M3-BREATHE nel mondo reale: verso il monitoraggio multimodale mobile del comportamento, della respirazione e delle esposizioni per il trattamento e la valutazione della salute

Wenbo Guo

doi:10.3791/69900

Articolo metodologico

M3-BREATHE nel mondo reale: verso il monitoraggio multimodale mobile del comportamento, della respirazione e delle esposizioni per il trattamento e la valutazione della salute

205 visualizzazioni

⸱

DOI:

10.3791/69900

⸱

5 giugno 2026

Wenbo Guo

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

In questo articolo

Sommario

M3-BREATHE è un sistema mobile health (mHealth) che integra sensori indossabili per monitorare la respirazione, il comportamento e le esposizioni ambientali per un trattamento personalizzato e una valutazione della salute nel mondo reale.

Abstract

L'integrazione delle tecnologie di salute mobile (mHealth) per il monitoraggio continuo e in tempo reale dei segnali fisiologici e comportamentali, insieme a una misurazione dettagliata delle esposizioni ambientali, ha un potenziale trasformativo per promuovere la valutazione personalizzata dei rischi sanitari e consentire trattamenti e interventi più efficaci. In questo protocollo, introduco un sistema di monitoraggio mobile multimodale specificamente progettato per catturare e integrare dati sul comportamento individuale (attività quotidiane e viaggi), la funzione respiratoria, i parametri fisiologici e le esposizioni ambientali. Il sistema combina dispositivi sanitari mobili e sensori ambientali portatili con applicazioni smartphone abilitate al GPS per generare flussi di dati sincronizzati ad alta risoluzione. Questi dati vengono elaborati tramite un'applicazione per smartphone intelligente incorporando il calcolo dei parametri fisiologici (ad esempio, intensità dell'attività fisica, frequenza respiratoria) e dati ambientali urbani esterni (ad esempio, spazi verdi urbani, mappe street view), dopodiché è stato implementato un sistema di allerta basato su machine learning per fornire informazioni utili sulla salute respiratoria, sulle attività quotidiane, i modelli di mobilità e sull'esposizione ai fattori di rischio. Il protocollo fornisce indicazioni complete e dettagliate sulla configurazione hardware, la configurazione software, le procedure di acquisizione dati e i flussi di lavoro analitici necessari per l'implementazione del Multimodal Mobile Monitoring of Behaviour, Respiration, and Exposures (inquinamento atmosferico, rumore, luce, calore, verde, ecc.) per il Trattamento e la Valutazione della Salute (M3-BREATHE) sia in esperimenti clinici controllati che in contesti reali. Questa piattaforma M3-BREATHE visionaria del futuro stabilisce un approccio scalabile, non invasivo ed efficiente in termini di costi al monitoraggio longitudinale dell'ambiente-mobilità-salute (E-M-H), collegando la salute di precisione a livello individuale nella vita quotidiana con l'intelligenza sanitaria a lungo termine su scala demografica.

Introduzione

Andando oltre l'epidemiologia spaziale tradizionale, che ha principalmente enfatizzato le associazioni a livello di popolazione e area tra ambiente e salute, l'attenzione si sta ora spostando sull'esame delle relazioni e dei processi a livello individuale e basato sulla^mobilità 1,2,3,4. Questo cambiamento è guidato da diversi problemi metodologici fondamentali interconnessi, insieme a nuove opportunità per approcci più precisi e sensibili al contesto.

Innanzitutto, il problema delle unità areali modificabili (MAUP), che si riferisce al problema che, nell'analisi di dati basati su area o zona, i risultati possono essere influenzati dalla definizione delle unità areali per cui i dati sono^riportati ^5,6. Si applica a due problemi separati, ma interconnessi, nell'analisi dei dati spaziali. Il primo è il "problema della scala", in cui lo stesso insieme di dati areali viene aggregato in diversi insiemi di unità areali più grandi, con ogni combinazione che porta a valori di dati e inferenze differenti. Il secondo aspetto della MAUP è il "problema di zonizzazione", in cui un dato insieme di unità areoline viene ricombinato in zone della stessa dimensione ma situate in modo diverso, risultando nuovamente in variazioni nei valori dei dati e, di conseguenza, in conclusioni diverse ^7,8. Per affrontare le domande sul contributo dello studio all'avanzamento di nuove conoscenze utilizzando dati basati su aree o zone, vengono discussi ininterrottamente due metodi per minimizzare l'impatto del MAUP. Uno è la massimizzazione dell'omogeneità all'interno dell'area. La selezione dell'unità areale di studio appropriata ridurrà al minimo l'errore di misurazione dell'esposizione ambientale e della classificazione errata dell'esposizione non differenziale nella stima dell'effetto contestuale sulla^salute ^9,10,11. Tuttavia, l'eterogeneità dell'esposizione all'inquinamento atmosferico all'interno delle unità spaziali può comunque causare errori. Pertanto, un altro metodo si sta orientando verso forme indipendenti dal frame di rappresentazione e analisi dei dati^{spaziali 12,13}. Andando oltre la comprensione convenzionale basata sull'area dei contesti, le misure individuali tengono conto dell'omogeneità degli attributi e della contiguità spaziale dei fattori contestuali e possono offrire una misura analitica robusta, indipendente dalla scala o invariante dalla scala quando si esaminano gli effetti delle esposizioni ambientali sulla^salute 14,15,16.

In secondo luogo, il Problema del Contesto Geografico Incerto (UGCoP), che si riferisce al problema che i risultati sugli effetti delle variabili contestuali basate sull'area sui comportamenti o sugli esiti individuali possono essere influenzati da come le unità contestuali (ad esempio, i quartieri) sono geograficamente delineate e da quanto queste unità areole si discostano dal vero contesto^{geografico 17,18}. Un esempio tipico è la valutazione dell'esposizione degli individui all'inquinamento atmosferico che può essere errata, utilizzando le aree residenziali per persone che trascorrono molto tempo fuori casa per lavoro, svago, ecc., il che è ben lontano dal contesto geografico "veramente causalmente^rilevante" ^18,19. Per mitigare le incertezze contestuali che influenzano la valutazione accurata delle esposizioni ambientali delle persone e dei loro effetti sulla salute, è necessario adottare misurazioni basate sulla mobilità che vadano oltre le nozioni di influenze contestuali basate sull'uso di specifiche località fisse (ad esempio, posizione residenziale, luogo di lavoro)^16,20. Poiché la trascuratezza della variabilità spaziotemporale nell'inquinamento atmosferico e nella mobilità umana potrebbe portare a errori sostanziali nelle stime di esposizione^individuale 21,22,23,24 così come nella valutazione della giustizia ^ambientale ^25,26, è essenziale raccogliere dati spazio-temporali ad alta risoluzione basati sulla mobilità per comprendere l'associazione tra esposizioni ambientali ed esiti per la salute. Un'ulteriore sfida risiede nel disallineamento spaziale tra i dataset ambientali e le misure biometriche a livello individuale raccolte dal sensore portato sul corpo. Sebbene le immagini di vista della strada permettano una caratterizzazione ambientale a grana fine su scala visiva umana, e gli indici di vegetazione derivati dai satelliti (ad esempio, NDVI) offrano una copertura più ampia a risoluzioni più grossolane (10–250 m), entrambi richiedono strategie esplicite di allineamento spaziale che colleghino le traiettorie di mobilità alle esposizioni ambientali nei luoghi esatti in cui vengono registrati i dati fisiologici e comportamentali. Affrontare questa incongruenza su scala richiede strategie esplicite di allineamento spaziale che colleghino le traiettorie di mobilità alle esposizioni ambientali nei luoghi esatti in cui vengono registrati i dati fisiologici e comportamentali.

In risposta alle sfide poste dal MAUP e dall'UGCoP, ricercatori di molteplici discipline legate alla salute ambientale hanno sempre più partecipato a studi sui processi comportamentali tra esposizioni ambientali ed esiti sanitari, avvicinandosi a quadri basati sulla mobilità a livello^individuale 1,27,28,29 . Con l'aumento dell'interesse per il nexo ambiente-mobilità-salute (E-M-H), la letteratura esistente si è concentrata prevalentemente sul dominio antecedente (ambiente-mobilità⁾ 17,30,31,32 o sul conseguente dominio (mobilità-salute⁾ 33,34,35 , mentre gli studi integrativi che coprono tutti e tre i domini restano limitati. Tuttavia, le attività quotidiane e i viaggi degli individui hanno influenzato significativamente gli effetti dose-risposta delle esposizioni ambientali sugli esiti per la salute. Dove, quando e come le persone proiettano, programmano e conducono le loro attività durante un periodo di 24 ore è strettamente legato alle loro esposizioni ai rischi ambientali e ai conseguenti esiti per la salute 17,18,36. Inoltre, un'altra lacuna critica è il fatto che pochi studi forniscono un quadro analitico applicabile che colleghi il monitoraggio in tempo reale e il monitoraggio longitudinale degli esiti di salute, limitando la capacità di generare prove solide e azionabili per trattamenti e interventi. Detto ciò, affrontare queste lacune non solo migliora l'accuratezza delle valutazioni ambientali-sanitarie, ma svela anche il ruolo mediatore delle attività quotidiane, dei viaggi e dei processi comportamentali sottostanti nel complesso nexo^{E-M-H 37}, fornendo così una solida giustificazione per trattamenti e interventi personalizzati e informati sulla mobilità, volti a mitigare i rischi di esposizione e promuovere risultati di salute.

