方法論記事

実世界のM3-BREATHE:行動、呼吸、曝露のマルチモーダル移動モニタリングに向けて治療と健康評価を目指す

207 回視聴

⸱

DOI:

10.3791/69900

⸱

2026年6月5日

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

この記事について

サマリー

M3-BREATHEは、呼吸、行動、環境曝露を監視し、現実世界での個別化された治療と健康評価を行うウェアラブルセンサーを統合したモバイルヘルス(mHealth)システムです。

要約

モバイルヘルス(mHealth)技術の統合により、生理的および行動的シグナルの連続的かつリアルタイムなモニタリングと、環境曝露の詳細な測定が連携することで、個別化された健康リスク評価の進展とより効果的な治療・介入を可能にする変革的な可能性を秘めています。このプロトコルでは、個々の行動(日常活動や移動)、呼吸機能、生理的パラメータ、環境曝露に関するデータを収集・統合するために設計されたマルチモーダル移動モニタリングシステムを導入します。このシステムは、モバイルヘルスデバイスや携帯型環境センサーとGPS対応のスマートフォンベースのアプリケーションを組み合わせ、同期された高解像度のデータストリームを生成します。これらのデータは、生理学的パラメータ計算(例:身体活動強度、呼吸率)や外部都市環境データ(例:都市緑地、ストリートビューマップ)を取り入れ、スマート携帯電話アプリケーションを通じて処理され、その後、機械学習ベースのアラートシステムが展開され、呼吸器の健康、日常活動、移動パターン、リスク要因への曝露に関する実用的な洞察を提供します。このプロトコルは、マルチモーダル移動モニタリング(大気汚染、騒音、光、熱、緑環境など)を治療・健康評価(M3-BREATHE)に適用するために必要なハードウェアセットアップ、ソフトウェア設定、データ取得手順、分析ワークフローに関する包括的かつ詳細なガイダンスを提供します。この先進的なM3-BREATHEプラットフォームは、長期的な環境・移動・健康(E-M-H)モニタリングにおいて、個人レベルの精密な健康と人口スケールでの長期的な健康インテリジェンスを結びつけ、拡張可能で非侵襲的かつコスト効率の高いアプローチを確立します。

概要

従来の空間疫学は主に環境と健康の集団レベルおよび地域ベースの関連を強調してきたが、現在は個人レベルおよび移動性に基づく関係とプロセス(1,2,3,4)の検証に焦点が移っている。この変化は、いくつかの相互に関連する基本的な方法論的問題と、より正確で文脈に敏感なアプローチの機会が生まれていることによって推進されています。

まず、修正可能な面積単位問題(MAUP)です。これは、面積単位やゾーン単位データの解析において、データが報告される面積単位の定義によって結果が影響を受ける可能性がある問題を指します。これは空間データ解析に関する2つの別々だが関連した問題に適用されます。1つ目は「スケール問題」で、同じ面積データ集合が複数のより大きな面積単位に集約され、それぞれの組み合わせによって異なるデータ値と推論が得られます。MAUPの第二の側面は「ゾーニング問題」であり、特定の面積ユニットの集合が同じ大きさのゾーンに再結合され、異なる位置に位置し、データ値に変動が生じ、結果として異なる結論が出る問題です。地域やゾーンベースのデータを活用した新しい知見の進展に対する研究の貢献に関する疑問に対処するため、MAUPの影響を最小限に抑えるために2つの方法が絶え間なく議論されています。一つは、面積内の均質性の最大化です。適切な地域単位の選択により、環境曝露の測定誤差や非差別曝露誤分類を最小限に抑え、健康への文脈的影響を推定します9,10,11。しかし、空間単位内の大気汚染曝露の不均一性は誤差を引き起こす可能性があります。したがって、別の手法はフレームに依存しない空間データ表現と解析の形態へと移行しています(12,13)。従来の地域ベースの文脈理解を超えて、個人ベースの測定は文脈要因の属性の均質性や空間的連続性を考慮し、環境曝露が健康に与える影響を検証する際にスケールに依存しない堅牢な分析指標を提供します 14,15,16。

