מאמר שיטה

M3-BREATHE בעולם האמיתי: לקראת ניטור נייד רב-מודלי של התנהגות, נשימה וחשיפה לצורך טיפול והערכת בריאות

205 צפיות

⸱

DOI:

10.3791/69900

⸱

5 ביוני 2026

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

במאמר זה

סיכום

M3-BREATHE היא מערכת בריאות ניידת (mHealth) המשלבת חיישנים לבישים למעקב אחר נשימה, התנהגות וחשיפה סביבתית לצורך טיפול מותאם אישית והערכת בריאות בעולם האמיתי.

תקציר

השילוב של טכנולוגיות בריאות ניידות (mHealth) למעקב רציף בזמן אמת אחר אותות פיזיולוגיים והתנהגותיים, בשילוב עם מדידה מפורטת של חשיפות סביבתיות, טומן בחובו פוטנציאל משנה חיים לקידום הערכת סיכוני בריאות מותאמת אישית ולאפשר טיפול והתערבות יעילים יותר. בפרוטוקול זה, אני מציג מערכת ניטור ניידת רב-מודלית שנועדה במיוחד ללכוד ולשלב נתונים על התנהגות אישית (פעילויות יומיומיות ונסיעה), תפקוד נשימה, פרמטרים פיזיולוגיים וחשיפות סביבתיות. המערכת משלבת מכשירי בריאות ניידים וחיישני סביבה ניידים עם יישומים מבוססי GPS המבוססים על סמארטפון, ליצירת זרמי נתונים מסונכרנים ברזולוציה גבוהה. נתונים אלו מעובדים באמצעות אפליקציית טלפון נייד חכם על ידי שילוב חישוב פרמטרים פיזיולוגיים (למשל, עוצמת פעילות גופנית, קצב נשימה) ונתוני סביבה עירונית חיצונית (כגון שטחים ירוקים עירוניים, מפות רחוב), ולאחר מכן הופעלה מערכת התרעה מבוססת למידת מכונה כדי לספק תובנות מעשיות על בריאות הנשימה, פעילויות יומיומיות ודפוסי ניידות, וחשיפה לגורמי סיכון. הפרוטוקול מספק הנחיות מקיפות ומפורטות בנוגע להגדרת חומרה, תצורת תוכנה, נהלי רכישת נתונים ותהליכי עבודה אנליטיים הנדרשים לפריסת ניטור נייד רב-מודלי של התנהגות, נשימה וחשיפה (זיהום אוויר, רעש, אור, חום, ירוקות וכו') לטיפול והערכת בריאות (M3-BREATHE) הן בניסויים קליניים מבוקרים והן בהקשרים מהעולם האמיתי. פלטפורמת M3-BREATHE המתקדמת הזו יוצרת גישה ניתנת להרחבה, לא פולשנית וחסכונית לניטור סביבתי-ניידות-בריאות לאורך זמן (E-M-H), המקשרת בין בריאות מדויקת ברמת הפרט בחיי היומיום לבין אינטליגנציה בריאותית ארוכת טווח בקנה מידה אוכלוסיית.

מבוא

מעבר לאפידמיולוגיה מרחבית מסורתית שהדגישה בעיקר את הקשרים ברמת האוכלוסייה והאזור בין סביבה לבריאות, המוקד עובר כעת לבחינת מערכות יחסים ותהליכים מבוססי פרט וניידות 1,2,3,4. שינוי זה מונע על ידי מספר בעיות מתודולוגיות בסיסיות מקושרות, לצד הזדמנויות מתפתחות לגישות מדויקות ורגישות להקשר.

ראשית, בעיית היחידה השטחית הניתנת לשינוי (MAUP), המתייחסת לבעיה שבניתוח נתונים מבוססי שטח או אזור, התוצאות עשויות להיות מושפעות מהגדרת יחידות שטחיות שלגביהם מדווחים הנתונים 5,6. הוא חל על שתי בעיות נפרדות, אך קשורות, בניתוח נתונים מרחביים. הראשונה היא "בעיית הסקאלה", שבה אותו סט נתונים שטחיים מאוגד למספר קבוצות של יחידות שטחיות גדולות יותר, כאשר כל שילוב מוביל לערכי נתונים והסקות שונות. ההיבט השני של MAUP הוא "בעיית התכנון", שבה קבוצת יחידות שטחיות נתונה משולבת מחדש לאזורים בגודל זהה אך ממוקמים אחרת, מה שמוביל שוב לשונות בערכי הנתונים ובהתאם לכך למסקנות שונות 7,8. כדי להתמודד עם השאלות לגבי תרומת המחקר לקידום ידע חדש באמצעות נתונים מבוססי אזור או אזור, שתי שיטות נדונות ללא הפסקה כדי למזער את השפעת ה-MAUP. אחד מהם הוא מקסום ההומוגניות בתוך השטח. בחירת יחידת הלימוד האזורית המתאימה תמזער את שגיאת המדידה של חשיפה סביבתית וסיווג שגוי של חשיפה לא-דיפרנציאלית בהערכת ההשפעה הקונטקסטואלית על הבריאות 9,10,11. עם זאת, ההטרוגניות של חשיפה לזיהום אוויר בתוך יחידות מרחביות עדיין עלולה לגרום לטעויות. כך, שיטה נוספת מתקדמת לצורות ייצוג וניתוח נתונים מרחביים בלתי תלויים במסגרת12,13. מעבר להבנה המקובלת של הקשרים מבוססת אזור, מדדים מבוססי פרטים מתחשבים בהומוגניות המאפיינים וברציפות המרחבית של גורמים הקשריים ויכולים להציע מדד אנליטי חזק שהוא בלתי תלוי בקנה מידה או בלתי משתנה בקנה מידה כאשר בוחנים את השפעות החשיפה הסביבתית על הבריאות 14,15,16.

שנית, בעיית ההקשר הגאוגרפי הלא ודאי (UGCoP), המתייחסת לבעיה שממצאים על השפעות משתני הקשר מבוססי שטח על התנהגויות או תוצאות בודדות עשויים להיות מושפעים מהאופן שבו יחידות ההקשר (למשל, שכונות) מוגדרות גאוגרפית ומידת הסטייה של יחידות שטחיות אלו מההקשר הגאוגרפי האמיתי17,18. דוגמה טיפוסית היא הערכת החשיפה של אנשים לזיהום אוויר עלולה להיות שגויה בשימוש במקומות מגורים עבור אנשים שמבלים הרבה זמן מחוץ לביתם לעבודה, פנאי וכו', שזה רחוק מההקשר הגאוגרפי "הרלוונטי הסיבתי האמיתי"18,19. כדי לצמצם את אי-הוודאויות הקונטקסטואליות המשפיעות על ההערכה המדויקת של חשיפות סביבתיות של אנשים והשפעותיהם הבריאותיות, יש לאמץ מדידה מבוססת ניידות החורגת ממושגים של השפעות קונטקסטואליות המבוססות על שימוש במיקומים קבועים ספציפיים (למשל, מיקום מגורים, מקום עבודה)16,20. מכיוון שהזנחת השונות במרחב-זמן בזיהום האוויר ובניידות האנושית עלולה להוביל לטעויות משמעותיות בהערכות חשיפה אישיות 21,22,23,24 וכן בהערכת צדק סביבתי25,26, חיוני לאסוף נתוני מרחב-זמן ברזולוציה גבוהה מבוססי ניידות כדי להבין את הקשר בין חשיפות סביבתיות לתוצאות בריאותיות. אתגר נוסף טמון בפער המרחבי בין מערכי הנתונים הסביבתיים לבין מדדים ביומטריים ברמת הפרט שנאספו בחיישן הגוף. בעוד שתמונות תצוגות רחוב מאפשרות אפיון סביבתי מדויק בקנה מידה חזותי אנושי, ומדדי צמחייה שמקורם בלוויין (למשל, NDVI) מציעים כיסוי רחב יותר ברזולוציות גסות (10–250 מ'), שניהם דורשים אסטרטגיות יישור מרחבי מפורשות שמקשרות מסלולי ניידות לחשיפות סביבתיות במיקומים המדויקים שבהם נרשמים נתונים פיזיולוגיים והתנהגותיים. התמודדות עם אי-התאמות בקנה מידה זו דורשת אסטרטגיות יישור מרחבי מפורשות שמקשרות מסלולי ניידות לחשיפות סביבתיות במיקומים המדויקים שבהם נרשמים נתונים פיזיולוגיים והתנהגותיים.