L'ascesa delle tecnologie mobili e^{indossabili 38,39}, in particolare i dispositivi di salute mobile (mHealth) 40,41,42 e i sensori ambientali^portatili 43,44,45, ha permesso nuovi approcci per monitorare sincronamente il comportamento degli individui, le esposizioni ambientali e le metriche fisiologiche. Attraverso l'integrazione con applicazioni per smartphone, i partecipanti possono documentare il proprio stato di salute, le storie cliniche (ad esempio, malattie respiratorie e cardiovascolari), l'esperienza fisiologica soggettiva e la percezione del rischio ambientale, consentendo valutazioni e avvertimenti del rischio più precisi e personalizzati tramite approcci basati su apprendimento automatico o regole. Qui presento il Monitoraggio Multimodale Mobile, Reale del Comportamento, Respirazione e Esposizioni (inquinamento atmosferico, rumore, luce, calore, verde, ecc.) per il Trattamento e la Valutazione della Salute (M3-BREATHE). Il protocollo end-to-end fornisce indicazioni complete sulla configurazione hardware, la configurazione software, le procedure di acquisizione dati e i flussi di lavoro analitici necessari per il deployment dell'M3-BREATHE. Questo protocollo è adatto a ricercatori in salute ambientale, geografia dei trasporti e medicina personalizzata che conducono esperimenti clinici controllati (monitoraggio a breve termine ad alta fedeltà) o studi longitudinali reali (monitoraggio a lungo termine e non invasivo), ma non è raccomandato per studi che richiedono misurazioni respiratorie di laboratorio ad altissima precisione (ad esempio, test invasivi della funzione polmonare).

Protocollo

La conduzione di questo protocollo a scopo di ricerca, sia in esperimenti clinici controllati che in contesti reali, dovrebbe essere svolta con approvazione preventiva e in conformità con le linee guida del comitato etico istituzionale della ricerca umana dei ricercatori. Il consenso informato deve essere ottenuto dal partecipante prima dell'inizio del sondaggio. L'indagine empirica per questo articolo segue le linee guida del Comitato Etico sulla Ricerca Umana dell'Università di Pechino. Tutte le ricerche basate sui partecipanti che utilizzano questo protocollo devono ottenere un'approvazione etica preventiva dal comitato etico istituzionale della ricerca del ricercatore. Tutti i partecipanti devono fornire un consenso informato scritto prima di qualsiasi procedura di raccolta dati. Le impostazioni di equipaggiamento consigliate sono elencate nella Tabella dei Materiali.

1. Configurazione di dispositivi mobili indossabili per la salute

Sensore respiratorio portato al petto
1. Istruire il partecipante a indossare la maglietta integrata dal sensore o la fascia toracica direttamente contro la pelle, sotto i vestiti, per garantire un contatto ottimale con la pelle per l'acquisizione del segnale elettrofisiologico.
2. Regola la camicia o la cintura in modo che sia aderente e comodo, assicurandoti che non limiti la respirazione o il movimento naturale. La corretta posizione viene confermata quando il sensore mantiene un contatto stabile con la pelle e non scivola o si sposta in modo evidente durante l'inalazione profonda.
3. Assicurati che il sensore sia completamente caricato e abbinato correttamente allo smartphone tramite Bluetooth per facilitare il monitoraggio e la registrazione in tempo reale della frequenza respiratoria (in respiri al minuto, respiri/min), del volume tidale (in millilitri, mL) e della frequenza cardiaca (in battiti al minuto, BPM). Conferma che l'orologio del dispositivo sia sincronizzato con l'ora di sistema dello smartphone per consentire un allineamento temporale accurato tra flussi di dati multimodali.
  NOTA: La frequenza respiratoria e cardiaca possono essere ricavata anche utilizzando braccialetti indossabili, in particolare per il monitoraggio a lungo termine (vedi passo 1.2). La frequenza respiratoria viene calcolata indirettamente in base alle variazioni indotte dalla respirazione nei segnali di fotopletismografia (PPG) o variabilità della frequenza cardiaca (HRV) (vedi passo 5.2). Questo approccio alternativo può aiutare a ridurre il disagio e il carico dei partecipanti associati all'uso prolungato di un sensore respiratorio portato al torace.
Configurazione smart del dispositivo per il braccialetto
1. Scegli il polso non dominante come sito principale per il posizionamento del dispositivo e fissa saldamente il braccialetto sul polso, prossimale al processo stiloideo ulnare.
2. Regolare la fascia per garantire un contatto ottimale tra fotopletismografia e pelle (PPG) senza compromettere la circolazione periferica. La vestibilità è corretta quando la tracolla è aderente ma permette l'inserimento di una punta del dito.
3. Apri l'applicazione companion sullo smartphone e assicurati che il dispositivo sia connesso con successo tramite Bluetooth.
4. Accedi al display in tempo reale all'interno dell'app e verifica che le impostazioni dell'applicazione siano configurate per un monitoraggio continuo di tutti i parametri desiderati, inclusi: metriche cardiovascolari come frequenza cardiaca (frequenza cardiaca, unità: battiti al minuto, BPM), variabilità della frequenza cardiaca (HRV, unità: millisecondi, ms), pressione sanguigna (BP, unità: millimetri di mercurio, mmHg) ed elettrocardiogramma (ECG, unità: millivolt, mV); misure respiratorie e metaboliche come la frequenza respiratoria stimata algoritmicamente (RR, unità: respiri al minuto, respiri/min), saturazione di ossigeno nel sangue (SpO₂, unità: percentuale, %), e equivalenti metabolici (METs, rapporto); temperatura della pelle periferica (unità: gradi Celsius, °C); dati di movimento dall'accelerometro (ACC, unità: accelerazione gravitazionale, g).
  NOTA: Il sensore PPG sul retro del dispositivo deve mantenere un contatto costante e a filo con la pelle. Stringi di nuovo la cinghia se col tempo si allenta.

2. Installazione dei sensori ambientali

Collega i dispositivi di rilevamento ambientale alla power bank portatile (capacità di 10.000 mAh) utilizzando cavi USB appropriati per garantire il funzionamento 24 ore su 24. Assicurati che tutte le connessioni siano stabili e che i cavi siano sistemati ordinatamente per evitare disconnessioni accidentali durante il movimento.
Posiziona il monitor multi-inquinanti atmosferici (misurando particolato PM_2,5 e PM₁₀ in μg/^{m 3}, monossido di carbonio CO in ppm, anidride di azoto NO2, anidride zolforosa SO₂ e composti organici volatili VOCs in ppb), il sensore di rumore (in decibel, dB) e il sensore di temperatura (in gradi Celsius, °C) nella tasca laterale a rete dello zaino del partecipante. Attacca il rilevatore di esposizione alla luce (illuminanza, in lux, lx; Luce circadiana A, CLA, 0-1) saldamente sul lato frontale della tracolla dello zaino, posizionandola in modo che sia rivolto in avanti/verso l'esterno senza ostacoli.
Istruisci il partecipante a portare lo zaino con le attività quotidiane e ai viaggi per 24 ore su 24, e a caricare la power bank ogni notte. Fornisci un numero di contatto per eventuali problemi.
Conferma che tutti i sensori siano accesi e che abbiano stabilito con successo un flusso dati in tempo reale, registrando e trasmettendo i dati all'applicazione per smartphone compagnia.
NOTA: Tutti i sensori devono essere calibrati rigorosamente secondo le specifiche dei rispettivi produttori prima di essere consegnati ai partecipanti. Si raccomanda che i sensori di inquinamento atmosferico a basso costo si sottopongano a un test di calibrazione per collocazione contro uno strumento di riferimento di livello scientifico per un periodo di due settimane in un sito rappresentativo, al fine di derivare fattori di correzione specifici per i sensori. La procedura di collocazione consiste nel posizionare il sensore a basso costo adiacente allo strumento di riferimento (entro 1 m, alla stessa altezza), facendo funzionare entrambi contemporaneamente per almeno 14 giorni per catturare una gamma di condizioni ambientali. I dati accoppiati vengono poi utilizzati per derivare modelli di correzione lineari o non lineari (ad esempio, C_corretto = (C_grezzo - b)/a) tramite analisi di regressione. Per i sensori senza accesso agli strumenti di riferimento, si raccomanda la calibrazione zero con aria pulita filtrata HEPA per correggere la deriva di base. È richiesto un periodo di stabilizzazione di 10–15 minuti in condizioni di aria pulita prima di registrare i valori di base. Prima di ogni dispiegamento, dovrebbe essere effettuato un controllo di verifica pre-dispiegamento per confermare la reattività dei sensori e la stabilità della trasmissione dei dati. Durante la raccolta dei dati, devono essere mantenuti i log giornalieri di controllo qualità (QA) per documentare eventuali anomalie, deriva dei sensori o interruzioni di connettività. I sensori di temperatura e umidità relativa (HR, unità: percentuale, %) sono solitamente integrati come componenti nei dispositivi di rilevamento dell'inquinamento atmosferico. L'esposizione continua al rumore può essere misurata alternativamente utilizzando il microfono integrato dello smartphone tramite l'applicazione dedicata. L'esposizione alla luce e al calore raccolta con il braccialetto smart e il telefono cellulare non è raccomandata, a causa dell'elevata suscettibilità all'ostruzione e ai fattori di confusione come indumenti e posizionamento. Per uno studio o una pratica longitudinale, si consiglia un dispositivo modulare integrato di dimensioni ridotte per il monitoraggio multi-inquinante.

