wireless patient monitoring system using IoT. J. Supercomput. 77 (11), (2021).
  41. Steinhubl, S. R., Muse, E. D., Topol, E. J. The emerging field of mobile health. Sci. Transl. Med. 7 (283), 283rv3(2015).
  42. Almotiri, S. H., Khan, M. A., Alghamdi, M. A. Mobile health (m-health) system in the context of IoT. 2016 IEEE 4th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW), , 39-42 (2016).
  43. Tiele, A., Esfahani, S., Covington, J. Design and development of a low-cost, portable monitoring device for indoor environment quality. J. Sens. 2018 (1), 5353816(2018).
  44. van Duijnhoven, J., et al. Measuring light exposure in daily life: A review of wearable light loggers. Build. Environ. , 112771(2025).
  45. Fischer, T., Schraivogel, S., Caversaccio, M., Wimmer, W. Are smartwatches a suitable tool to monitor noise exposure for public health awareness and otoprotection. Front. Neurol. 13, 856219(2022).
  46. Haddad, C., Sacre, H., Obeid, S., Salameh, P., Hallit, S. Validation of the Arabic version of the “12-item short-form health survey” (SF-12) in a sample of Lebanese adults. Arch. Public Health. 79 (1), 56(2021).
  47. Wade, D., Varker, T., Forbes, D., O'Donnell, M. The Alcohol Use Disorders Identification Test-Consumption (AUDIT-C) in the assessment of alcohol use disorders among acute injury patients. Alcohol. Clin. Exp. Res. 38 (1), 294-299 (2014).
  48. Lee, P. H., Macfarlane, D. J., Lam, T. H., Stewart, S. M. Validity of the international physical activity questionnaire short form (IPAQ-SF): A systematic review. Int. J. Behav. Nutr. Phys. Act. 8 (1), 115(2011).
  49. Farrahi Moghaddam, J., Nakhaee, N., Sheibani, V., Garrusi, B., Amirkafi, A. Reliability and validity of the Persian version of the Pittsburgh Sleep Quality Index (PSQI-P). Sleep Breath. 16 (1), 79-82 (2012).
  50. Liaqat, D., et al. WearBreathing: Real world respiratory rate monitoring using smartwatches. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 3 (2), 1-22 (2019).
  51. Takahashi, Y., et al. Accuracy of heart rate and respiratory rate measurements using two types of wearable devices. Prog. Rehabil. Med. 7, 20220016(2022).
  52. Hernandez, J., McDuff, D., Picard, R. W. Biowatch: estimation of heart and breathing rates from wrist motions. 2015 9th International Conference on Pervasive Computing Technologies for Healthcare (PervasiveHealth), , 169-176 (2015).
  53. Natarajan, A., Su, H. W., Heneghan, C., Blunt, L., O’Connor, C., et al. Measurement of respiratory rate using wearable devices and applications to COVID-19 detection. NPJ Digit. Med. 4 (1), 136(2021).
  54. Guo, W., Schwanen, T., Brand, C., Chai, Y. The associations of real-time and perceived air pollution exposure with episode-level subjective wellbeing: A case study of a suburban community in Beijing. Health Place. 94, 103477(2025).
  55. Yu, M., et al. Developing high-resolution PM2.5 exposure models by integrating low-cost sensors, automated machine learning, and big human mobility data. Front. Environ. Sci. 11, 1223160(2023).
  56. Xia, C., Yeh, A. G. Mobility as a response to environmental hazards in the urban context: A new perspective on mobility and inequality. Travel Behav. Soc. 27, 192-203 (2022).
  57. Guo, W., Chai, Y., Kwan, M. P. Travel-related exposure to air pollution and its socio-environmental inequalities: Evidence from a week-long GPS-based travel diary dataset. Spatiotemporal Analysis of Air Pollution and Its Application in Public Healt. , 293-309 (2020).
  58. Dritsas, E., Trigka, M. Efficient data-driven machine learning models for cardiovascular diseases risk prediction. Sensors. 23 (3), 1161(2023).
  59. Amini, H. WHO air quality guidelines need to be adopted. Int. J. Public Health. 66, 1604483(2021).
  60. Vitazkova, D., et al. Advances in respiratory monitoring: a comprehensive review of wearable and remote technologies. Biosensors. 14 (2), 90(2024).
  61. Mayorga-Vega, D., Casado-Robles, C., López-Fernández, I., Viciana, J. Activity wristband-based physical activity recommendations in young people. Sci. Sports. 37 (4), 303-315 (2022).
  62. Fanti, G., et al. Features and practicability of the next-generation sensors and monitors for exposure assessment to airborne pollutants: a systematic review. Sensors. 21 (13), 4513(2021).
  63. Möller, A., Kranz, M., Schmid, B., Roalter, L., Diewald, S. Investigating self-reporting behavior in long-term studies. Proc. SIGCHI Conf. Hum. Factors Comput. Syst, , 2931-2940 (2013).
  64. Koushik, A. N., Manoj, M., Nezamuddin, N. Machine learning applications in activity-travel behaviour research: a review. Transp. Rev. 40 (3), 288-311 (2020).
  65. Li, J., et al. Five-year lung cancer mortality risk analysis and topography in Xuan Wei: a spatiotemporal correlation analysis. BMC Public Health. 19 (1), 173(2019).
  66. Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
  67. Guo, W., Schwanen, T., Brand, C., Chai, Y. Exploring the complex relationships between air pollution, life satisfaction and mental health through the lens of daily activity-travel patterns: The case of a suburban residential community in Beijing. J. Transp. Geogr. 127, 104300(2025).
  68. Kaufman, J. D., Curl, C. L. Environmental health sciences in a translational research framework: more than benches and bedsides. Environ. Health Perspect. 127 (4), 045001(2019).
  69. Peerbolte, T. F., et al. Conversational agents supporting self-management in people with a chronic disease: systematic review. J. Med. Internet Res. 27, e72309(2025).

Réimpressions et autorisations

Explorer plus d’articles

Suivi de santé mobilesurveillance multimodalesignaux physiologiquesexpositions environnementalesfonction respiratoiresuivi GPSalertes par apprentissage automatiqueévaluation personnalisée de la santédonnées environnementales urbainessuivi longitudinal de la santé
M3-BREATHE dans le monde réel : vers une surveillance mobile multimodale du comportement, de la respiration et des expositions pour le traitement et l’évaluation de la santé
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.