בתגובה לאתגרים שמציבים MAUP ו-UGCoP, חוקרים מתחומים שונים הקשורים לבריאות הסביבה השתתפו יותר ויותר במחקרים על תהליכים התנהגותיים בין חשיפות סביבתיות לתוצאות בריאותיות, על ידי התקדמות למסגרות מבוססות ניידות ברמת הפרט 1,27,28,29 . עם העניין הגובר בקשר בין סביבה-ניידות-בריאות (E-M-H), הספרות הקיימת התמקדה בעיקר בתחום הקדם (סביבה-ניידות) 17,30,31,32 או בתחום הנובע (ניידות-בריאות) 33,34,35, בעוד שמחקרים אינטגרטיביים הכוללים את שלושת התחומים נשארים מוגבלים. עם זאת, הפעילויות היומיומיות והנסיעות של אנשים עיצבו משמעותית את השפעות המינון-תגובה של חשיפות סביבתיות על תוצאות בריאותיות. היכן, מתי ואיך אנשים מקרינים, מתזמנים ומבצעים את פעילותם לאורך תקופה של 24 שעות קשור קשר הדוק לחשיפה שלהם לסיכונים סביבתיים ולתוצאות הבריאות הנלוות 17,18,36. יתרה מזאת, פער קריטי נוסף טמון בכך שמעט מחקרים מספקים מסגרת אנליטית מעשית המקשרת בין ניטור בזמן אמת למעקב ארוך טווח של תוצאות בריאות, מה שמגביל את היכולת לייצר ראיות חזקות ומעשיות לטיפול ולהתערבויות. עם זאת, התמודדות עם פערים אלו לא רק משפרת את דיוק הערכות הסביבה-בריאות, אלא גם חושפת את התפקיד המתווך של פעילויות יומיומיות, נסיעות ותהליכי התנהגות בסיסיים בקשר המורכב E-M-H37, ובכך מספקת הצדקה חזקה לטיפול אישי ומודע לניידות ולהתערבויות שמטרתן להפחית סיכוני חשיפה ולקדם תוצאות בריאותיות.

עליית הטכנולוגיות הניידות והלבישות 38,39, במיוחד מכשירי בריאות ניידים (mHealth)40,41,42 וחיישני סביבה ניידים 43,44,45, אפשרה גישות חדשות למעקב סינכרוני אחר התנהגות הפרטים, חשיפות סביבתיות ומדדים פיזיולוגיים. באמצעות שילוב עם אפליקציות סמארטפונים, המשתתפים יכולים לתעד את מצבם הבריאותי, ההיסטוריה הרפואית שלהם (למשל, מחלות נשימה ולב וכלי דם), חוויה פיזיולוגית סובייקטיבית ותפיסת סיכון סביבתית, מה שמאפשר הערכה ואזהרה מדויקת ומותאמת אישית יותר באמצעות גישות מבוססות למידת מכונה או כללים. כאן, אני מציג את ניטור ההתנהגות, הנשימה והחשיפה (זיהום אוויר, רעש, אור, חום, ירוקות וכו') לטיפול והערכה בריאותית (M3-BREATHE) רב-מודלי נייד בעולם האמיתי. הפרוטוקול מקצה לקצה מספק הנחיות מקיפות לגבי הגדרת חומרה, תצורת תוכנה, נהלי רכישת נתונים ותהליכי עבודה אנליטיים הנדרשים לפריסת M3-BREATHE. פרוטוקול זה מתאים לחוקרים בתחום בריאות הסביבה, גאוגרפיית תחבורה ורפואה מותאמת אישית המבצעים ניסויים קליניים מבוקרים (ניטור קצר טווח ומדויק מאוד) או מחקרים אורכי טווח אמיתי (ניטור ארוך טווח, לא חודרני), אך אינו מומלץ למחקרים הדורשים מדידת נשימה מדויקת במיוחד ברמת מעבדה (למשל, בדיקות פולשניות לתפקוד ריאתי).

פרוטוקול

ביצוע פרוטוקול זה למטרות מחקר, בין אם בניסויים קליניים מבוקרים או בהקשרים מעשיים, צריך להתבצע באישור מראש ובהתאם להנחיות ועדת האתיקה למחקר אנושי של החוקרים. יש לקבל הסכמה מדעת מהמשתתף לפני תחילת הסקר. החקירה האמפירית של מאמר זה עוקבת אחרי הנחיות ועדת האתיקה למחקר אנושי של אוניברסיטת פקין. כל מחקר מבוסס משתתפים המשתמש בפרוטוקול זה חייב לקבל אישור אתי מראש מוועדת האתיקה המוסדית של החוקר. כל המשתתפים חייבים לספק הסכמה מדעת בכתב לפני כל תהליך איסוף נתונים. הגדרות הציוד המומלצות מפורטות בטבלת החומרים.

1. הגדרת מכשירי בריאות ניידים לבישים

  1. מערכת חיישן נשימתי שנלבש על ידי החזה
    1. הנחו את המשתתף ללבוש חולצה משולבת עם חיישנים או רצועת חזה ישירות על עורו, מתחת לבגדים, כדי להבטיח מגע מיטבי עם העור לצורך קליטת אותות אלקטרופיזיולוגיים.
    2. כוון את התאמת החולצה או הרצועה כך שתהיה צמודה ונוחה, כדי לוודא שזה לא מגביל נשימה או תנועה טבעית. התאמה נכונה מאושרת כאשר החיישן שומר על מגע יציב עם העור ואינו מחליק או זז באופן ניכר במהלך שאיפה עמוקה.
    3. ודאו שהחיישן טעון במלואו ומחובר בהצלחה לסמארטפון דרך Bluetooth כדי לאפשר ניטור והקלטה בזמן אמת של קצב הנשימה (בנשימות לדקה, נשימות לדקה), נפח גאות (במיליליטרים, מ"ל), וקצב הלב (בפעימות לדקה, BPM). ודאו ששעון המכשיר מסונכרן עם זמן המערכת של הסמארטפון כדי לאפשר יישור זמני מדויק בין זרמי נתונים מולטימודליים.
      הערה: קצב הנשימה וקצב הלב ניתנים גם לגזירה באמצעות מכשירי צמיד לבישה, במיוחד למעקב ארוך טווח (ראו שלב 1.2). קצב הנשימה מחושב בעקיפין בהתבסס על שינויים הנשימתיים באותות פוטופלתיסמוגרפיה (PPG) או באותות שונות קצב הלב (HRV) (ראו שלב 5.2). גישה חלופית זו יכולה לסייע בהפחתת אי הנוחות והעומס של המשתתפים הקשורים לשימוש ממושך בחיישן נשימתי שנבעל על ידי החזה.
  2. הגדרת מכשיר חכם לצמיד כף יד
    1. בחרו את שורש כף היד הלא-דומיננטי כמיקום העיקרי להנחת המכשיר, וקבע את הצמיד היטב על פרק כף היד, קרוב לתהליך הסטילואיד האולנרי.
    2. כוונו את הרצועה כדי להבטיח מגע מיטבי של פוטופלתיסמוגרפיה (PPG) בין חיישן לעור מבלי לפגוע בזרימת הדם ההיקפית. ההתאמה נכונה כאשר הרצועה הדוקה אך מאפשרת הכנסת קצה אצבע אחת.
    3. פתח את האפליקציה הנלווית בסמארטפון וודא שהמכשיר מחובר בהצלחה דרך Bluetooth.
    4. עברו לתצוגה בזמן אמת בתוך האפליקציה, וודאו שהגדרות האפליקציה מוגדרות למעקב רציף אחר כל הפרמטרים הרצויים, כולל: מדדים קרדיווסקולריים כמו דופק לב (דופק, יחידות: פעימות לדקה, BPM), שונות בקצב הלב (HRV, יחידות: מילישניות, ms), לחץ דם (BP, יחידות: מילימטרים של כספית, mmHg), ואלקטרוקרדיוגרם (ECG, יחידות: מיליוולט, mV); מדדים נשימתיים ומטבוליים כגון קצב נשימה מוערך אלגוריתם (RR, יחידות: נשימות לדקה, נשימות/דקה), רוויית חמצן בדם (SpO₂, יחידות: אחוז, אחוז), ושקולות מטבוליים (METs, יחס); טמפרטורת העור ההיקפי (יחידות: מעלות צלזיוס, °C); נתוני תנועה מהמד תאוצה (ACC, יחידות: תאוצה כבידתית, g).
      הערה: חיישן ה-PPG בגב המכשיר חייב לשמור על מגע קבוע ושטוח עם העור. הדק מחדש את הרצועה אם היא משתחררת עם הזמן.