3. Configurazione delle applicazioni per smartphone

Installa l'applicazione mobile M3-BREATHE (sviluppata su misura per Android/iOS) sullo smartphone del partecipante.
Abilita la sincronizzazione GPS, Bluetooth e dati in background.
Configura l'app per registrare i dati di localizzazione GPS a intervalli di 1 minuto e sincronizza i dati dei sensori ogni 5 minuti.
Imposta la frequenza di campionamento dei dati a 1 Hz (cioè un campione al secondo) per ogni dispositivo connesso (monitor fisiologici indossabili e sensori ambientali portatili) per garantire la cattura dei dati ad alta risoluzione temporale.
Conferma che tutte le impostazioni siano salvate prima di avviare la registrazione dei dati.
NOTA: È buona prassi eseguire una breve registrazione di test (ad esempio, di 5 minuti) dopo la configurazione. Esamina il file dati del test per confermare che tutti i flussi dati attesi (coordinate GPS, HRV, ECG, inquinamento atmosferico, rumore, ecc.) siano registrati, correttamente marcati con il tempo e contengano valori plausibili prima di iniziare l'intero periodo di studio. Vale la pena notare che l'esposizione al verde viene misurata indirettamente integrando dati di traiettoria GPS ad alta risoluzione spaziotemporale con dataset geografici come OpenStreetMap o indici di vegetazione derivati da satelliti (ad esempio, NDVI per la copertura vegetale). Per affrontare la discrepanza spaziale tra strati ambientali a risoluzione grossolana (ad esempio, NDVI a 10–250 m) e misure biometriche a livello individuale, il protocollo assegna valori di esposizione ambientale a ciascun punto GPS basandosi su metodi di estrazione del vicino più vicino o media del buffer, garantendo l'allineamento spaziale nella posizione e nel momento di ciascuna misurazione fisiologica.

4. Procedure di acquisizione dati

Inserimento dei partecipanti
1. Reclutare i partecipanti utilizzando un metodo di campionamento stratificato per garantire la rappresentatività della popolazione target.
2. Fornire ai partecipanti materiali guida completi, inclusi un foglio di istruzioni dettagliato, un manuale e, preferibilmente, un video istruttivo, sulle procedure per indossare e utilizzare i sensori e sull'uso dell'applicazione per smartphone corrispondente.
3. Condurre un'indagine sanitaria di base all'interno dell'app per raccogliere dati demografici (ad esempio, genere, età, altezza, peso, stato civile), storia medica (ad esempio, malattie non trasmissibili, NCD), stato di salute respiratoria (ad esempio, anni di fumo in confezione, tosse cronica o dispnea) e altre informazioni sanitarie auto-riferite (ad esempio, salute fisica e mentale generale, consumo di alcol, modelli alimentari, livelli di attività fisica, qualità del sonno).
  NOTA: Raccomando strumenti standardizzati per la raccolta di informazioni sanitarie auto-riportate, inclusi il Short Form Survey a 12 Item (SF-12) per la salute^{generale 46}, l'Alcohol Use Disorders Identification Test-Consumption (^AUDIT-C)47, l'International Physical Activity Questionnaire-Short Form (IPAQ-SF)⁴⁸ e il Pittsburgh Sleep Quality Index (PSQI⁾⁴⁹. In alternativa, si possono applicare scale Likert da 7 elementi per motivi di comodità.
Routine di monitoraggio quotidiana
1. Istruire il partecipante a indossare i sensori fisiologici mobili e a portare con sé i dispositivi portatili di monitoraggio ambientale (zaino con tasca a rete) per un periodo continuo di 24 ore. Durante il sonno, i sensori ambientali dovrebbero essere posizionati in camera da letto per mantenere la valutazione dell'esposizione, con particolare attenzione al sensore di luce.
2. Ricorda al partecipante di ricaricare la power bank ogni sera e di mantenerla collegata ai sensori ambientali per mantenere un funzionamento e dati ininterrotti.
3. Il flusso di dati sarà monitorato tramite controlli manuali da parte del team di ricerca ogni 4 ore, oppure, preferibilmente, tramite un avviso automatico dal sistema backend all'interno dell'applicazione, attivato dopo 30 minuti di interruzione della sincronizzazione dati. In caso di disconnessione per oltre 30 minuti, il partecipante verrà contattato per risolvere il problema.
4. Incoraggia il partecipante a compilare un sondaggio diario di attività all'interno dell'applicazione (un modello è fornito nella Tabella 1) ogni sera per migliorare l'accuratezza dell'attività quotidiana e della contestualizzazione della mobilità, al fine di un trattamento e intervento più efficaci e mirati. Ogni sera alle 20:00 viene inviato un promemoria automatico (applicazione/SMS) per promuovere una conformità coerente.
  NOTA: Un'interfaccia interattiva, con una mappa per la visualizzazione della traiettoria (con timestamp), può essere implementata tramite l'identificazione basata su machine learning di attività e viaggi basandosi sui dati GPS. Idealmente, consigli o promemoria possono essere inviati automaticamente tramite l'applicazione al partecipante per registrare un'attività o un viaggio, in base al verificarsi della prossima attività/episodio di viaggio, per mitigare il bias di richiamo a fine giornata. Si consiglia una revisione finale prima di andare a letto per consolidare il registro giornaliero. Inoltre, la valutazione ecologica momentanea (EMA) può essere utilizzata per catturare esperienze soggettive (ad esempio, mancanza di respiro, stanchezza, percezioni dell'inquinamento ambientale) tre volte al giorno (ad esempio, alle 8:00, alle 12:00 e alle 16:00) tramite notifiche push.
Sincronizzazione e Backup dei Dati
1. Tutti i dati raccolti in tempo reale e di viaggio di attività vengono automaticamente sincronizzati su un server cloud sicuro e criptato tramite Wi-Fi o rete cellulare. Il database cloud è configurato con backup automatici regolari per prevenire la perdita di dati.
2. Tutti i dati vengono prima memorizzati nella memoria interna dello smartphone. I dati sincronizzati vengono automaticamente cancellati dal dispositivo ogni giorno dopo la verifica riuscita da parte del server cloud.
3. Tutti i dati sono anonimizzati al momento della raccolta e memorizzati in sicurezza su server istituzionali. L'archiviazione, la trasmissione e lo smaltimento dei dati sono gestiti in stretta conformità con le politiche di sicurezza e privacy dei dati dell'istituzione ospitante.
  Il riassunto dei dati e la fonte sono forniti nella Tabella 2.