次に、不確実な地理的文脈問題(UGCoP)。これは、地域ベースの文脈変数が個々の行動や結果に与える影響に関する発見が、文脈単位(例:近隣)が地理的にどのように区分され、これらの地域単位が真の地理的文脈からどれだけ逸脱しているかによって影響を受ける可能性があるという問題を指します。.典型的な例としては、個人の大気汚染曝露の評価が誤りであり、仕事や余暇などで多くの時間を自宅を離れる人々の居住地を用いる場合があり、これは「真に因果的に関連性のある」地理的文脈からはかけ離れています。人々の環境曝露や健康影響の正確な評価に影響を与える文脈的不確実性を軽減するためには、特定の固定場所(例:居住地、職場)を用いる文脈的影響の概念を超えたモビリティベースの測定を採用する必要があります。16,20.大気汚染や人間の移動における時空間的変動の無視は、個人の曝露推定値21,22,23,24および環境正義の評価25,26の重大な誤差を引き起こす可能性があるため、環境曝露と健康結果の関連を理解するために、移動に基づく高解像度の時空データを収集することが不可欠です。さらに、環境データセットと、体に着用したセンサーで収集された個人レベルの生体認証指標との間の空間的な不一致が課題となっています。ストリートビュー画像は人間の視覚スケールでの細かな環境特性評価を可能にし、衛星由来植生指数(例:NDVI)はより粗い解像度(10〜250 m)でより広い範囲をカバーしますが、いずれも生理的および行動的データが記録される正確な場所での移動軌道と環境曝露を結びつける明確な空間的整列戦略を必要とします。このスケールの不一致に対処するには、生理的および行動的データが記録される正確な場所での移動軌道と環境曝露を結びつける明確な空間的整合性戦略が必要です。

MAUPおよびUGCoPがもたらす課題に対応して、環境衛生に関連する複数の分野の研究者が、環境曝露と健康結果の間の行動過程に関する研究にますます参加し、個人レベルのモビリティベースの枠組みへと移行しています。1,27,28,29 .環境-移動-健康(E-M-H)の関連性への関心が高まる中、既存の文献は主に先行(環境-移動)ドメイン17,30,31,32または後続(モビリティ-健康)ドメイン33,34,35のいずれかに集中しています一方で、これら3つの領域すべてを網羅する統合的研究は限られています。それにもかかわらず、個人の日常活動や移動は、環境曝露が健康結果に与える線量反応効果を大きく形作っています。個人が24時間の活動をどこで、いつ、どのように予測し、スケジュールし、実施するかは、環境リスクへの曝露とそれに伴う健康結果と密接に関連しています。17,18,36。さらに、リアルタイムモニタリングと健康アウトカムの縦断的追跡を結びつける実用的な分析フレームワークを提供する研究が少なく、治療や介入のための堅牢で実践的なエビデンスを生み出す能力が制限されているという重要なギャップがあります。とはいえ、これらのギャップに対処することで、環境健康評価の精度が向上するだけでなく、複雑なE-M-Hの連結点における日常活動や移動、そして根本的な行動プロセスの媒介役割が明らかになり、曝露リスクの軽減と健康成果の促進を目指す個別化された移動に配慮した治療や介入の強力な根拠を提供します。

モバイルおよびウェアラブル技術の台頭(38,39)、特にモバイルヘルス(mHealth)デバイス40,41,42と携帯型環境センサー43,44,45は、個人の行動、環境曝露、生理的指標を同期的に監視する新たなアプローチを可能にしました。スマートフォンアプリとの連携により、参加者は自身の健康状態、医療履歴(例:呼吸器疾患や心血管疾患)、主観的な生理的経験、環境リスク知覚を記録し、機械学習やルールベースのアプローチによるより正確かつ個別化されたリスク評価と警告を可能にします。ここでは、行動、呼吸、曝露(大気汚染、騒音、光、熱、緑性など)の実世界マルチモーダル移動モニタリング(M3-BREATHE)を治療・健康評価のために紹介します。エンドツーエンドプロトコルは、M3-BREATHE展開に必要なハードウェアセットアップ、ソフトウェア設定、データ取得手順、分析ワークフローに関する包括的なガイダンスを提供します。このプロトコルは、環境衛生、交通地理学、個別化医療の研究者が管理された臨床実験(短期・高忠実度モニタリング)や実際の縦断的研究(長期・非侵襲的モニタリング)を行う場合に適していますが、超高精度の検査室レベルの呼吸測定(例:侵襲的肺機能検査)を必要とする研究には推奨されません。