2. התקנת חיישנים סביבתיים

  1. חבר את מכשירי החישה הסביבתית לבנק הכוח הנייד (קיבולת של 10,000 mAh) באמצעות כבלי USB מתאימים כדי להבטיח הפעלה 24 שעות. ודא שכל החיבורים יציבים והכבלים מאוחסנים בצורה מסודרת כדי למנוע ניתוק מקרי במהלך התנועה.
  2. הניחו את המוניטור הרב-אווירי (מדידת חלקיקים PM2.5 ו-PM10 במיקרוגרם/מטר3, פחמן חד-חמצני CO ב-ppm, חנקן דו-חמצני NO2, דו-תחמוצת הגופרית SO₂ ותרכובות אורגניות נדיפות VOCs ב-ppb), חיישן רעש (בדציבלים, dB) וחיישן טמפרטורה (במעלות צלזיוס, °C) בכיס הצד של רשת הדג של תיק הגב של המשתתף. חבר את מעקב החשיפה לאור (תאורה, בלוקס, lx; Circadian Light A, CLA, 0-1) צמוד לצד הקדמי של רצועת הכתף של התיק, וממקם אותו כפונה קדימה/החוצה ללא חסימה.
  3. הנחו את המשתתף לשאת את התיק עם הפעילויות היומיומיות שלו ולנסוע 24 שעות, ולטעון את הסוללה החשמלית כל לילה. ספק מספר טלפון לכל בעיה.
  4. ודאו שכל החיישנים דלוקים והקימו בהצלחה זרם נתונים בזמן אמת, תוך רישום והעברת נתונים לאפליקציית הסמארטפון הנלווית.
    הערה: כל החיישנים צריכים להיות מכוילים בקפדנות בהתאם למפרטי היצרנים שלהם לפני שהם מסיירים למשתתפים. חיישני זיהום אוויר זולים מומלצים לעבור בדיקת כיול קולוקציה מול מכשיר ייחוס בדרגת מחקר למשך שבועיים באתר מייצג כדי לגזור גורמי תיקון ספציפיים לחיישנים. הליך הקולוקציה כולל הצבת החיישן הזול בסמוך למכשיר הייחוס (בטווח של 1 מטר, באותו גובה), תוך הפעלת שניהם בו-זמנית למשך לפחות 14 ימים כדי ללכוד מגוון תנאים סביבתיים. נתונים זוגיים משמשים לאחר מכן לגזירת מודלים ליניאריים או לא-ליניאריים (למשל, Cמתוקן = (Cגולמי - b)/a) באמצעות ניתוח רגרסיה. לחיישנים שאין להם גישה למכשירי ייחוס, מומלץ לאפס כיול באמצעות אוויר נקי מסונן HEPA לתיקון הסטייה הבסיסית. נדרשת תקופת ייצוב של 10–15 דקות בתנאי אוויר נקיים לפני רישום ערכי בסיס. לפני כל פריסה, יש לבצע בדיקת אימות לפני פריסה כדי לוודא את תגובתיות החיישן ויציבות העברת הנתונים. במהלך איסוף הנתונים, יש לשמור יומני הבטחת איכות (QA) יומיים כדי לתעד כל חריגות, סטיות חיישנים או הפרעות קישוריות. חיישני טמפרטורה ולחות יחסית (RH, יחידות: אחוזים, %) משולבים בדרך כלל כרכיבים במכשירי חישה לזיהום אוויר. חשיפה רציפה לרעש ניתן למדוד גם באמצעות המיקרופון המובנה בסמארטפון דרך האפליקציה הייעודית. חשיפה לאור ולחום שנאספות באמצעות הצמיד החכם והטלפון הנייד אינן מומלצות, בשל רגישות גבוהה לחסימה וגורמים מבלבלים כמו בגדים ומיקום. למחקר או פרקטיקה לאורך זמן, מומלץ להשתמש במכשיר מודולרי משולב בגודל קטן למעקב אחר מזהמים מרובים.

3. תצורת יישומי סמארטפון

  1. התקן את אפליקציית הנייד M3-BREATHE (שפותחה במיוחד לאנדרואיד/iOS) על הסמארטפון של המשתתף.
  2. הפעל סנכרון GPS, Bluetooth ונתוני רקע.
  3. הגדר את האפליקציה להקליט נתוני מיקום GPS במרווחי זמן של דקה אחת ולסנכרן נתוני חיישנים כל 5 דקות.
  4. הגדר את קצב הדגימה ל-1 הרץ (כלומר, דגימה אחת בשנייה) עבור כל מכשיר מחובר (מוניטורים פיזיולוגיים לבישים וחיישנים סביבתיים ניידים) כדי להבטיח לכידת נתונים ברזולוציה טמפורלית גבוהה.
  5. וודא שכל ההגדרות שמורות לפני שאתה מתחיל הקלטת נתונים.
    הערה: מומלץ לבצע הקלטת בדיקה קצרה (למשל, 5 דקות) לאחר ההגדרה. בדוק את קובץ נתוני הבדיקה כדי לוודא שכל זרמי הנתונים הצפויים (קואורדינטות GPS, HRV, ECG, זיהום אוויר, רעש וכו') מתועדים, מסומנים נכון ומכילים ערכים סבירים לפני תחילת תקופת המחקר המלאה. ראוי לציין שחשיפה לירוק נמדדת בעקיפין על ידי שילוב נתוני מסלול GPS ברזולוציה מרחבית-זמנית גבוהה עם מאגרי נתונים גאוגרפיים כמו OpenStreetMap או מדדי צמחייה שמקורם בלוויין (למשל, NDVI לכיסוי צמחייה). כדי להתמודד עם אי התאמה בקנה מידה מרחבי בין שכבות סביבתיות ברזולוציה גסה (למשל, NDVI בגובה 10–250 מטר) לבין מדדים ביומטריים ברמה אישית, הפרוטוקול מקצה ערכי חשיפה סביבתית לכל נקודת GPS בהתבסס על שיטות חילוץ שכנה קרובה או ממוצע בבופר, ומבטיח יישור מרחבי במיקום ובזמן של כל מדידה פיזיולוגית.

4. נהלי רכישת נתונים

  1. קליטת משתתפים
    1. גייסו משתתפים באמצעות שיטת דגימה שכבתית כדי להבטיח ייצוג של אוכלוסיית היעד.
    2. ספקו למשתתפים חומרי הכוונה מקיפים, כולל דף הוראות מפורט, מדריך ורצוי סרטון הדרכה, על נהלי הרכבה ושימוש בחיישנים וכן הפעלת אפליקציית הסמארטפון הנלווית.
    3. ערכו סקר בריאות בסיסי בתוך האפליקציה כדי לאסוף נתונים דמוגרפיים (למשל, מין, גיל, גובה, משקל, מצב משפחתי), היסטוריה רפואית (למשל, מחלות לא מדבקות, מחלות לא מדבקות), מצב בריאות נשימתית (למשל, שנות עישון, שיעול כרוני או קוצר נשימה), ומידע בריאותי נוסף שמדווח בעצמך (למשל, בריאות פיזית ונפשית כללית, צריכת אלכוהול, דפוסי תזונה, רמות פעילות גופנית, איכות שינה).
      הערה: המלצה על כלים סטנדרטיים לאיסוף מידע בריאותי מדווח עצמי, כולל סקר קצר בן 12 פריטים (SF-12) לבריאות כללית46, מבחן זיהוי הפרעות שימוש באלכוהול בצריכת (AUDIT-C)47, שאלון בינלאומי לפעילות גופנית - טופס קצר (IPAQ-SF)48, ומדד איכות השינה של פיטסבורג (PSQI)49. לחילופין, ניתן ליישם סולמות ליקרט בני 7 פריטים לנוחות.
  2. שגרת מעקב יומית
    1. הנחו את המשתתף ללבוש חיישנים פיזיולוגיים לבריאות ניידת ולשאת את מכשירי ניטור הסביבה הניידים (תיק גב עם כיס רשת דגים) למשך תקופה רציפה של 24 שעות. במהלך השינה, חיישני הסביבה צריכים להיות ממוקמים בחדר השינה כדי לשמור על הערכת חשיפה, תוך תשומת לב מיוחדת לחיישן האור.
    2. הזכירו למשתתף להטעין את הסוללה כל ערב ולשמור אותו מחובר לחיישני הסביבה כדי לשמור על פעולה ונתונים ללא הפרעות.
    3. זרם הנתונים ינוטר או באמצעות בדיקות ידניות על ידי צוות המחקר כל 4 שעות, או רצוי באמצעות התראה אוטומטית ממערכת הצד האחורי בתוך האפליקציה, שמופעלת לאחר 30 דקות של הפסקת סנכרון נתונים. במקרה של ניתוק למשך יותר מ-30 דקות, המשתתף ייצור קשר כדי לטפל בבעיה.
    4. עודדו את המשתתף להשלים סקר יומן פעילות-נסיעות בתוך האפליקציה (תבנית מסופקת בטבלה 1) בכל יום בערב, כדי לשפר את דיוק הפעילות היומית ואת ההקשריות של הניידות למען טיפול והתערבות יעילים וממוקדים יותר. תזכורת אוטומטית (בקשה/SMS) נשלחת בכל ערב בשעה 20:00 לקידום ציות עקבי.
      הערה: ממשק אינטראקטיבי, הכולל מפה להצגת מסלול (עם חותמות זמן), יכול להיות מופעל עם זיהוי מבוסס למידת מכונה של פעילויות ונסיעות בהתבסס על נתוני GPS. באופן אידיאלי, ניתן לשלוח עצות או תזכורות אוטומטית דרך האפליקציה למשתתף כדי לתעד פעילות או טיול, קרוב לאירוע הפעילות/הטיול הבא, כדי לצמצם הטיית זיכרון בסוף היום. מומלץ לבצע סקירה סופית לפני השינה כדי לאחד את הרקורד היומי. בנוסף, ניתן להשתמש בהערכה אקולוגית רגעית (EMA) כדי ללכוד חוויות סובייקטיביות (למשל, קוצר נשימה, עייפות, תפיסות זיהום סביבתי) שלוש פעמים ביום (למשל, 8:00, 12:00 ו-16:00) באמצעות התראות דחיפה.
  3. סנכרון נתונים וגיבוי
    1. כל נתוני יומני הפעילות בזמן אמת ונאספים מסונכרנים אוטומטית לשרת ענן מאובטח ומוצפן דרך Wi-Fi או רשת סלולרית. מסד הנתונים בענן מוגדר עם גיבויים אוטומטיים קבועים כדי למנוע אובדן נתונים.
    2. כל הנתונים נשמרים תחילה בזיכרון הפנימי של הסמארטפון. נתונים מסונכרנים מנוקים אוטומטית מהמכשיר מדי יום לאחר אימות מוצלח על ידי שרת הענן.
    3. כל הנתונים מנומנמים בנקודת האיסוף ומאוחסנים בבטחה בשרתים מוסדיים. האחסון, ההעברה והטיפול של הנתונים מנוהלים בהתאם למדיניות אבטחת המידע והפרטיות של המוסד המארח.
      סיכום הנתונים והמקור מסופקים בטבלה 2.
ParticipantIDתאריךStartTimeאנד טייםפעילות(A)/Trip(T)סוג פעילות/מצב נסיעה
113/08/20250:007:00Aשינה
113/08/20257:007:30Aארוחת בוקר
113/08/20257:308:00Tתחבורה ציבורית
113/08/20258:0011:30Aיצירה
113/08/202511:3011:45Tהליכה
113/08/202511:4512:45Aארוחת צהריים
113/08/202512:4513:00Tהליכה
113/08/202513:0017:00Aיצירה
113/08/202517:0017:15Tאופניים
113/08/202517:1518:00Aבישול
113/08/202518:0019:00Aארוחת ערב
113/08/202519:0021:00Aפנאי
113/08/202521:0021:30Aבאת'
113/08/202521:3023:59Aשינה
114/08/20250:006:30Aשינה
114/08/2025…………