ParticipantID	Data	StartTime	EndTime	Attività(A)/Viaggio(T)	Tipo di attività/Modalità viaggio
1	13/08/2025	0:00	7:00	A	Dormi
1	13/08/2025	7:00	7:30	A	Colazione
1	13/08/2025	7:30	8:00	T	Trasporti pubblici
1	13/08/2025	8:00	11:30	A	Opera
1	13/08/2025	11:30	11:45	T	Cammina
1	13/08/2025	11:45	12:45	A	Pranzo
1	13/08/2025	12:45	13:00	T	Cammina
1	13/08/2025	13:00	17:00	A	Opera
1	13/08/2025	17:00	17:15	T	Bicicletta
1	13/08/2025	17:15	18:00	A	Cucina
1	13/08/2025	18:00	19:00	A	Cena
1	13/08/2025	19:00	21:00	A	Tempo libero
1	13/08/2025	21:00	21:30	A	Bath
1	13/08/2025	21:30	23:59	A	Dormi
1	14/08/2025	0:00	6:30	A	Dormi
1	14/08/2025	…	…	…	…

Tabella 1: Modello di diario di viaggio di attività per il monitoraggio M3-BREATHE. La tabella illustra come i dati comportamentali vengono registrati e organizzati per essere integrati con le analisi dell'esposizione e della salute.

Dispositivi mobili per la salute indossabili	Applicazione per smartphone	Sensori ambientali portatili
Frequenza respiratoria (RR)	Coordinate GPS	Particolato (PM2.5, PM10)
Volume Marea (TV)	Diario di attività e viaggi	Monosside di carbonio (CO)
Frequenza cardiaca (FC)	Valutazione ecologica momentanea (EMA)	Anidride di azoto (NO2)
Variabilità della frequenza cardiaca (HRV)	Informazioni sanitarie di base	Anidride di Solfo (SO₂)
Elettrocardiogramma (ECG)	Età, genere, ecc.	Composti Organici Volatili (COV)
Pressione sanguigna (BP)	Indice di massa corporea (BMI)	Rumore (N)
Saturazione di ossigeno nel sangue (SpO₂)	Status socioeconomico (SES)	Temperatura (T)
Equivalenti Metabolici (MET)	Storia medica	Umidità relativa (HR)
Temperatura della pelle (ST)	Stato di salute respiratoria	Illuminanza (lx)
Accelerometro (ACC)	Informazioni sanitarie auto-riportate	Luce circadiana A (CLA)

Tabella 2: Riassunto dei dati e della fonte dei dispositivi. La tabella elenca metriche chiave (ad esempio, frequenza cardiaca, respiratoria, particelle, temperatura) e le relative modalità di misura.

5. Elaborazione e analisi dei dati

Calibrazione del dispositivo e assicurazione della qualità
Prima della distribuzione, tutti i dispositivi saranno sottoposti a controlli di calibrazione di base secondo le specifiche del produttore. Per i sensori ambientali (ad esempio, monitor PM_2.5), ciò può includere la calibrazione zero o il confronto con strumenti di riferimento quando disponibili. Durante l'elaborazione dei dati, verranno applicate procedure di controllo qualità e controllo qualità (QA/QC) sia ai flussi di dati ambientali che biometrici. Tutti i passaggi QA/QC saranno documentati per garantire trasparenza e riproducibilità.
1. Controlli di autonomia per rimuovere valori fisiologicamente o fisicamente implausibili (ad esempio, frequenza cardiaca estrema o concentrazioni di inquinanti).
2. Rilevamento ed esclusione di artefatti del segnale (ad esempio, rumore legato al movimento nei dati indossabili). Procedure di levigatura o filtraggio (ad esempio, medie mobili) dove appropriato.
3. Identificazione e gestione dei segmenti di dati mancanti o scarsi.
Preprocessing
1. I dati grezzi dei sensori vengono puliti (la deriva GPS viene corretta tramite il filtro di Kalman) e sincronizzati con i diari di attività e viaggi utilizzando l'approccio Multimodal Temporal Alignment tramite pacchetti di preprocessing basati su Python (ad esempio, Pandas, GeoPandas, Tsfresh, Pyo3). Tutti i dati elaborati vengono successivamente integrati nel database M3-BREATHE.
2. Per garantire l'allineamento temporale tra esposizioni ambientali e misurazioni biometriche, sincronizza tutti i flussi di dati con un quadro temporale unificato. Standardizzare i clock dei dispositivi prima del deployment utilizzando protocolli di tempo basati su rete. Durante l'elaborazione dei dati, allinea i timestamp di diversi dispositivi a un tempo di riferimento comune (ad esempio, UTC) e correggi la deriva dell'orologio usando interpolazione lineare o aggiustamento dell'offset temporale.
3. Aggregare dati a frequenza più alta (ad esempio, frequenza cardiaca derivata da dispositivi indossabili) per corrispondere alla risoluzione delle misure ambientali o adattare i dati ambientali per corrispondere a quelli a frequenza più alta, a seconda dell'obiettivo dell'analisi. Gestire timestamp mancanti o intervalli di campionamento irregolari applicando interpolazione o escludendo dati basandosi su criteri di qualità predefiniti.
4. Elaborare i dati GPS insieme a dataset geografici esterni che caratterizzano gli ambienti costruiti e naturali per contestualizzare le esposizioni individuali. Calcolare l'esposizione al verde integrando i record GPS con i dati di OpenStreetMap e gli indici di vegetazione derivati dal satellite (ad esempio, NDVI). Affrontare le disparità di scala tra traiettorie GPS ad alta frequenza e strati ambientali satellitari a risoluzione inferiore applicando metodi di allineamento spaziale basati su vicini più prossimi o buffer.
5. Per ogni punto GPS, assegnare il corrispondente valore di esposizione ambientale dal pixel che si interseca o il più vicino, oppure calcola una media ponderata dei pixel all'interno di un raggio di buffer definito (ad esempio, 10 m, 30 m) che rifletta la tipica incertezza spaziale GPS. Assicurarsi che le esposizioni ambientali siano attribuite a una risoluzione spaziotemporale compatibile con i dati fisiologici e comportamentali raccolti simultaneamente.
Estrazione delle caratteristiche
1. Riassumere i dati di monitoraggio ambientale e della salute mobile utilizzando metriche chiave, incluse misure di tendenza centrale (media, mediana, media ponderata), valori estremi (massimo, minimo, percentili), variabilità (deviazione standard, varianza, coefficiente di variazione, intervallo interquartile) e schemi temporali (frequenza di picco, durata sopra la soglia, tasso di variazione, variazione diurna, settimanale o stagionale).
2. Calcola l'esposizione cumulativa agli inquinanti atmosferici utilizzando metriche di esposizione totale (concentrazione media e dose inalata) e l'area sotto la curva (AUC). Calcolare la dose inalata di inquinante (D) durante una durata di esposizione (t) utilizzando la relazione qui sotto.
  
  con una ventilazione minuta definita come:
  
  dove C è la concentrazione di inquinanti nell'aria inalata (μg/^{m 3}, ppb o ppm, a seconda della convenzione dell'unità); è la ventilazione minuta, cioè il volume totale d'aria inalata al minuto (L/min); RR è la frequenza respiratoria (respirazioni/minimo); V_T è il volume tidale, ovvero il volume d'aria inalata per respiro (L/respiro); e t è la durata dell'esposizione (min).
  Si noti che la dose D viene calcolata in μg, a condizione che venga convertita in m³/min (cioè divisa per 1000) per mantenere la consistenza unitaria.
3. Dato che i sensori respiratori indossati sul torace sono solitamente costosi e gravosi da indossare continuamente per lunghi periodi in contesti reali, rispetto a durate di monitoraggio da diverse ore a pochi giorni in esperimenti clinici controllati, si valuta la frequenza respiratoria utilizzando i dati di accelerometro e giroscopio ottenuti dal braccialetto smart applicando algoritmi di machine^{learning 50,51}. Per migliorare l'accuratezza della valutazione, un modello di foresta casuale di solito funge da filtro, rifiutando dati che portano a una lettura imprecisa della frequenza respiratoria, dopodiché può essere utilizzato un modello di Rete Neurale Convolutional (CNN) per estrarre la frequenza^{respiratoria 52,53}.
4. Estrai caratteristiche comportamentali dai dati GPS, dai diari di attività di viaggio basati su smartphone e dai dati di movimento dagli accelerometri dei braccialetti. Generare un insieme di indicatori comportamentali individuali per analizzare le associazioni tra esposizione ambientale, comportamento ed esiti di salute. La Tabella 3 riassume i profili su scala multipla nei domini comportamentale, di esposizione ambientale e di salute.
  NOTA: Le frecce illustrano l'allineamento sequenziale dei profili tra i domini comportamentale, esposizione ambientale e salute.
Analisi dei Dati
1. Analisi descrittive ed esplorative
  1. Condurre statistiche descrittive iniziali per caratterizzare la distribuzione, la tendenza centrale e la variabilità di tutte le variabili.
  2. Eseguire analisi di correlazione e test del fattore di inflazione della varianza (VIF).
  3. Visualizza i dati di esposizione e salute utilizzando serie temporali, boxplot e mappe di calore geospaziali.
2. Associazioni acute e ritardi temporali
  1. Usa modelli di lag distribuiti (DLM).
  2. Riorganizza i dati di esposizione in blocchi di tempo.
  3. Effettuare analisi di sensibilità.
  4. Applicare metodi di serie temporali (ARIMA, VAR).
3. Associazioni croniche ed esposizioni cumulative
  1. Metriche aggregate di esposizione.
  2. Collega l'esposizione a valutazioni sanitarie ripetute.
  3. Usa modelli di regressione a effetti misti.
  4. Applicare analisi longitudinale o di sopravvivenza.
    NOTA: È necessario considerare strategie di finestra temporale. La Tabella 4 confronta diverse opzioni di finestra temporale.
4. Analisi della mediazione comportamentale e della moderazione
  1. Esplora la mediazione utilizzando il SEM o l'analisi causale.
  2. Esamina gli effetti della moderazione.
5. Funzioni di risposta esposizione e curve dose-risposta
  1. Quantificare le relazioni esposizione-risposta.
  2. Stima le funzioni dose-risposta inalate.
  3. Indagare sulle associazioni non lineari.
6. Analisi longitudinali e del corso della vita
  1. Valuta gli effetti cronici.
  2. Esplora le traiettorie del corso della vita.
7. Trattamento e intervento personalizzati
  1. Crea profili personalizzati.
  2. Identificare episodi ad alto rischio.
  3. Consiglia valutazioni mediche.
8. Intelligence sulla salute della popolazione
  1. Genera mappe di esposizione.
  2. Analizza le tendenze comportamentali.
  3. Valuta le disuguaglianze sanitarie.
  4. Usa modelli di machine learning.