プロトコル

このプロトコルの研究目的での実施は、管理された臨床実験でも実際の文脈でも、事前承認のもと、研究者の機関的人間研究倫理委員会のガイドラインに従って実施されるべきです。調査開始前に参加者からインフォームドコンセントを得なければなりません。本記事の実証調査は、北京大学人間研究倫理委員会の指針に従って行われます。このプロトコルを使用するすべての参加者ベースの研究は、研究者の機関研究倫理委員会から事前の倫理承認を得る必要があります。すべての参加者は、データ収集手続きの前に書面によるインフォームド・コンセント(書面によるインフォームド・コンセント)を提供しなければなりません。推奨装備設定は 材料表に記載されています。

1. ウェアラブルモバイルヘルスデバイスのセットアップ

  1. 胸部装着式呼吸センサーのセットアップ
    1. 参加者には、センサー内蔵シャツや胸ストラップを衣服の下、皮膚に直接当てて着用し、電気生理学的信号取得のための最適な皮膚接触を確保するよう指示します。
    2. シャツやストラップのフィット感を調整し、自然な呼吸や動きを妨げないようにし、ぴったりと快適にしてください。センサーが皮膚に安定して接触し、深く吸い込む際に目立った滑りやずれがないことで、適切なフィット感が確認されます。
    3. センサーが完全に充電されているか確認し、Bluetoothでスマートフォンと正常にペアリングして、呼吸数(呼吸数/分)、潮量(ミリリットル、mL)、心拍数(BPM)のリアルタイムモニタリングと記録が可能になります。デバイスの時計がスマートフォンのシステム時刻と同期されているかを確認し、マルチモーダルデータストリーム間で正確な時間的整合を可能にします。
      注意:呼吸数や心拍数は、特に長期モニタリングのためにウェアラブルリストバンドデバイスを使っても抽出可能です(ステップ1.2参照)。呼吸数は、呼吸器による光電容圧法(PPG)や心拍変動(HRV)信号の変動(ステップ5.2参照)に基づいて間接的に計算されます。この代替アプローチは、胸部装着式呼吸センサーの長時間使用に伴う参加者の不快感や負担を軽減するのに役立ちます。
  2. スマートリストバンドデバイスのセットアップ
    1. 器具の設置は利き手でない手首を主な部位として選び、腕首バンドを尺骨茎突起の近位部にしっかりと固定します。
    2. 末梢血流を損なうことなく、最適な光電容積法(PPG)センサーと皮膚の接触を確保するためにストラップを調整してください。ストラップがぴったり当てはまりつつ、指先を一本挿入できる範囲でフィット感が合います。
    3. スマートフォンのコンパニオンアプリを開き、デバイスがBluetoothで正常に接続されているか確認してください。
    4. アプリ内のリアルタイム表示に移動し、心拍数(HR、単位:1分間の拍数、BPM)、心拍変動(HRV、単位:ミリ秒、ms)、血圧(血圧、単位:ミリメートル水銀)、心電図(ECG、単位:ミリボルト)などの心血管指標を含む、すべての望ましいパラメータを継続的にモニタリングできるように設定されているか確認してください。 mV);呼吸および代謝指標、例えばアルゴリズムで推定された呼吸数(RR、単位:呼吸数/分)、血中酸素飽和度(SpO₂、単位:パーセンテージ、%)および代謝換算(METs、比率)など。末梢皮膚温度(単位:摂氏度、°C);加速度計からの運動データ(ACC、単位:重力加速度、g)。
      注意:デバイスの背面にあるPPGセンサーは、皮膚に一定かつぴったりと接触している必要があります。時間が経つにつれて緩んだ場合は、ストラップを締め直してください。