טבלה 1: תבנית יומן פעילות לנסיעות לניטור M3-BREATHE. הטבלה ממחישה כיצד נתוני התנהגות נרשמים ומאורגנים לשילוב עם ניתוחי חשיפה ובריאות.

מכשירי בריאות ניידים לבישיםאפליקציית הסמארטפוןחיישני סביבה ניידים
קצב נשימה (RR)קואורדינטות GPSחלקיקים (PM2.5, PM10)
נפח גאות (טלוויזיה)יומן פעילות ונסיעותפחמן חד-חמצני (CO)
קצב לב (דופק)הערכה אקולוגית רגעית (EMA)חנקן דו-חמצני (NO2)
שונות בקצב הלב (HRV)מידע בריאותי בסיסידו-תחמוצת גופרית (SO₂)
אלקטרוקרדיוגרם (ECG)גיל, מגדר וכו'.תרכובות אורגניות נדיפות (VOCs)
לחץ דם (BP)מדד מסת גוף (BMI)רעש (N)
רוויית חמצן בדם (SpO₂)מעמד סוציו-אקונומי (SES)טמפרטורה (T)
מקבילים מטבוליים (METs)היסטוריה רפואיתלחות יחסית (RH)
טמפרטורת עור (ST)מצב בריאותי נשימתיIlluminance (lx)
מד תאוצה (ACC)מידע בריאותי מדווח עצמיתאור צירקדי A (CLA)

טבלה 2: סיכום הנתונים ומקור המכשירים. הטבלה מפרטת מדדים מרכזיים (למשל, קצב לב, קצב נשימה, חלקיקים, טמפרטורה) ואת שיטות המדידה המתאימות להם.