Dominio comportamentale	Dominio dell'Esposizione Ambientale	Dominio della Salute
Caratteristiche transitorie/momentanee	Profili di esposizione istantanea	Profili sanitari a breve termine
Magnitudine vettoriale dell'accelerometro	Esposizione in tempo reale	Risposte allo stress cardiorespiratorio
Intensità istantanea dell'attività	Esposizione acuta	Cambiamenti acuti nella frequenza cardiaca, pressione bipolare, HRV, SpO₂, ecc.
Caratteristiche a livello episodio/incontro	Profili di esposizione a livello di episodio	Eventi aritmici ECG
Ora di inizio, ora di fine, durata	Concentrazione media di inquinanti	Sintomi respiratori e funzionalità
Tipo di attività	Dose cumulativa di esposizione agli inquinanti	Fluttuazioni specifiche della velocità di ventilazione per episodio
Tipo di località	Esposizione massima	Tosse e mancanza di respiro auto-riferiti
Interno/esterno	Esposizione basata sul percentile	Condizioni psicologiche e di benessere
Modalità di trasporto	Variabilità dell'esposizione	Umore EMA, stress, stanchezza, ecc.
Distanza del viaggio	Durata di esposizione sopra la soglia	Sforzo cognitivo e affettivo a livello di episodio
Velocità media di viaggio	Esposizione all'AUC	Carichi di esposizione acuta
Scopo del viaggio	Esposizione interna vs. esterna	Profili sanitari a medio termine
Intensità dell'attività fisica	Esposizione al microambiente dei trasporti	Marcatori cardiovascolari subclinici
Schema respiratorio	Esposizione sul posto di lavoro/casa/ricreazione	Aumenti sostenuti della frequenza cardiaca o della pressione a riposo
Funzionalità inter-segmenti e a livello quotidiano	Profili di esposizione a livello quotidiano	Punteggi precoci di rischio di ipertensione
Pause sedentarie e transizioni tra stati di attività	Esposizione media giornaliera	Tendenze della salute respiratoria
Transizioni tra ambienti interni ed esterni	Dose cumulativa giornaliera di esposizione	Frequenza degli episodi di sintomi respiratori
Transizioni tra microambienti di trasporto	Massima esposizione giornaliera	Declino della funzione polmonare (RR, SpO₂, ecc.)
Catene di attività e viaggi	Frequenza/durata dei picchi giornalieri	Stato metabolico e di attività fisica
Attività/complessità del tour	Esposizione minima giornaliera	MET-min/settimana cumulativo
Catena di attività e viaggi	Esposizione percentile giornaliera	Distribuzione dell'intensità dell'attività
Struttura dell'uso del tempo	Durata giornaliera di esposizione sopra la soglia	Salute del sonno e del recupero
Spazio di attività, raggio di giro, entropia spaziale	Esposizione giornaliera all'AUC	Persistenza della fatica oltre la variazione quotidiana
Direzione generale del viaggio	Variabilità dell'esposizione quotidiana	Salute mentale e benessere
Tempo in Attività Fisica Moderata a Vigorosa (MVPA)	Pendenza di esposizione giornaliera (tasso di variazione)	Reattività allo stress, punteggi all'ansia, ecc.
Ritmo circadiano	Rapporto giornaliero picco/media	Rischi di esposizione cumulativa
Schemi abituali di routine	Profili di esposizione longitudinali	Concentrazione media di inquinanti e dose
Attività quotidiana di routine - schemi di viaggio	Esposizione media a lungo termine	Profili sanitari a lungo termine
Variabilità nei modelli quotidiani di attività e viaggi	Dose cumulativa di esposizione a lungo termine	Rischio e progressione delle malattie cardiovascolari
Cronotipo del ritmo circadiano	Esposizione massima	Esiti respiratori e polmonari
Discrepanze nel ritmo circadiano nel fine settimana/giorni feriali	Frequenza/durata degli eventi di picco	Esiti metabolici e legati all'obesità
Regolarità della mobilità (traiettoria, commutazione, modalità, ecc.)	Esposizione basata sul percentile	Esiti sulla salute mentale
Tendenze a lungo termine nell'attività fisica	Tempo sopra la soglia	Salute sistemica e invecchiamento biologico
Cicli comportamentali sedentari e attivi	Esposizione all'AUC	Risultati funzionali e di qualità della vita
Tempi e regolarità dietetica	Variabilità giornaliera/settimanale/mensile/stagionale	Traiettorie di salute lungo il corso della vita
Comportamento adattivo sotto estremi ambientali	Estrazione a serie temporali di esposizione	Intelligence sulla salute della popolazione

Tabella 3: Profili dati multiscala di M3-BREATHE. La tabella evidenzia come le metriche comportamentali si relazionano agli esiti di salute a breve, medio e lungo termine.

Finestra	Caso d'uso	Approccio di modellazione	Pro	Contro
1 ora	Effetti molto acuti	Includere la media mobile a 1-h come covariata nell'LME o serie temporale; oppure usare DLNM con ritardi orari	Cattura cime immediate; diluizione minima	Forte rumore; necessita di dati ad alta risoluzione; Intuizione cronica limitata
24 ore su 24	Giornaliere (a breve termine)	Media mobile 24 ore in modello misto; DLNM o DLM con lag di 1 giorno	Riduce il rumore; si allinea con le metriche normative	Potrebbe rendere più semplice gli eventi di picco
7 giorni	Settimanale (subacuto)	covaria media 7 giorni; DLM con lag fino a 7 giorni	Cattura l'esposizione accumulata a breve termine	Sfoca la variabilità quotidiana; Levigatura moderata
30 giorni	Mensile (medio termine)	media di 30 giorni; DLNM con struttura mensile di lag	Riflette il carico di esposizione recente; più liscio	Manca i picchi quotidiani; assume una cumulazione lineare
90 giorni	Stagionale (a lungo termine)	Media di 90 giorni o ritardo distribuito su ~90d	Cattura la tendenza stagionale	Eccessivamente leviga; Confondi con i fattori stagionali
365 giorni	Annuale (a lungo termine)	Media annuale nei modelli LME o Cox	Utile per il rischio cronico; Controlli per la stagione	Ignora la variazione acuta; confuso dalle tendenze dell'invecchiamento

Tabella 4: Strategie per finestra temporale e approcci analitici. Riepilogo delle strategie della finestra temporale e dei corrispondenti approcci analitici utilizzati per valutare le esposizioni ambientali su diverse scale temporali, evidenziandone l'applicabilità, i punti di forza e i limiti.