2. 環境センサーのセットアップ

  1. 環境センサーデバイスを携帯型モバイルバッテリー(容量10,000mAh)に適切なUSBケーブルで接続し、24時間稼働を確保します。すべての接続が安定し、ケーブルがきちんと収納されていることで、移動中の誤って切断が防げます。
  2. マルチ大気汚染物質モニター(粒子状物質PM2.5 およびPM10 をμg/m3で測定)、一酸化炭素COをppmで、二酸化窒素NO2、二酸化硫黄SO₂、揮発性有機化合物VOCをppbで測定)、ノイズセンサー(デシベル、dB単位)、温度センサー(摂氏度、°C単位)を参加者のバックパックのフィッシュネットサイドポケットに入れます。光曝露トラッカー(照度、ルクス、lx;サーカディアンライトA、CLA、0-1)をしっかりとバックパックの肩章の前面側に固定し、前方または外側を向くように妨げられないように位置を調整します。
  3. 参加者に、日常の活動や移動時にバックパックを持ち歩くよう指示し、毎晩モバイルバッテリーを充電するよう指示します。問題があれば連絡先を教えてください。
  4. すべてのセンサーが電源オンで、リアルタイムのデータストリームが正常に確立されているか、データを記録して端末アプリに送信しているか確認してください。
    注意:すべてのセンサーは、参加者に渡す前に、各メーカーの仕様に厳密に従って校正されるべきです。低コストの大気汚染センサーは、代表的な場所で研究用基準機器と2週間のコロケーション校正試験を受け、センサー固有の補正係数を導き出すことが推奨されます。コロケーション手順では、低コストセンサーを基準機器の隣(同じ高さの1m以内)に設置し、少なくとも14日間同時に両方を稼働させて様々な環境条件を捉えます。ペア化されたデータを用いて線形または非線形補正モデル(例:Ccorrected = (Craw - b)/a))を回帰解析によって導出します。基準機器にアクセスできないセンサーでは、基準値ドリフトを修正するためにHEPAフィルター付きのクリーンエアを用いたゼロ校正が推奨されます。基準値を記録する前に、清浄な空気条件下で10〜15分間の安定化期間が必要です。各展開前に、センサーの応答性とデータ伝送の安定性を確認するための事前検証チェックを行う必要があります。データ収集時には、異常、センサーのドリフト、接続中断を記録するために、日々の品質保証(QA)ログを保持する必要があります。温度および相対湿度センサー(RH、単位:パーセンテージ、%)は通常、大気汚染検出装置の部品として統合されています。連続的な騒音曝露は、専用アプリを通じてスマートフォン内蔵マイクを使って測定することもできます。スマートリストバンドや携帯電話で収集した光や熱曝は、遮蔽や衣服・配置などの混絡要因に高く影響を受けるため推奨されません。縦断的な研究や実践には、マルチ汚染物質モニタリング用の小型統合型モジュール装置が推奨されます。

3. スマートフォンアプリケーションの設定

  1. 参加者のスマートフォンにM3-BREATHEモバイルアプリ(Android/iOS向けにカスタム開発)をインストールします。
  2. GPS、Bluetooth、バックグラウンドデータの同期を有効にしてください。
  3. アプリを設定すれば、GPSの位置情報を1分ごとに記録し、センサーデータを5分ごとに同期します。
  4. 接続された各デバイス(ウェアラブル生理モニターや携帯型環境センサー)ごとにデータサンプリングレートを1Hz(1秒あたり1サンプル)に設定し、高時間分解能のデータ取得を確保します。
  5. データ記録を開始する前に、すべての設定が保存されているか必ず確認してください。
    注意:設定後に短時間(例:5分間)のテスト録画を行うのが良い習慣です。テストデータファイルを確認し、GPS座標、HRV、心電図、大気汚染、騒音などすべての予想されるデータストリームが記録され、正しくタイムスタンプが付けられ、妥当な値が含まれているかを確認してから、本試験期間を開始してください。緑地露出は、高時空解像度のGPS軌跡データとOpenStreetMapや衛星由来の植生指数(例:植生被覆のNDVI)などの地理データセットを統合することで間接的に測定されていることに注目に値します。粗解像度環境層(例:10〜250mのNDVI)と個人レベルのバイオメトリック測定との間の空間スケールの不一致に対処するため、プロトコルは近接者またはバッファ平均抽出法に基づいて各GPSポイントに環境曝露値を割り当て、各生理測定の場所と時間での空間的整合性を確保します。