5. עיבוד וניתוח נתונים

  1. כיול מכשירים ואבטחת איכות
    לפני הפריסה, כל המכשירים יעברו בדיקות כיול בסיסיות בהתאם למפרט היצרן. עבור חיישנים סביבתיים (למשל, מוניטורים PM2.5 ), זה עשוי לכלול אפס כיול או השוואה למכשירי ייחוס כאשר זמינים. במהלך עיבוד הנתונים, ייושמו נהלי אבטחת איכות ובקרת איכות (QA/QC) הן על זרמי נתונים סביבתיים והן ביומטריים. כל שלבי QA/QC יתועדו כדי להבטיח שקיפות ושחזור.
    1. בדיקות טווח להסרת ערכים פיזיולוגיים או פיזיקליים בלתי סבירים (למשל, קצב לב קיצוניים או ריכוזי מזהמים).
    2. זיהוי והחרגה של ארטיפקטים של אות (למשל, רעש הקשור לתנועה בנתונים לבישיים). נהלי החלקה או סינון (למשל, ממוצעים נעים) כאשר הדבר מתאים.
    3. זיהוי וטיפול בקטעי נתונים חסרים או דלים.
  2. קדם-עיבוד
    1. נתוני חיישנים גולמיים מנוקים (ה-GPS מתוקן דרך מסנן קלמן) ומסונכרנים עם יומני פעילות בשיטת יישור זמן רב-מודלי באמצעות חבילות עיבוד מקדים מבוססות פייתון (כגון Pandas, GeoPandas, Tsfresh, Pyo3). כל הנתונים המעובדים משולבים לאחר מכן במסד הנתונים M3-BREATHE.
    2. כדי להבטיח התאמה זמנית בין חשיפות סביבתיות למדידות ביומטריות, סנכרן את כל זרמי הנתונים למסגרת חותמת זמן מאוחדת. תקן את שעוני ההתקן לפני הפריסה באמצעות פרוטוקולי זמן מבוססי רשת. במהלך עיבוד הנתונים, יישר חותמות זמן ממכשירים שונים לזמן ייחוס משותף (למשל, UTC), ותקן סטיית השעון באמצעות אינטרפולציה ליניארית או התאמת סטיית זמן.
    3. אגד נתונים בתדרים גבוהים יותר (למשל, קצב לב שמקורו בלבישה) כדי להתאים לרזולוציה של מדדים סביבתיים או להתאים נתוני סביבה לנתונים בתדר גבוה יותר, בהתאם למטרת הניתוח. לטפל בחותמות זמן חסרות או במרווחי דגימה לא סדירים על ידי יישום אינטרפולציה או הוצאת נתונים המבוססים על קריטריוני איכות מוגדרים מראש.
    4. עבדו נתוני GPS לצד מאגרי נתונים גאוגרפיים חיצוניים המאפיינים את הסביבה הבנויה והטבעית כדי להקשר את החשיפות האישיות. חשב חשיפה לירוק על ידי שילוב רשומות GPS עם נתוני OpenStreetMap ומדדי צמחייה שמקורם בלוויין (למשל, NDVI). לטפל בפערים בקנה מידה בין מסלולי GPS בתדר גבוה לבין שכבות סביבתיות מבוססות לוויין ברזולוציה נמוכה יותר, באמצעות שיטות יישור מרחבי מבוססות שכנים קרובים או מאגר.
    5. לכל תיקון GPS, יש להקצות את ערך החשיפה הסביבתי המתאים מהפיקסל החוצה או הקרוב ביותר, או מחשב ממוצע משוקלל של פיקסלים בטווח חיץ מוגדר (למשל, 10 מ', 30 מ') המשקף אי-ודאות מרחבית טיפוסית של GPS. ודא שחשיפות סביבתיות מיוחסות ברזולוציה מרחבית-זמנית התואמת לנתונים פיזיולוגיים והתנהגותיים שנאספים בו-זמנית.
  3. חילוץ תכונות
    1. לסכם נתוני ניטור בריאות סביבתית וניידת באמצעות מדדים מרכזיים, כולל מדדים של נטייה מרכזית (ממוצע, חציון, ממוצע משוקלל), ערכים קיצוניים (מקסימום, מינימום, אחוזונים), שונות (סטיית תקן, שונות, מקדם שונות, טווח בין-רבעוני) ודפוסים זמניים (תדירות שיא, משך מעל הסף, קצב שינוי, שונות יומית, שבועית או עונתית).
    2. חשב חשיפה מצטברת לזיהום אוויר באמצעות מדדי חשיפה כוללת (ריכוז ממוצע ומינון שנשאף) והשטח מתחת לעקומה (AUC). חשב את מינון הזיהום שנשאף (D) לאורך משך חשיפה (t) באמצעות הקשר למטה.
      figure-protocol-1
      עם אוורור זעיר מוגדר כך:
      figure-protocol-2
      כאשר C הוא ריכוז הזיהום באוויר שנשאף (μg/m3, ppb או ppm, תלוי בקונבנציה של יחידה); figure-protocol-3 הוא האוורור הדק, כלומר נפח האוויר הכולל שנשאף לדקה (L/min); RR הוא קצב הנשימה (נשימות לדקה); VT הוא נפח הגאות, נפח האוויר שנשאף לנשימה (L/נשימה); ו-t הוא משך החשיפה (מינימום).
      יש לשים לב שהמינון D מחושב במיקרוגרם, בתנאי שהוא figure-protocol-4 מומרל-m 3/דקה (כלומר, מחלקים ב-1000) כדי לשמור על עקביות יחידה.
    3. בהינתן שחיישני הנשימה הנלואים על החזה בדרך כלל יקרים ומעיקים ללבישה רציפה לתקופות ממושכות בהקשרים אמיתיים, בהשוואה למשך ניטור של כמה שעות ועד כמה ימים בניסויים קליניים מבוקריים, יש להעריך את קצב הנשימה באמצעות נתוני מד תאוצה וג'ירוסקופ שהתקבלו מהצמיד החכם באמצעות אלגוריתמים של למידת מכונה50,51. כדי לשפר את דיוק ההערכה, מודל יער אקראי משמש בדרך כלל כמסנן, ודוחה נתונים שגורמים לקריאת קצב נשימה לא מדויקת, ולאחר מכן ניתן להשתמש במודל רשת עצבית קונבולוציונית (CNN) כדי להפיק את קצב הנשימה52.53.
    4. להפיק תכונות התנהגותיות מנתוני GPS, יומני פעילות נסיעה מבוססי סמארטפונים, ונתוני תנועה ממדידי תאוצה של צמיד. יצר סט של מדדים התנהגותיים אישיים לניתוח קשרים בין חשיפה סביבתית, התנהגות ותוצאות בריאותיות. טבלה 3 מסכמת פרופילים רב-קנה מידה בתחומי ההתנהגות, החשיפה הסביבתית והבריאות.
      הערה: החצים ממחישים את היישור הסדרתי של פרופילים בין תחומי התנהגות, חשיפה סביבתית ובריאות.
  4. ניתוח נתונים
    1. ניתוחים תיאוריים וחקרניים
      1. ביצוע סטטיסטיקות תיאוריות ראשוניות לאפיון התפלגות, הנטייה המרכזית והשונות של כל המשתנים.
      2. בצע ניתוח קורלציה ומבחני מקדם אינפלציית שונות (VIF).
      3. המחישו נתוני חשיפה ובריאות באמצעות סדרות זמן, תרשימי קופסה ומפות חום גיאו-מרחביות.
    2. אסוציאציות חריפות ועיכובים זמניים
      1. השתמש במודלים מבוזרים של השהיה (DLMs).
      2. נתוני חשיפת הפחים לתוך בלוקים של זמן.
      3. בצע ניתוחי רגישות.
      4. יישם שיטות סדרות זמן (ARIMA, VAR).
    3. אסוציאציות כרוניות וחשיפות מצטברות
      1. מדדי חשיפה מצטברת.
      2. קשר חשיפה להערכות בריאות חוזרות.
      3. השתמש במודלים של רגרסיה עם השפעות מעורבות.
      4. יישם ניתוח אורך או הישרדות.
        הערה: יש לשקול אסטרטגיות חלון זמן. טבלה 4 משווה בין אפשרויות חלון זמן שונות.
    4. ניתוחי תיווך התנהגותי ומתן
      1. חקור גישור באמצעות SEM או ניתוח סיבתי.
      2. בחן את השפעות המתנה.
    5. פונקציות חשיפה-תגובה ועקומות מינון-תגובה
      1. כמת יחסי חשיפה-תגובה.
      2. הערכת פונקציות מינון-תגובה בשאיפה.
      3. חקור אסוציאציות לא-ליניאריות.
    6. ניתוחים לאורך ובמהלך חיים
      1. העריכו השפעות כרוניות.
      2. חקור מסלולי חיים.
    7. טיפול והתערבות מותאמים אישית
      1. בנו פרופילים מותאמים אישית.
      2. זהה פרקים בסיכון גבוה.
      3. ממליץ על הערכות רפואיות.
    8. מודיעין בריאות האוכלוסייה
      1. יצר מפות חשיפה.
      2. נתח מגמות התנהגותיות.
      3. העריך אי-שוויון בריאותי.
      4. השתמש במודלים של למידת מכונה.
תחום התנהגותיתחום חשיפה סביבתיתתחום הבריאות
תכונות חולפות/רגעיותפרופילי חשיפה מיידייםפרופילי בריאות לטווח קצר
גודל וקטורי מד תאוצהחשיפה בזמן אמתתגובות לחץ לב-נשימתי
עוצמת פעילות מיידיתחשיפה חריפהשינויים חריפים בדופק, לחץ דם, HRV, SpO₂ וכו'.
תכונות ברמת פרק/קרבפרופילי חשיפה ברמת הפרקאירועי הפרעת קצב ב-ECG
זמן התחלה, זמן סיום, משךריכוז מזהם ממוצעתסמינים ותפקוד נשימתי
סוג פעילותמינון החשיפה המצטבר לזיהוםתנודות קצב האוורור הספציפיות לפרק
סוג מיקוםחשיפה שיאדיווח עצמי על שיעול וקוצר נשימה
פנים/חוץחשיפה מבוססת אחוזיםמצבים פסיכולוגיים ורווחתיים
מצב תחבורהשונות בחשיפהמצב רוח EMA, לחץ, עייפות וכו'.
מרחק הנסיעהמשך חשיפה מעל הסףמתח קוגניטיבי ורגשי ברמת האפיזודה
מהירות הנסיעה הממוצעתחשיפה ל-AUCעומס חשיפה חריפה
מטרת הטיולחשיפה פנימית מול חיצוניתפרופילים בריאותיים לטווח בינוני
עוצמת פעילות גופניתחשיפה למיקרו-סביבה של תחבורהסמנים קרדיווסקולריים תת-קליניים
דפוס נשימתיחשיפה למקום עבודה/בית/פנאיעליות מתמשכות בדופק במנוחה או בלחץ דם
תכונות בין-מקטעיות ויומיותפרופילי חשיפה יומייםציוני סיכון מוקדמים ליתר לחץ דם
הפסקות ומעברים יושבים בין מצבי פעילותחשיפה ממוצעת יומיתמגמות בריאות הנשימה
מעברים בין סביבה פנימית לסביבה חיצוניתמינון חשיפה יומי מצטברתדירות התקפי תסמיני נשימה
מעברים בין מיקרו-סביבות תחבורהחשיפה יומית לשיאירידה בתפקוד הריאות (RR, SpO₂ וכו')
שרשראות פעילות–טריפתדירות/משך השיאים היומייםמצב מטבולי ופעילות גופנית
מורכבות פעילות/סיורחשיפה יומית מינימליתסך MET מצטבר לשבוע
שרשרת פעילות-נסיעהחשיפה יומית לאחוזוןהתפלגות עוצמת הפעילות
מבנה השימוש בזמןמשך החשיפה היומי מעל הסףשינה ובריאות החלמה
מרחב פעילות, רדיוס הסיבוב, אנטרופיה מרחביתחשיפה יומית ל-AUCהתמדה של עייפות מעבר לשינויים יומיומיים
כיוון הנסיעה הכללישונות בחשיפה יומיתבריאות נפשית ורווחה
זמן בפעילות גופנית בינונית עד נמרצת (MVPA)שיפוע חשיפה יומי (קצב שינוי)תגובתיות לחץ, ציוני חרדה וכו'.
קצב צירקדייחס שיא לממוצע יומיסיכוני חשיפה מצטברים
דפוסי שגרה הרגלייםפרופילי חשיפה אורכייםריכוז מזהם ממוצע ומינון
דפוסי פעילות יומיים שגרתייםחשיפה ממוצעת לטווח ארוךפרופילים בריאותיים לטווח ארוך
שונות בדפוסי פעילות יומיים ונסיעותמינון חשיפה מצטבר לטווח ארוךסיכון והתקדמות מחלות לב וכלי דם
כרונוטיפ של קצב צירקדיחשיפה שיאתוצאות נשימתיות וריאתיות
פערים בקצב הצירקדי בסופי שבוע ובימי חולתדירות/משך אירועי שיאתוצאות מטבוליות והשמנה
סדירות הניידות (מסלול, נסיעה, מצב עבודה וכו')חשיפה מבוססת אחוזיםתוצאות בריאות הנפש
מגמות ארוכות טווח בפעילות גופניתזמן מעל הסףבריאות מערכתית והזדקנות ביולוגית
מחזורי התנהגות יושבתיים ופעיליםחשיפה ל-AUCתוצאות פונקציונליות ואיכות חיים
תזמון וסדירות תזונתיתשונות יומית/שבועית/חודשית/עונתיתמסלולי בריאות במסלול החיים
התנהגות אדפטיבית תחת קיצוניות סביבתיתכריית סדרות זמן בחשיפהמודיעין בריאות האוכלוסייה

טבלה 3: פרופילי נתונים רב-קנה מידה של M3-BREATHE. הטבלה מדגישה כיצד מדדים התנהגותיים קשורים לתוצאות בריאותיות קצרות, בינוניות וארוכות טווח.