Risultati

I seguenti risultati rappresentativi sono stati trattenuti da uno studio pilota che ha integrato sensori portatili per l'inquinamento atmosferico, diari di attività-viaggio e il benessere soggettivo auto-riportato (SWB) a livello di episodio. I partecipanti dovevano portare con sé sensori portatili di inquinamento atmosferico durante le attività quotidiane e il viaggio per un periodo continuo di 48 ore (da venerdì a sabato o da domenica a lunedì) e a compilare diari di attività e viaggi di accompagnamento. I dati di un totale di 112 partecipanti validi, da dicembre 2017 a febbraio 2018, nella comunità residenziale di Meiheyuan, Pechino, sono stati inclusi nell'analisi. Questa analisi preliminare si concentra sulle interrelazioni tra l'esposizione a PM_2.5 (dominio ambientale), le attività quotidiane (dominio comportamentale) e la SWB cognitiva (dominio della salute). Sebbene questo pilota non convalidi ancora l'intera pipeline M3-BREATHE, in particolare l'integrazione di segnali fisiologici (ad esempio, HRV, frequenza respiratoria) e allerti di esposizione in tempo reale, rappresenta un esempio illustrativo dell'approccio analitico. Per lavori futuri è necessaria una validazione completa end-to-end del sistema multimodale completo.

Per convalidare la pipeline end-to-end M3-BREATHE, abbiamo valutato l'integrità dei dati (99,3% tasso di cattura dati GPS e 93,2% tasso di cattura del monitor dell'inquinamento atmosferico), la precisione della sincronizzazione (asincronia temporale di ≤1 s tra dati multimodali) e la validità della calibrazione (le misurazioni PM_2.5 da sensori a basso costo avevano una correlazione Pearson di r=0,86 con strumenti di riferimento di livello di ricerca dopo la calibrazione della collocazione). La pipeline ha integrato dati di traiettoria GPS, dati di esposizione ambientale e dati di diario auto-riportati, permettendo l'identificazione di modelli di esposizione specifici per attività e associazioni esposizione-salute. Questi risultati confermano la riproducibilità e l'affidabilità del protocollo M3-BREATHE per il monitoraggio reale di E-M-H.

La Figura 1 rappresenta la concentrazione media di esposizione a PM_2.5 (barre blu, asse sinistro) e i punteggi cognitivi SWB (linea arancione, asse destro) in una gamma di attività quotidiane e viaggi. I risultati mostrano che le concentrazioni di esposizione a PM_2,5 differivano notevolmente a seconda dei tipi di attività. L'esposizione media più alta è stata osservata durante il sonno, indicando un alto livello di inquinamento atmosferico all'interno di casa. Questo potrebbe essere dovuto al fatto che l'area di studio è relativamente altamente inquinata rispetto ad altre parti di Pechino. Altre attività con concentrazioni di esposizione costantemente elevate includevano navigare su Internet, intrattenimento, studio e passeggiate, tutte temperature superiori a 20 μg/^m3. Sono state riscontrate concentrazioni di esposizione medie per attività come lavoro, attività fisica, assistenza e viaggi (15–20 μg/^{m 3}). Le esposizioni più basse sono state registrate durante relazioni personali, visite dal medico, ristorazione e assistenza personale (5–15 μg/^{m 3}). Queste differenze, basate su questo studio pilota, riflettono i contesti ambientali specifici in cui si svolgono le attività (indoor vs. outdoor e sedentario vs. attivo). Al contrario, i punteggi cognitivi SWB hanno mostrato una minore variabilità tra le attività, variando strettamente tra 1,7 e 2,3 (su una scala di insoddisfazione da 1 a 5). I punteggi di soddisfazione più bassi erano associati a visite mediche e viaggi, seguiti da affari personali e lavoro, mentre i punteggi più alti di soddisfazione erano legati all'attività fisica, all'intrattenimento e all'attività sociale, che spesso sono attività intrinsecamente gratificanti.

È stato riscontrato che i tipi di attività associati a concentrazioni di esposizione più elevate a PM_2,5non corrispondevano sempre a una bassa SWB cognitiva, suggerendo schemi di disaccoppiamento tra l'esposizione a PM_2,5 e la SWB cognitiva auto-riferita. Ad esempio, attività fisica e intrattenimento combinati con un'esposizione elevata e alti punteggi cognitivi SWB. Questo potrebbe riflettere che il rischio per la salute dell'esposizione alla PM_2.5potrebbe essere trascurato o non consapevolmente collegato alla SWB cognitiva, probabilmente a causa della natura invisibile della PM_2.5, che la rende ancora più insidiosa e difficile da rilevare nell'ambiente. In confronto, inquinanti come SO₂, NO_x e_{O 3} hanno caratteristiche più facilmente rilevabili. Ad esempio, SO₂ ha un odore distintivo di solforo e NO_xè spesso associato a emissioni visibili provenienti da processi industriali e scarichi di scarico dei veicoli. Questi inquinanti gassosi possono causare irritazione immediata agli occhi, alla gola e al sistema respiratorio, rendendoli più facili da rilevare e gestire senza la necessità di apparecchiature specializzate. Tuttavia, il PM_2.5 è l'inquinante più pericoloso perché può penetrare nelle regioni di scambio gassoso del polmone (alveolo), e particelle molto piccole possono attraversare i polmoni per influenzare altri organi e quindi danneggiare il sistema^{circolatorio 59}. Questa scoperta evidenzia la sfida unica posta dalla PM_2.5, la cui natura impercettibile e i gravi impatti sulla salute la rendono un rischio ambientale critico ma spesso sottovalutato in varie attività quotidiane.

figure-results-1

Figura 1: PM_2.5esposizione concentrazione e benessere cognitivo soggettivo (SWB) per tipo di attività quotidiana. Il benessere soggettivo cognitivo (SWB) è misurato su una scala di Likert che va da 1 (molto soddisfatto) a 5 (molto insoddisfatto). La figura illustra variazioni nei livelli di esposizione ai particellesi fini (PM_2,5, μg/^{m 3}) e nei corrispondenti punteggi di benessere tra le attività. I punti dati rappresentano i valori osservati. Clicca qui per visualizzare una versione più grande di questa figura.

Per esaminare la relazione tra esposizione all'inquinamento atmosferico e benessere soggettivo (SWB), questo studio pilota utilizza un Modello Additivo Generalizzato (GAM), che consente effetti non lineari flessibili. Sia l'esposizione contemporanea all'inquinamento atmosferico (AAP) sia l'esposizione ritardata dall'attività precedente (AAP_1) sono modellate utilizzando funzioni fluide, mentre le caratteristiche socio-demografiche (genere, età, hukou, istruzione, stato civile e reddito) sono incluse come variabili di controllo. I risultati mostrano che né l'AAP né il AAP_1 hanno un effetto statisticamente significativo sulla SWB, con valori p rispettivamente di 0,234 e 0,266. Sebbene i termini stimati e lisci suggeriscano alcuni pattern non lineari, questi effetti non sono robusti (Figura 2). Al contrario, alcune caratteristiche individuali mostrano associazioni più forti con la SWB.

Questi risultati suggeriscono che l'esposizione a breve termine all'inquinamento atmosferico, sia contemporanea sia in ritardo da un singolo episodio di attività, non influenza significativamente la SWB. Una possibile spiegazione è che gli individui potrebbero non rispondere immediatamente alle fluttuazioni a breve termine della qualità dell'aria, o che tali effetti richiedano un'esposizione più lunga o cumulativa per diventare rilevabili. Ricerche future potrebbero estendere questa analisi incorporando molteplici strutture di ritardo (ad esempio, esposizioni di diversi episodi di attività precedenti), utilizzando misure basate sul tempo (ad esempio, durata dell'esposizione a livello di minuto) o applicando approcci alternativi di modellazione come modelli di lag distribuito o metodi di apprendimento automatico per catturare meglio gli effetti dinamici e cumulativi dell'inquinamento atmosferico sul benessere.

figure-results-2
Figura 2: Effetti non lineari dell'esposizione all'inquinamento atmosferico attuale e ritardato sul benessere soggettivo. Le curve rappresentano stime degli effetti derivate dal modello nel tempo, evidenziando fluttuazioni a breve termine e risposte ritardate. AAP indica esposizione contemporanea, mentre AAP₁ rappresenta l'esposizione con un ritardo di un'unità temporale (ad esempio, 1 giorno). Clicca qui per visualizzare una versione più grande di questa figura.

Discussione

Un passaggio fondamentale nell'implementazione del protocollo M3-BREATHE è la configurazione e la sincronizzazione affidabile dei dispositivi multimodali, poiché l'integrità dei dati dipende fortemente da connessioni stabili tra sensori indossabili, monitor ambientali portatili e l'applicazione per smartphone. È inoltre essenziale assicurarsi che tutti i sensori siano calibrati secondo le specifiche del produttore prima di avviare il sondaggio. Idealmente, i dispositivi ambientali portatili, in particolare il monitor dell'inquinamento atmosferico, dovrebbero essere collocati e calibrati rispetto a strumenti di riferimento di livello scientifico prima dell'impiego, per garantire la validità e l'accuratezza delle misurazioni a scopo di ricerca.