4. データ取得手順

  1. 参加者のオンボーディング
    1. 対象集団の代表性を確保するために、層別抽出法を用いて参加者を募集します。
    2. 参加者には、センサーの装着や使用、スマートフォンアプリの操作手順を含む詳細な説明シート、マニュアル、できれば説明ビデオを含む包括的なガイダンス資料を提供してください。
    3. アプリ内でベースライン健康調査を実施し、人口統計データ(例:性別、年齢、身長、体重、婚姻状況)、病歴(例:非感染性疾患)、呼吸器の健康状態(例:喫煙年数、慢性咳や呼吸困難)、および自己申告の健康情報(例:一般的な身体的・精神的健康、飲酒、食事パターン、身体活動レベル、睡眠の質)を収集します。
      注:自己申告による健康情報収集のための標準化されたツールを推奨します。これには、一般健康46のための12項目ショートフォーム調査(SF-12)、アルコール使用障害識別テスト-消費テスト(AUDIT-C)47、国際身体活動質問票短縮フォーム(IPAQ-SF)48、およびピッツバーグ睡眠質指数(PSQI)49が含まれます。または、利便性のために7項目のリッカート尺度を適用することも可能です。
  2. 日々のモニタリングルーティン
    1. 参加者にはモバイルヘルス生理センサーを装着し、携帯型環境モニタリング装置(フィッシュネットポケット付きバックパック)を24時間連続で携帯するよう指示します。睡眠中は、環境センサーを寝室に配置し、特に光センサーに注意を払って曝露評価を維持しましょう。
    2. 参加者に毎晩モバイルバッテリーを充電し、環境センサーに接続して中断のない動作とデータを維持するようリマインドしてください。
    3. データストリームは、研究チームによる4時間ごとの手動チェック、またはできればアプリケーション内のバックエンドシステムによる自動アラートによって監視されます。このアラートは30分間のデータ同期中断後に発動されます。30分以上切断された場合は、参加者に連絡して問題の対応を行います。
    4. 参加者には、毎日夕方にアプリケーション内で活動・移動日記アンケート(表 1にテンプレートが記載)を完了するよう促し、より効果的で的確な治療と介入のために日々の活動と移動の文脈化の正確性を高めます。毎晩8時に自動リマインダー(申請/SMS)が送信され、一貫した遵守を促進します。
      注:タイムスタンプ付きの軌跡可視化用の地図を備えたインタラクティブインターフェースは、GPSデータに基づく機械学習ベースの活動や移動の特定と組み合わせて展開可能です。理想的には、次の活動や旅行エピソードの発生直前に、参加者に自動的にアドバイスやリマインダーを送信し、その日の終わりの記憶バイアスを軽減できます。就寝前に最終的な復習を行い、日々の記録を統合することが推奨されます。さらに、生態学的瞬間評価(EMA)は、主観的な経験(例:息切れ、疲労、環境汚染の認識)を1日3回(例:午前8時、午後12時、午後4時)プッシュ通知で捉えるために利用できます。
  3. データ同期とバックアップ
    1. 収集されたリアルタイムおよび移動日誌データは、Wi-Fiまたはセルラーネットワークを通じて安全で暗号化されたクラウドサーバーに自動的に同期されます。クラウドデータベースはデータ損失を防ぐために定期的な自動バックアップで設定されています。
    2. すべてのデータはまずスマートフォンの内部メモリに保存されます。クラウドサーバーによる認証が成功すると、同期されたデータは毎日自動的にデバイスからクリアされます。
    3. すべてのデータは収集時に匿名化され、機関のサーバーに安全に保管されます。データの保存、送信、処分はホスト機関のデータセキュリティおよびプライバシーポリシーに厳格に従って管理されます。
      データの要約と出典は表2に示されています。
参加者ID日付開始時間エンドタイムアクティビティ(A)/トリップ(T)アクティビティタイプ/トリップモード
113/08/20250:007:00A眠れ
113/08/20257:007:30A朝食
113/08/20257:308:00T公共交通機関
113/08/20258:0011:30A業績
113/08/202511:3011:45T散歩
113/08/202511:4512:45A昼食
113/08/202512:4513:00T散歩
113/08/202513:0017:00A業績
113/08/202517:0017:15T自転車
113/08/202517:1518:00A料理
113/08/202518:0019:00A夕食
113/08/202519:0021:00Aレジャー
113/08/202521:0021:30Aバース
113/08/202521:3023:59A眠れ
114/08/20250:006:30A眠れ
114/08/2025…………