חלוןמקרה שימושגישת המידוליתרונותחסרונות
שעה אחתהשפעות חריפות מאודכלול ממוצע נע של 1 שעה כמשתנה ב-LME או בסדרות זמן; או להשתמש ב-DLNM עם עיכובים שעתייםלוכד שיאים מיידיים; דילול מינימלירעש גבוה; צריך נתונים ברזולוציה גבוהה; תובנה כרונית מוגבלת
24 שעותיומי (לטווח קצר)ממוצע תנועה של 24 שעות במודל מעורב; DLNM או DLM עם עיכובים של יום אחדמפחית רעש; מתיישרת עם מדדים רגולטורייםאולי תקל על אירועי השיא
7 ימיםשבועי (תת-חריף)משתנה ממוצע של 7 ימים; DLM עם עיכובים עד 7 ימיםלכידת חשיפה מצטברת לטווח קצרמטשטש את השונות היומית; החלקה מתונה
30 ימיםחודשי (בינוני טווח)ממוצע 30 יום; DLNM עם מבנה השהייה חודשימשקף את עומס החשיפה האחרון; חלק יותרמפספס קפיצות יומיות; הנחה הצטברות ליניארית
90 ימיםעונתי (לטווח ארוך)עיכוב ממוצע של 90 יום או מבוזר לאורך ~90 ימיםלוכד מגמה עונתיתהחלקות יתר; בלבולים עם גורמים עונתיים
365 ימיםשנתי (לטווח ארוך)שנה ממוצעת במודל LME או Coxשימושי לסיכון כרוני; בקרות לעונהמתעלם מהשונות החרידה; מבולבלים ממגמות הזדקנות

טבלה 4: אסטרטגיות חלון זמן וגישות אנליטיות. סיכום של אסטרטגיות חלון הזמן והגישות האנליטיות המתאימות להערכת חשיפות סביבתיות בקני מידה זמניים שונים, תוך הדגשת יישומם, חוזקותן ומגבלותיהן.

תוצאות

התוצאות המייצגות הבאות נלקחות ממחקר פיילוט ששילב חיישני זיהום אוויר ניידים, יומני פעילות–נסיעות ורווחה סובייקטיבית מדווחת על עצמם ברמת הפרקים (SWB). המשתתפים נדרשו לשאת חיישני זיהום אוויר ניידים במהלך פעילותם היומית ונסיעותיהם במשך תקופה רצופה של 48 שעות (יום שישי–שבת או ראשון–שני) ולמלא יומני פעילות ונסיעות נלווים. נתונים של סך של 112 משתתפים תקפים, מדצמבר 2017 עד פברואר 2018, בקהילת המגורים מייהי-יואן, בייג'ינג, נכללו בניתוח. ניתוח ראשוני זה מתמקד בקשרים בין חשיפה ל-PM2.5 (תחום סביבתי), פעילויות יומיומיות (תחום התנהגותי) ו-SWB קוגניטיבי (תחום הבריאות). למרות שפיילוט זה עדיין לא מאשר את כל צינור M3-BREATHE, במיוחד את שילוב אותות פיזיולוגיים (למשל, HRV, קצב נשימה) והתרעות חשיפה בזמן אמת, הוא משמש דוגמה מובהקת לגישה אנליטית. נדרש אימות מלא מקצה לקצה של המערכת הרב-מודלית המלאה לעבודה עתידית.

כדי לאמת את צינור ה-M3-BREATHE מקצה לקצה, הערכנו את שלמות הנתונים (99.3% קצב לכידת נתוני GPS ו-93.2% קצב לכידת ניטור זיהום אוויר), דיוק סינכרון (≤1 שנייה אסינכרונית בזמן בין נתונים מולטימודליים), ותוקף כיול (מדידות PM2.5 מחיישנים זולים הראו קורלציה של פירסון של r=0.86 עם מכשירי ייחוס בדרגת מחקר לאחר כיול קולוקציה). הצינור שילב נתוני מסלול GPS, נתוני חשיפה סביבתית ונתוני יומן מדווחים עצמית, מה שאפשר זיהוי דפוסי חשיפה ספציפיים לפעילות וקשרים בין חשיפה לבריאות. תוצאות אלו מאשרות את השחזוריות והאמינות של פרוטוקול M3-BREATHE לניטור E-M-H במציאות.

איור 1 מייצג את ריכוז החשיפה הממוצע ל-PM2.5 (פסים כחולים, ציר שמאל) ואת ציוני SWB הקוגניטיביים (קו כתום, ציר ימין) במגוון פעילויות יומיומיות ונסיעות. התוצאות מראות כי ריכוזי החשיפה ל-PM2.5 היו שונים באופן ניכר לפי סוגי פעילות. החשיפה הממוצעת הגבוהה ביותר נצפתה במהלך השינה, מה שמעיד על ריכוז זיהום אוויר גבוה בבית. ייתכן שזה נובע מכך שאזור המחקר הוא אזור מזוהם יחסית גבוה יחסית לאזורים אחרים בבייג'ינג. פעילויות נוספות עם ריכוזי חשיפה גבוהים באופן עקבי כללו גלישה באינטרנט, בידור, לימוד והליכה, שכולם עברו את 20 מיקרוגרם למטרמעוקב. נמצאו ריכוזי חשיפה בטווח בינוני לפעילויות כמו עבודה, פעילות גופנית, טיפול וטיולים (15–20 מיקרוגרם/מ' 3). החשיפות המינימליות ביותר נרשמו במהלך עניינים אישיים, ביקור אצל רופא, אוכל וטיפול אישי (5–15 מיקרוגרם/מ' 3). הבדלים אלו, המבוססים על מחקר פיילוט זה, משקפים את ההקשרים הסביבתיים הספציפיים שבהם מתקיימות פעילויות (פנימיות לעומת חיצוניות ויושביות מול פעילות). לעומת זאת, ציוני SWB הקוגניטיביים הראו פחות שונות בין פעילויות, בטווח צר של 1.7 ל-2.3 (בסולם של אי שביעות רצון 1–5). ציוני שביעות הרצון הנמוכים ביותר היו קשורים לביקור אצל רופא ולטיולים, ואחריהם עניינים אישיים ועבודה, בעוד שציוני שביעות הרצון הגבוהים ביותר היו קשורים לפעילות גופנית, בידור ופעילות חברתית, שלרוב הם פעילויות מתגמלות מטבען.

נמצא כי סוגי הפעילות הקשורים לריכוזי חשיפה גבוהים ל-PM2.5 לא תמיד התאימו ל-SWB קוגניטיבי נמוך יותר, מה שמרמז על דפוסי ניתוק בין חשיפה ל-PM2.5 לבין SWB קוגניטיבי מדווח עצמי. לדוגמה, פעילות גופנית ובידור משולבים עם חשיפה מוגברת וציונים גבוהים של SWB קוגניטיביים. ייתכן שזה משקף את הסיכון הבריאותי של חשיפה ל-PM2.5 מתעלמים ממנו או לא מקושר במודע ל-SWB קוגניטיבי, ככל הנראה בגלל הטבע הבלתי נראה של PM2.5, מה שהופך אותו למסוכן וקשה עוד יותר לזיהוי בסביבה. בהשוואה לכך, מזהמים כמו SO2, NOx ו-O3 הם בעלי תכונות שקל יותר לזהות. לדוגמה, ל-SO2 יש ריח גופריתי ייחודי ו-NOX קשור לעיתים קרובות לפליטות נראות לעין מתהליכים תעשייתיים ופליטת כלי רכב. מזהמים גזיים אלו עלולים לגרום לגירוי מיידי לעיניים, לגרון ולמערכת הנשימה, מה שמקל על זיהוי ותגובה ללא צורך בציוד מיוחד. עם זאת, PM2.5 הוא המזהם המסוכן ביותר כי הוא יכול לחדור לאזורי חילוף הגזים של הריאה (הנאדיות), וחלקיקים קטנים מאוד עלולים לעבור דרך הריאות ולהשפיע על איברים אחרים ולכן לגרום נזק למערכת הדם59. ממצא זה מדגיש את האתגר הייחודי שמציב PM2.5, שטבעו הבלתי מורגש וההשפעות הבריאותיות הקשות שלו הופכים אותו לסיכון סביבתי קריטי אך לעיתים מוערך פחות בפעילויות יומיומיות שונות.