In esperimenti clinici controllati o in indagini a breve termine su piccola scala, l'uso di una fascia respiratoria indossata sul torace fornisce parametri respiratori ad alta fedeltà (frequenza respiratoria, volume tidale, ECG), offrendo maggiore precisione rispetto ai sensori basati sul polso e fungendo da base di triangolazione per la convalida delle loro stime algoritmiche. Al contrario, per il monitoraggio longitudinale in ambienti naturalistici, incluso l'uso volontario da parte dei consumatori, è preferibile la combinazione di un braccialetto smart e un'applicazione per smartphone, poiché questi dispositivi sono meno invasivi e favoriscono una conformità sostenuta da parte dei partecipanti. Per studi con risorse limitate o preoccupazioni legate al carico dei partecipanti, si raccomanda un kit minimo composto da un braccialetto intelligente, un'applicazione per smartphone e un singolo monitor per inquinanti. Sensori aggiuntivi (ad esempio, fascia respiratoria sul petto, un indicatore luminoso dedicato) dovrebbero essere considerati in base agli obiettivi di ricerca specifici e al budget. Raccomandazioni dettagliate per l'adattamento del protocollo M3-BREATHE in esperimenti clinici controllati e in studi/pratiche longitudinali reali sono fornite nella Tabella 5.

Dominio dei dati	Metrica (Abbreviazione)	Esperimento clinico controllato				Studio/pratica longitudinale reale
Dominio dei dati	Metrica (Abbreviazione)	Sensore portato sul petto	Braccialetto intelligente	Monitor ambientale portatile	App per smartphone	Braccialetto intelligente	Monitor ambientale portatile	App per smartphone
Fisiologico	Frequenza cardiaca (FC)	ΟΟΟ	ΟΟ			ΟΟΟ
	Variabilità della frequenza cardiaca (HRV)	ΟΟΟ	ΟΟ			ΟΟΟ
	Frequenza respiratoria (RR)	ΟΟΟ	Ο			ΟΟΟ
	Volume Marea (TV)	ΟΟ	Ο			ΟΟ
	Elettrocardiogramma (ECG)	ΟΟΟ	ΟΟ			ΟΟΟ
	Pressione sanguigna (BP)		ΟΟΟ			ΟΟ
	Saturazione di ossigeno nel sangue (SpO₂)		ΟΟΟ			ΟΟ
	Equivalenti Metabolici (MET)		ΟΟΟ			ΟΟ
	Temperatura della pelle (ST)		ΟΟ			Ο
	Accelerometro (ACC)		ΟΟ			ΟΟΟ
Ambiente	Particolato (PM2.5, PM10)			ΟΟΟ			ΟΟΟ
	Monosside di carbonio (CO)			ΟΟΟ			ΟΟ
	Anidride di azoto (NO2)			ΟΟΟ			ΟΟ
	Anidride di Solfo (SO₂)			ΟΟ			Ο
	Volatile Organico Composti (COV)			ΟΟ			ΟΟ
	Rumore (N)			ΟΟΟ	Ο		Ο	ΟΟ
	Temperatura (T)			ΟΟΟ			ΟΟ
	Umidità relativa (HR)			ΟΟ			Ο
	Esposizione alla luce (illuminanza)			ΟΟΟ			ΟΟ
	Esposizione alla luce (luce circadiana A)			ΟΟ			Ο
	Verdaggine				ΟΟΟ			Ο
Comportamentale e Contestuale	Posizione GPS / Traiettoria				ΟΟΟ			ΟΟΟ
	Diario di Attività e Viaggi (ATD)				ΟΟΟ			Ο
	Momentaneo ecologico Valutazione (EMA)				ΟΟ			Ο
	Caratteristiche di base (BC)				ΟΟΟ			ΟΟΟ
Note: ΟΟΟ, kit minimo; Kit standard; Ο, alternativa

Tabella 5: Raccomandazioni per l'adattamento del protocollo M3-BREATHE. Riepilogo dei domini di misura e dei livelli di strumentazione tra contesti di studio (minimo ΟΟΟ; standard ΟΟ; Ο alternativo).

Sono necessarie diverse modifiche e strategie di risoluzione dei problemi quando si applica questo protocollo in contesti diversi. Innanzitutto, in caso di disconnessione tra i dispositivi di monitoraggio e lo smartphone o in periodi superiori a 30 minuti con dati nulli o invalidi (ad esempio, perdita di dati dei parametri sanitari dovuta a malfunzionamento del sensore o mancanza di contatto con la pelle), dovrebbero essere generati segnalazioni automatiche agli investigatori affinché i partecipanti possano essere contattati tempestivamente per risolvere il problema. Gli investigatori possono anche effettuare controlli regolari dell'integrità dei dati. In secondo luogo, per le implementazioni longitudinali del protocollo, l'aderenza del dispositivo e la gestione della batteria possono presentare sfide maggiori. I partecipanti possono occasionalmente dimenticare di indossare il braccialetto smart, ricaricare i power bank o compilare i diari di attività e viaggi. Promemoria automatici in-app, monitoraggio backend e prompt giornalieri per il diario sono strumenti efficaci di mitigazione.

Nonostante i suoi vantaggi, M3-BREATHE presenta diverse limitazioni. Sebbene le fasce toracici intelligenti permettano misurazioni respiratorie precise, generalmente non sono pratiche per il monitoraggio a lungo termine a causa del carico^{del partecipante a 60}. Si raccomandano quindi misurazioni basate su braccialetto e algoritmi per la valutazione della respirazione, sebbene abbiano una precisione ridotta nella stima del volume tidal o nel rilevamento di aritmie sottili, e le loro prestazioni possono essere influenzate dagli artefatti del^{movimento 61}. Inoltre, l'utilizzo di più dispositivi di monitoraggio ambientale aumenta la possibilità di potenziali guasti di connettività, orologi non sincroni o malfunzionamenti dei sensori. Dovrebbe essere sviluppato un dispositivo modulare integrato per il monitoraggio multi-inquinanti o approcci alternativi (ad esempio, il monitoraggio del rumore basato su smartphone), con l'obiettivo di mantenere la precisione delle misurazioni minimizzando la dimensione del dispositivo e massimizzando la^{portabilità 62}. Inoltre, la dipendenza da sistemi auto-segnalati in-app (ad esempio, diari di attività e viaggi, cartelle cliniche) può introdurre bias di richiamo e aumentare i oneri di conformità^{a lungo termine 63}. L'identificazione basata su machine learning di attività e viaggi può essere^{adottata 64}, mentre il tracciamento delle cartelle cliniche dei fornitori di servizi sanitari può essere collegato senza soluzione di continuità all'applicazione per smartphone tramite una semplice interfaccia con un solo clic.

Questo visionario M3-BREATHE reale stabilisce una piattaforma scalabile, non invasiva ed economicamente efficiente per la ricerca e la pratica longitudinale di nexus ambientale-mobilità (E-M-H), promuovendo gli approcci esistenti. L'epidemiologia spaziale tradizionale spesso si basa sul monitoraggio a sito fisso o su proxy residenziali per la valutazione dell'esposizione, rendendola vulnerabile al problema dell'unità areale modificabile (MAUP) e al problema del contesto geografico incerto (UGCoP⁾^21,65. Integrando dati comportamentali, fisiologici e ambientali di esposizione comportamentale, fisiologica e ambientale ad alta risoluzione spazio-temporale multimodale, questo sistema si avvicina a valutazioni individualizzate dell'esposizione indipendente dal frame, facilitando lo smontaggio della "scatola nera" comportamentale nella relazione ambiente-salute^66,67. Supporta sia l'interpretazione approfondita individuale che basata sulla popolazione delle dinamiche dose-risposta, collegando le esposizioni multi-inquinanti in tempo reale alla reattività fisiologica e agli esiti sanitari, consentendo trattamenti e interventi personalizzati, sorveglianza sanitaria pubblica e ricerca traslazionale che collega l'esposizione ambientale, le attività quotidiane e la mobilità e gli esiti di salute⁶⁸, oltre a facilitare l'autogestione della salute degli individui e la mitigazione dei rischi per le esposizioni ambientali⁶⁹ (ad esempio, pianificatore di attività giornaliera per evitare profili storici personali E-M-H basati sull'evitare esposizioni ad alto rischio).