表1:M3-BREATHEモニタリングのための活動・旅行日記テンプレート。 この表は、行動データがどのように記録され、曝露分析や健康分析と統合されるかを示しています。

ウェアラブルモバイルヘルスデバイススマートフォンのアプリケーション携帯型環境センサー
呼吸数(RR)GPS座標粒子状物質(PM2.5、PM10)
タイダル・ボリューム(テレビ)アクティビティ・トラベル・ダイアリー一酸化炭素(CO)
心拍数(HR)生態学的瞬間評価(EMA)二酸化窒素(NO2)
心拍変動(HRV)基礎的な健康情報二酸化硫黄(SO₂)
心電図(ECG)年齢や性別など。揮発性有機化合物(VOC)
血圧(BP)体格指数(BMI)ノイズ(N)
血中酸素飽和度(SpO₂)社会経済的地位(SES)温度(T)
代謝当量(MET)病歴相対湿度(RH)
皮膚温度(ST)呼吸器の健康状態照度(lx)
加速度計(ACC)自己申告の健康情報概日リズムA(CLA)

表2:データの要約とデバイスの送信元。 表には主要な指標(例:心拍数、呼吸数、粒子状物質、体温)およびそれに対応する測定方法が記載されています。

5. データ処理と分析

  1. デバイスキャリブレーションおよび品質保証
    展開前に、すべてのデバイスはメーカー仕様に基づく基本的な校正チェックを受けます。環境センサー(例:PM2.5 モニター)では、ゼロ校正や参照機器との比較が可能な場合もあります。データ処理中は、品質保証および品質管理(QA/QC)手順が環境データおよび生体認証データストリームの両方に適用されます。すべてのQA/QCステップは透明性と再現性を確保するために文書化されます。
    1. 生理的または物理的に不合理な値(例:極端な心拍数や汚染物質濃度)を除去するための距離チェック。
    2. ウェアラブルデータにおける動作関連ノイズなどの信号アーティファクトの検出と除外。必要に応じて平滑化やフィルタリング(例:移動平均線)の手順も行います。
    3. 欠損またはスパースなデータセグメントの特定と処理。
  2. 前処理
    1. 生のセンサーデータはクリーンアップされ(GPSのドリフトはカルマンフィルターで補正)、Pythonベースの前処理パッケージ(例:Pandas、GeoPandas、Tsfresh、Pyo3)を用いたマルチモーダル時間アライメント手法で活動・移動日記と同期されます。処理されたすべてのデータはその後、M3-BREATHEデータベースに統合されます。
    2. 環境曝露と生体認証測定の時間的整合性を確保するために、すべてのデータストリームを統一されたタイムスタンプフレームワークに同期させます。ネットワークベースの時間プロトコルを用いて、展開前にデバイスクロックを標準化しましょう。データ処理中は、異なるデバイスからのタイムスタンプを共通の参照時刻(例:UTC)に整列し、線形補間や時間オフセット調整を用いてクロックドリフトを修正します。
    3. 環境測定の解像度に合わせて高周波データ(例:ウェアラブル由来の心拍数)を集約したり、分析目的に応じて高周波データに合わせて環境データを調整したりします。タイムスタンプの欠落や不規則なサンプリング間隔は、あらかじめ定められた品質基準に基づいて補間または除外することで処理します。
    4. GPSデータと外部の地理データセットを組み合わせて、人工環境や自然環境を特徴づけ、個々の曝露状況を文脈化します。GPS記録とOpenStreetMapデータおよび衛星由来植生指数(例:NDVI)を統合して緑地露出を計算します。高周波GPS軌道と低解像度衛星ベースの環境層間のスケール差異を、最近傍やバッファベースの空間整列手法を適用して解決します。
    5. 各GPS位置について、交差または最も近いピクセルから対応する環境露出値を割り当てるか、定義されたバッファ半径(例:10m、30m)内のピクセルの加重平均を計算し、典型的なGPSの空間的不確実性を反映します。環境曝露が同時に収集された生理学的および行動的データと整合する時空間的解像度で帰属されることを確認しましょう。