figure-results-1

איור 1: PM2.5 חשיפה, ריכוז ורווחה קוגניטיבית סובייקטיבית (SWB) לפי סוג פעילות יומית. רווחה קוגניטיבית סובייקטיבית (SWB) נמדדת בסולם ליקרט הנע בין 1 (מרוצה מאוד) ל-5 (מאוד לא מסופק). התרשים ממחיש שונות ברמות החשיפה לחלקיקים דקים (PM2.5, מיקרוגרם/מטר 3) ובציוני רווחה תואמים בין פעילויות. נקודות נתונים מייצגות ערכים נצפים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

כדי לבחון את הקשר בין חשיפה לזיהום אוויר לרווחה סובייקטיבית (SWB), מחקר פיילוט זה עושה שימוש במודל מצטבר כללי (GAM), המאפשר השפעות גמישות ולא-ליניאריות. גם חשיפה מזיהום אוויר עכשווית (AAP) וגם חשיפה מאוחרת מהפעילות הקודמת (AAP_1) מודלים באמצעות פונקציות חלקות, בעוד שמאפיינים סוציו-דמוגרפיים (מין, גיל, הוקו, השכלה, מצב משפחתי והכנסה) נכללים כמשתני ביקורת. התוצאות מראות שאף אחד מה-AAP או AAP_1 אינו משפיע באופן מובהק סטטיסטית על SWB, עם ערכי p של 0.234 ו-0.266, בהתאמה. למרות שהמונחים החלקים המוערכים מצביעים על דפוסים לא ליניאריים מסוימים, השפעות אלו אינן עמידות (איור 2). לעומת זאת, מאפיינים מסוימים מראים אסוציאציות חזקות יותר עם SWB.

ממצאים אלו מצביעים על כך שחשיפה לזיהום אוויר לטווח קצר, בין אם היא במקביל או מתעכבת על ידי פרק פעילות אחד, אינה משפיעה באופן משמעותי על SWB. הסבר אפשרי אחד הוא שאנשים לא מגיבים מיד לתנודות קצרות טווח באיכות האוויר, או שהשפעות אלו דורשות חשיפה ארוכה או מצטברת כדי להיות ניתנות לזיהוי. מחקר עתידי עשוי להרחיב ניתוח זה על ידי שילוב מבני השהיה מרובים (למשל, חשיפות ממספר פרקי פעילות קודמים), שימוש במדדים מבוססי זמן (למשל, משך חשיפה ברמת דקה), או יישום גישות מודל חלופיות כמו מודלים של השהיה מבוזרת או שיטות למידת מכונה, כדי ללכוד טוב יותר את ההשפעות הדינמיות והצטברות של זיהום האוויר על הרווחה.

figure-results-2
איור 2: השפעות לא ליניאריות של חשיפה נוכחית וזיהום אוויר מתעכב על רווחה סובייקטיבית. העקומות מייצגות הערכות השפעה שמקורן במודל לאורך זמן, ומדגישות תנודות קצרות טווח ותגובות מאוחרות. AAP מציין חשיפה עכשווית, בעוד ש-AAP₁ מייצג חשיפה שנשארה בפיגור של יחידת זמן אחת (למשל, יום אחד). אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

דיון

שלב קריטי בהטמעת פרוטוקול M3-BREATHE הוא ההגדרה והסנכרון האמינים של מכשירים רב-מודליים, שכן שלמות הנתונים תלויה במידה רבה בחיבורים יציבים בין חיישנים לבישה, מוניטורים סביבתיים ניידים ואפליקציית הסמארטפון. חשוב גם לוודא שכל החיישנים מכוילים בהתאם למפרט היצרן לפני תחילת הסקר. באופן אידיאלי, יש למקם את המכשירים הסביבתיים הניידים, במיוחד מד זיהום האוויר, ולכוון אותם מול מכשירי ייחוס ברמת מחקר לפני ההטבה, כדי להבטיח את תקפות ודיוק המדידות לצורכי מחקר.

בניסויים קליניים מבוקרים או בסקרים קטנים וקצרי טווח, השימוש ברצועה נשימתית שנלבשת על החזה מספק פרמטרים נשימתיים מדויקים (קצב נשימה, נפח גאות, א.ק.ג), המספק דיוק גבוה יותר מחיישנים מבוססי פרק כף היד ומשמש כבסיס לטריאנגולציה לאימות ההערכות האלגוריתמיות שלהם. לעומת זאת, לניטור אורך בסביבה טבעית, כולל שימוש מרצוני לצרכן, עדיף לשלב צמיד חכם עם אפליקציה לסמארטפון, שכן מכשירים אלו פחות פולשניים ומקדמים ציות מתמשך של המשתתפים. למחקרים עם משאבים מוגבלים או חששות לעומס המשתתפים, מומלץ לקבל ערכת מינימום הכוללת צמיד חכם, אפליקציה לסמארטפון ומוניטור מזהם יחיד. יש לשקול חיישנים נוספים (למשל, רצועת נשימה נלחשת על החזה, מעקב אור ייעודי) בהתאם למטרות מחקר ותקציב ספציפיים. המלצות מפורטות להתאמת פרוטוקול M3-BREATHE בניסויים קליניים מבוקרים ובמחקר/פרקטיקה אורכי טווח אמיתיים מוצגות בטבלה 5.

תחום הנתוניםמטריקה (קיצור)ניסוי קליני מבוקרלימוד/פרקטיקה לאורך זמן בעולם האמיתי
חיישן חזהצמיד חכםמוניטור סביבתי ניידאפליקציית סמארטפוןצמיד חכםמוניטור סביבתי ניידאפליקציית סמארטפון
פיזיולוגיהקצב לב (דופק)ΟΟΟΟΟΟΟΟ
שונות בקצב הלב (HRV)ΟΟΟΟΟΟΟΟ
קצב נשימה (RR)ΟΟΟΟΟΟΟ
נפח גאות (טלוויזיה)ΟΟΟΟΟ
אלקטרוקרדיוגרם (ECG)ΟΟΟΟΟΟΟΟ
לחץ דם (BP)ΟΟΟΟΟ
רוויית חמצן בדם (SpO₂)ΟΟΟΟΟ
מקבילים מטבוליים (METs)ΟΟΟΟΟ
טמפרטורת עור (ST)ΟΟΟ
מד תאוצה (ACC)ΟΟΟΟΟ
סביבהחלקיקים (PM2.5, PM10)ΟΟΟΟΟΟ
פחמן חד-חמצני (CO)ΟΟΟΟΟ
חנקן דו-חמצני (NO2)ΟΟΟΟΟ
דו-תחמוצת גופרית (SO₂)ΟΟΟ
אורגני נדיף
תרכובות (VOCs)		ΟΟΟΟ
רעש (N)ΟΟΟΟΟΟΟ
טמפרטורה (T)ΟΟΟΟΟ
לחות יחסית (RH)ΟΟΟ
חשיפה לאור (תאורה)ΟΟΟΟΟ
חשיפה לאור (אור צירקדי A)ΟΟΟ
ירוקותΟΟΟΟ
התנהגותי והקשרימיקום / מסלול GPSΟΟΟΟΟΟ
יומן פעילות-נסיעות (ATD)ΟΟΟΟ
רגע אקולוגי
הערכה (EMA)		ΟΟΟ
מאפייני בסיס (BC)ΟΟΟΟΟΟ
הערות: ΟΟΟ, ערכת מינימום; ΟΟ, ערכה סטנדרטית; Ο, אלטרנטיבה

טבלה 5: המלצות להתאמת פרוטוקול M3-BREATHE. סיכום תחומי המדידה ורמות המכשירים בסביבות מחקר (ΟΟΟ מינימום; ΟΟ סטנדרטי; Ο חלופי).

נדרשים מספר שינויים ואסטרטגיות פתרון תקלות בעת יישום פרוטוקול זה בסביבות שונות. ראשית, במקרה של ניתוק בין מכשירי הניטור לסמארטפון או תקופות של מעל 30 דקות עם נתונים אפסים או לא תקינים (למשל, אובדן נתוני פרמטרים רפואיים עקב תקלה בחיישנים או חוסר מגע עור), יש ליצור דוחות אוטומטיים לחוקרים כדי שניתן יהיה ליצור קשר עם המשתתפים במהירות ולפתרון הבעיה. חוקרים יכולים גם לבצע בדיקות שלמות נתונים באופן קבוע. שנית, בפריסות לאורך זמן של הפרוטוקול, עמידה במכשיר וניהול הסוללה עלולות להוות אתגרים גדולים יותר. משתתפים עשויים לעיתים לשכוח לענוד את הצמיד החכם, להטעין בנקים או למלא את יומני הפעילות-נסיעות. תזכורות אוטומטיות בתוך האפליקציה, ניטור מאחורי הצד והנחיות יומן יומיות הם כלים יעילים להפחתת פגיעות.