Le applicazioni future di M3-BREATHE includono (1) integrazione con sistemi di intervento in tempo reale guidati dall'IA, dove avvisi di esposizione personalizzati attivano raccomandazioni di comportamento adattativo (ad esempio, il rerouting del pendolarismo durante il picco di esposizione PM_2.5); (2) impiego in popolazioni vulnerabili (ad esempio, anziani, asmatici) per valutare le associazioni specifiche di esposizione alla malattia e la salute e supportare la medicina di precisione; (3) combinazione con dati genomici per scoprire le interazioni genico-ambiente nello sviluppo di malattie croniche; (4) miniaturizzazione di sensori ambientali modulari integrati per ridurre il carico dei partecipanti e migliorare l'aderenza a lungo termine; (5) scala tra città e paesi per generare dataset globali E-M-H per ricerche comparative sulla salute ambientale. Inoltre, il protocollo può essere adattato per monitorare altri rischi ambientali sostituendo i sensori portatili rilevanti.

Dichiarazioni

L'autore dichiara di non avere interessi in conflitto.

Materiali

```html

Elenco dei materiali utilizzati in questo articolo
Nome	Azienda	Numero di catalogo	Commenti
AirBeam	HabitatMap	AirBeam-3	PM1, PM2.5, PM10, temperatura, umidità
AirVisual Pro	IQAir	Pro	AQI, PM2.5, CO2, temperatura, umidità.
Atmotube Pro	Atmotube	Pro	PM1, PM2.5, PM10,TVOC, temperatura, umidità, pressione barometrica
BioNomadix BioShirt	BioPac	BN-BIOSHIRT-Fx	Camicia intelligente wireless con elettrodi in tessuto integrati e sensori di respirazione, in grado di registrare segnali ECG e di respirazione.
Extech SL355 Personal Noise Dosimeter	Extech	SL355	registra SPL, Leq, Peak, ecc.
Fitbit Sense	Fitbit	2	Frequenza cardiaca, ECG, SpO₂, livelli di stress, sonno, GPS
FITVII GT5 Pro Max	FITVII	https://fitvii.com/products/gt5-pro-charger	Frequenza cardiaca, Pressione sanguigna, ECG, glucosio nel sangue, SpO₂, sonno, modalità sportive
GAOTek Compact Personal Noise Dosimeter	GAO Tek	ASLM-341	registra SPL, Leq, Peak, ecc.
Go Direct Respiration Belt	Vernier	GDX-RB	Monitor di respirazione per il torace che utilizza sensori di tensione o espansione per rilevare l'espansione o la contrazione toracica
Hexoskin Smart Shirt	Hexoskin	N/A	Indumento intelligente con sensori tessili integrati per il monitoraggio continuo della frequenza respiratoria, della frequenza cardiaca, della ventilazione, dell'attività, del sonno, ecc
Huawei Band	Huawei	9	Frequenza cardiaca, SpO₂, stadi del sonno, frequenza respiratoria, rilevamento dell'aritmia
Inkbird Air Quality Monitor	Inkbird	N/A	PM2.5, PM10, HCHO, TVOC, CO, CO₂,temperatura, umidità
La Roche-Posay My Skin Track UV	La Roche-Posay	My Skin Track UV	agganciato all'abbigliamento; misura UVA e UVB; alimentato ad energia solare
Miniaturized Light Dosimeter	Wearifi	BLE Light Dosimeter	fino a 8 canali di dosimetria spettrale (ad es. UV → IR), misura la dose di luce cumulativa; buono per il monitoraggio dell'esposizione a lungo termine.
Moto Watch 120	Motorola	https://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375	Frequenza cardiaca, sonno, SpO₂, stress, 100+ modalità sportive
Personal Noise Dosimeter SV-104A	Svantek	SV 104A	registra SPL, Leq, TWA, Peak, ecc.
Prana Air Pocket PM2.5 Monitor	PranaAir	N/A	PM1, PM2.5, PM10, AQI
Smart Health Wristband	VIYIWOK	https://www.ebay.com/itm/306538996133	Frequenza cardiaca, sonno, stress, modalità sportive
Smart Watch Fitness Tracker	TYKOIT	https://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-needed	Frequenza cardiaca, SpO₂, sonno, passi, calorie
SunSprite Personal Light Tracker	GoodLux Technology	SunSprite	agganciato all'abbigliamento; misura luce visibile e UV; alimentato ad energia solare
Temtop Air Station	‎Elitech	P1,M2000	PM2.5, PM10, AQI, temperatura, umidità e meteo
Xiaomi Smart Band	Xiaomi	9	Frequenza cardiaca, SpO₂, stadi del sonno, livelli di stress

```

Riferimenti

Zhang, Y., Kwan, M. P. Considering human mobility is essential for accurate environmental exposure assessment. Sci. Bull. , (2025).
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).
Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
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).
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).
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).
Jelinski, D. E., Wu, J. The modifiable areal unit problem and implications for landscape ecology. Landsc. Ecol. 11 (3), 129-140 (1996).
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).
Goodchild, M. F. Geographical information science. Int. J. Geogr. Inf. Syst. 6 (1), 31-45 (1992).
Kwan, M. P., Schwanen, T. Geographies of mobility. Ann. Am. Assoc. Geogr. 106 (2), 243-256 (2016).
Hayward, P. M. The modifiable areal unit problem (MAUP) and health disparities. , University of Connecticut. PhD thesis (2009).
Tobler, W. R. Frame independent spatial analysis. Accuracy of Spatial Databases. , 115-122 (1989).
Wong, D. Aggregation effects in geo-referenced data. Practical Handbook of Spatial Statistics. , CRC Press. 83-106 (2020).
Kwan, M. P. From place-based to people-based exposure measures. Soc. Sci. Med. 69 (9), 1311-1313 (2009).
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).
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).
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).
Kwan, M. P. The uncertain geographic context problem. Ann. Assoc. Am. Geogr. 102 (5), 958-968 (2012).
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).
Kwan, M. P., Neutens, T. Space-time research in GIScience. Int. J. Geogr. Inf. Sci. 28 (5), 851-854 (2014).
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).
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).
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).
Wu, Y., et al. Methods to account for uncertainties in exposure assessment in studies of environmental exposures. Environ. Health. 18 (1), 31(2019).
Racz, L., Rish, W. Exposure monitoring toward environmental justice. Integr. Environ. Assess. Manag. 18 (4), 858-862 (2021).
Vandenberg, L. N., et al. Addressing systemic problems with exposure assessments to protect the public’s health. Environ. Health. 21 (Suppl 1), 121(2023).
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).
Schmitz, O., et al. A computational framework for agent-based assessment of multiple environmental exposures. J. Expo. Sci. Environ. Epidemiol. , 1-13 (2025).
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).
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).
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).
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).
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).
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).
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).
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).
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).
Abernethy, A., et al. The promise of digital health: then, now, and the future. NAM Perspect. 2022, 10-31478 (2022).
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).
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).
Steinhubl, S. R., Muse, E. D., Topol, E. J. The emerging field of mobile health. Sci. Transl. Med. 7 (283), 283rv3(2015).
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).
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).
van Duijnhoven, J., et al. Measuring light exposure in daily life: A review of wearable light loggers. Build. Environ. , 112771(2025).
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).
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).
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).
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).
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).
Liaqat, D., et al. WearBreathing: Real world respiratory rate monitoring using smartwatches. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 3 (2), 1-22 (2019).
Takahashi, Y., et al. Accuracy of heart rate and respiratory rate measurements using two types of wearable devices. Prog. Rehabil. Med. 7, 20220016(2022).
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).
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).
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).
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).
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).
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).
Dritsas, E., Trigka, M. Efficient data-driven machine learning models for cardiovascular diseases risk prediction. Sensors. 23 (3), 1161(2023).
Amini, H. WHO air quality guidelines need to be adopted. Int. J. Public Health. 66, 1604483(2021).
Vitazkova, D., et al. Advances in respiratory monitoring: a comprehensive review of wearable and remote technologies. Biosensors. 14 (2), 90(2024).
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).
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).
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).
Koushik, A. N., Manoj, M., Nezamuddin, N. Machine learning applications in activity-travel behaviour research: a review. Transp. Rev. 40 (3), 288-311 (2020).
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).
Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
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).
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).
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).

Ristampe e permessi

Esplora altri articoli

Monitoraggio sanitario mobile monitoraggio multimodale segnali fisiologici esposizioni ambientali funzione respiratoria tracciamento GPS avvisi basati sull'apprendimento automatico valutazione della salute personalizzata dati ambientali urbani monitoraggio sanitario longitudinale

M3-BREATHE nel mondo reale: verso il monitoraggio multimodale mobile del comportamento, della respirazione e delle esposizioni per il trattamento e la valutazione della salute