  3. 特徴抽出
    1. 中心傾向(平均、中央値、加重平均)、極端値(最大値、最小値、パーセンタイル)、変動性(標準偏差、分散、変動係数、四分位数範囲)、時間的パターン(ピーク頻度、閾値以上の持続時間、変化率、日ごと、週ごとの変動、季節変動)などの主要な指標を用いて環境およびモバイル健康モニタリングデータを要約します。
    2. 総曝露指標(平均濃度と吸入量)と曲線下面積(AUC)を用いて累積大気汚染物質曝露量を計算します。以下の式を用いて、曝露時間(t)に対する吸入汚染物質の量(D)を計算します。
      figure-protocol-1
      最小換気量は次のように定義されます:
      figure-protocol-2
      ここで Cは吸入空気中の汚染物質濃度(μg/m3、ppbまたはppm、単位慣例により異なります)です。 figure-protocol-3は分換気量、すなわち1分間に吸入される空気の総体積(L/min)です。 RRは呼吸数(呼吸数/分)です。 VTは潮流量、すなわち1呼吸あたり吸い込む空気の体積(L/breath)です。 Tは 露光時間(min)です。
      線量 D はμg単位で計算されますが、単位の一貫性を維持するためにfigure-protocol-4をm3/min(すなわち1000で割る)に換算します。
    3. 胸部装着式呼吸センサーは、実際の状況では長時間連続的に着用するのは高価で負担が大きいため、管理された臨床実験で数時間から数日のモニタリング時間と比べて、機械学習アルゴリズム50,51を適用してスマートリストバンドから得られる加速度計とジャイロスコープデータを用いて呼吸数を評価します.評価の精度を高めるために、ランダムフォレストモデルは通常フィルターとして機能し、誤った呼吸数の読み取りをもたらすデータを除外します。その後、畳み込みニューラルネットワーク(CNN)モデルを用いて呼吸数52,53を抽出します。
    4. GPSデータ、スマートフォンベースの移動日記、リストバンド加速度計の動作データから行動特徴を抽出します。環境曝露、行動、健康結果の関連を分析するための個別行動指標のセットを作成します。 表3は 、行動、環境曝露、健康領域におけるマルチスケールプロファイルをまとめています。
      注:矢印は、行動、環境曝露、健康領域におけるプロファイルの連続的な整合を示しています。
  4. データ分析
    1. 記述的および探索的分析
      1. すべての変数の分布、中心傾向、変動性を特徴づけるための初期記述統計を実施します。
      2. 相関分析および分散インフレ係数(VIF)検定を実施します。
      3. 時系列図、ボックスプロット、地理空間ヒートマップを用いて曝露と健康データを可視化します。
    2. 急性連合と時間的遅延
      1. 分散遅延モデル(DLM)を活用しましょう。
      2. ビンの曝露データをタイムブロックにまとめます。
      3. 感度分析を行う。
      4. 時系列法(ARIMA、VAR)を適用してください。
    3. 慢性的な結びつきと累積曝露
      1. 総合的な曝露指標。
      2. 繰り返しの健康評価への曝露。
      3. 混合効果回帰モデルを用いてください。
      4. 縦断的または生存分析を適用してください。
        注意:タイムウィンドウ戦略を考慮する必要があります。 表4は 異なる時間窓の選択肢を比較しています。
    4. 行動媒介および節度分析
      1. SEMや因果分析を用いた媒介を探求しましょう。
      2. 節度効果を調べてください。
    5. 曝露反応関数と線量反応曲線
      1. 曝露反応関係を定量化する。