למרות יתרונותיו, ל-M3-BREATHE יש מספר מגבלות. בעוד שרצועות חזה חכמות מספקות מדידות נשימתיות מדויקות, הן בדרך כלל לא מעשיות למעקב ארוך טווח בעולם האמיתי בגלל בורדה60 של המשתתפים. לכן מומלץ לבצע מדידות ואלגוריתמים מבוססי צמיד להערכת נשימה, אם כי הדיוק שלהם מופחת בהערכת נפח הגאות או בזיהוי הפרעות קצב עדינות, וביצועיהם יכולים להיות מושפעים מיצירת תנועה61. בנוסף, שימוש במספר מכשירי ניטור סביבתיים מעלה את הסיכוי לתקלות קישוריות, שעונים לא סינכרוניים או תקלות חיישנים. יש לפתח מכשיר מודולרי משולב לניטור מזהמים מרובים או לגישות חלופיות (למשל, ניטור רעש מבוסס סמארטפון), במטרה לשמור על דיוק מדידה תוך מזעור גודל המכשיר ומקסום ניידות62. יתרה מזאת, הסתמכות על מערכות שמדווחות בעצמן בתוך האפליקציה (למשל, יומני פעילות-נסיעות, רשומות רפואיות) עלולה לגרום להטיית זיכרון ולהגדיל את עומס הציות לטווח ארוך63. זיהוי פעילויות ונסיעות מבוסס למידת מכונה ניתן לאמץ64, בעוד שמעקב אחר רשומות טיפול רפואיות מספקי שירותי בריאות יכול להיות מחובר בצורה חלקה לאפליקציית הסמארטפון באמצעות ממשק פשוט בלחיצה אחת.

ה-M3-BREATHE החזוני הזה במציאות יוצר פלטפורמה ניתנת להרחבה, לא פולשנית וחסכונית כלכלית למחקר ופרקטיקה של קשר סביבתי-ניידות-בריאות (E-M-H) לאורך זמן, ומקדם גישות קיימות. אפידמיולוגיה מרחבית מסורתית מסתמכת לעיתים קרובות על ניטור באתר קבוע או פרוקסי מגורים להערכת חשיפה, מה שהופך אותה לפגיעה לבעיית היחידה האזורית הניתנת לשינוי (MAUP) ולבעיית ההקשר הגאוגרפי הלא ודאי (UGCoP)21,65. על ידי שילוב נתוני חשיפה התנהגותיים, פיזיולוגיים וסביבתיים ברזולוציה גבוהה במרחב-זמן, מערכת זו מתקדמת לעבר הערכות חשיפה אישיות בלתי תלויות במסגרת, ומקלה על פירוק ה"קופסה השחורה" ההתנהגותית במערכת היחסים הסביבתית-בריאותית66,67. היא תומכת בפרשנות מעמיקה של דינמיקות מינון-תגובה, מקשר חשיפות בזמן אמת למזהמים מרובים לבין תגובתיות פיזיולוגית ותוצאות בריאותיות, מאפשרת טיפול והתערבות מותאמים אישית, ניטור בריאות הציבור ומחקר תרגומי המקשר בין חשיפה סביבתית, פעילויות יומיומיות ותוצאות ניידות ובריאותיות68, וכן מקל על ניהול עצמי בריאותי של פרטים והפחתת סיכונים לחשיפות סביבתיות69 (למשל, מתכנן פעילות יומית במניעת פרופילים היסטוריים היסטוריים של E-M-H מבוססי חשיפה בסיכון גבוה).

יישומים עתידיים של M3-BREATHE כוללים (1) אינטגרציה עם מערכות התערבות בזמן אמת מונעות בינה מלאכותית, שבהן התראות חשיפה מותאמות אישית מפעילות המלצות להתנהגות אדפטיבית (למשל, ניתוב חוזר במהלך חשיפה לשיא PM2.5 ); (2) פריסה באוכלוסיות פגיעות (למשל, מבוגרים, אסתמטיים) להערכת קשרים ספציפיים לחשיפה לבריאות ותמיכה ברפואה מדויקת; (3) שילוב עם נתונים גנומיים לחשיפת אינטראקציות בין גנים לסביבה בהתפתחות מחלות כרוניות; (4) מזעור חיישנים סביבתיים מודולריים משולבים להפחתת עומס המשתתפים ושיפור ההיצמדות לטווח הארוך; (5) הרחבה בין ערים ובין מדינות ליצירת מאגרי נתונים גלובליים של E-M-H למחקר השוואתי בתחום בריאות הסביבה. בנוסף, ניתן להתאים את הפרוטוקול למעקב אחר סיכונים סביבתיים נוספים על ידי החלפת חיישנים ניידים רלוונטיים.

גילויים

המחבר מצהיר שאין אינטרסים מתחרים.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
AirBeamHabitatMapAirBeam-3PM1, PM2.5, PM10, טמפרטורה, לחות
AirVisual ProIQAirProAQI,  PM2.5, CO2, טמפרטורה, לחות. 
Atmotube ProAtmotubeProPM1, PM2.5, PM10,TVOC, טמפרטורה, לחות, לחץ ברומטרי
BioNomadix BioShirtBioPacBN-BIOSHIRT-Fxחולצה חכמה אלחוטית עם אלקטרודות בד מובנות וחיישני נשימה, מסוגלת להקליט אותות ECG ונשימה.
Extech SL355 Personal Noise DosimeterExtechSL355רושם SPL, Leq, Peak, וכד'
Fitbit SenseFitbit2דופק, ECG, SpO2, רמות לחץ, שינה, GPS
FITVII GT5 Pro MaxFITVIIhttps://fitvii.com/products/gt5-pro-chargerדופק, לחץ דם, ECG, גלוקוז בדם, SpO2, שינה, מצבי ספורט
GAOTek Compact Personal Noise DosimeterGAO TekASLM-341רושם SPL, Leq, Peak, וכד'
Go Direct Respiration BeltVernierGDX-RBרצועת חזה לניטור נשימה המשתמשת בחיישני מתיחה או התרחבות כדי לזהות התרחבות או התכווצות בחזה
Hexoskin Smart ShirtHexoskinN/Aבגד חכם עם חיישני טקסטיל מוטמעים לניטור רציף של קצב נשימה, דופק, אוורור, פעילות, שינה וכד'
Huawei BandHuawei9דופק, SpO2, שלבי שינה, קצב נשימה, זיהוי הפרעות קצב
Inkbird Air Quality MonitorInkbirdN/APM2.5, PM10, HCHO, TVOC, CO, CO2, טמפרטורה, לחות
La Roche-Posay My Skin Track UVLa Roche-PosayMy Skin Track UVנצמד לבגדים; מודד UVA ו-UVB; מופעל על ידי שמש
Miniaturized Light DosimeterWearifiBLE Light Dosimeterעד 8 ערוצים של דמיות ספקטרלית (למשל UV → IR), מודד מינון אור מצטבר; טוב למעקב אחר חשיפה ארוכת טווח.
Moto Watch 120Motorolahttps://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375דופק, שינה, SpO2, לחץ, 100+ מצבי ספורט
Personal Noise Dosimeter SV-104ASvantekSV 104Aרושם SPL, Leq, TWA, Peak, וכד'
Prana Air Pocket PM2.5 MonitorPranaAir N/APM1, PM2.5, PM10, AQI
Smart Health WristbandVIYIWOKhttps://www.ebay.com/itm/306538996133דופק, שינה, לחץ, מצבי ספורט
Smart Watch Fitness TrackerTYKOIThttps://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-neededדופק, SpO2, שינה, צעדים, קלוריות
SunSprite Personal Light TrackerGoodLux TechnologySunSpriteנצמד לבגדים; מודד אור נראה ו-UV; מופעל על ידי שמש
Temtop Air Station ‎ElitechP1,M2000PM2.5, PM10, AQI, טמפרטורה, לחות ומזג אוויר
Xiaomi Smart BandXiaomi9דופק, SpO2, שלבי שינה, רמות לחץ

מקורות

  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).

הדפסות חוזרות והרשאות

גלה מאמרים נוספים

ניטור בריאות ניידניטור רב-מודאליאותות פיזיולוגייםחשיפות סביבתיותתפקוד נשימתימעקב GPSהתראות למידת מכונההערכת בריאות מותאמת אישיתנתונים סביבתיים עירונייםניטור בריאות אורכי
M3-BREATHE בעולם האמיתי: לקראת ניטור נייד רב-מודלי של התנהגות, נשימה וחשיפה לצורך טיפול והערכת בריאות
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.