      2. 吸入線量反応関数を推定する。
      3. 非線形関連を調査する。
    6. 縦断的および生涯経過解析
      1. 慢性的な影響を評価すること。
      2. 人生の軌跡を探る。
    7. 個別化治療と介入
      1. パーソナライズされたプロフィールを作成しましょう。
      2. 高リスクエピソードを特定しましょう。
      3. 医療評価を勧めてください。
    8. 人口健康インテリジェンス
      1. 露出マップを生成します。
      2. 行動傾向を分析しましょう。
      3. 健康格差を評価しましょう。
      4. 機械学習モデルを活用しましょう。
行動領域環境曝露領域ヘルスドメイン
一時的・瞬間的特徴瞬時露光プロファイル短期健康プロファイル
加速度計ベクトルの大きさリアルタイム露出心肺ストレス反応
瞬時活動強度急性曝露心拍数、血圧、心率変異体(HRV)、SpO₂などの急性変化。
エピソードレベル/バウトレベルの特徴エピソードレベルの露出プロファイル心電図の不整脈イベント
開始時刻、終了時刻、持続時間平均汚染物質濃度呼吸器症状と機能
活動の種類累積汚染物質曝露量エピソードごとの換気速度の変動
ロケーションの種類ピーク露出自己申告の咳と息切れ
屋内外パーセンタイルベースの曝露心理的および幸福状態
輸送手段曝露変動EMA気分、ストレス、疲労など。
移動距離閾値以上の曝露時間エピソードレベルの認知的および感情的負担
トリップ平均速度AUC曝露急性曝露負荷
旅行目的屋内曝露と屋外曝露の違い中期的な健康プロファイル
身体活動強度輸送微小環境曝露亜臨床心血管マーカー
呼吸パターン職場・家庭・レクリエーションへの曝露安静時心拍数または血圧の持続的な上昇
セグメント間および日常レベルの特徴日次レベルの露出プロファイル初期高血圧リスクスコア
座りっぱなしの休憩と活動状態間の移行日次平均曝露呼吸器健康の傾向
屋内外環境の移行1日累積曝露量呼吸器症状エピソードの頻度
輸送マイクロ環境間の遷移日のピーク曝露量肺機能の低下(RR、SpO₂など)
アクティビティ・トリップ連鎖日々のピークの頻度/持続時間代謝および身体活動の状況
アクティビティ/ツアーの複雑さ1日最小曝露量累積MET分/週
アクティビティ・トラベル・チェーン日々のパーセンタイル曝露活動強度分布
時間利用構造1日あたりの閾値以上曝露期間睡眠と回復の健康
活動空間、回転半径、空間エントロピー日々のAUC曝露日々の変動を超えた疲労の持続性
全体的な進行方向日次曝露変動メンタルヘルスとウェルビーイング
中等度から高強度の身体活動(MVPA)における時間日次曝露傾き(変化率)ストレス反応や不安スコアなどです。
概日リズム日次ピーク対平均比累積曝露リスク
習慣的なルーティンパターン縦方向露光プロファイル平均汚染物質濃度と量
日常の活動・移動パターン長期平均曝露長期的な健康プロファイル
日々の活動・移動パターンの変動長期累積曝露量心血管疾患のリスクと進行
概日リズムのクロノタイプピーク露出呼吸器および肺の転帰
週末と平日の概日リズムの不一致ピークイベントの頻度/持続時間代謝および肥満に関連する結果
移動の正則性(軌跡、通勤、モードなど)パーセンタイルベースの曝露メンタルヘルスの成果
身体活動の長期的な傾向閾値を超える時間全身的健康と生物学的老化
座りがちな行動サイクルと能動的な行動サイクルAUC曝露機能的および生活の質のアウトカム
食事のタイミングと規則性日次・週次・月次・季節変動生涯の健康軌跡
環境の極端な環境下での適応行動露頭時系列マイニング人口健康インテリジェンス

表3:M3-BREATHEのマルチスケールデータプロファイル。 この表は、行動指標が短期、中期、長期の健康成果にどのように関連しているかを示しています。

窓ユースケースモデリングアプローチメリットデメリット
1時間非常に急性の効果LMEまたは時系列において1時間移動平均を共変量として含めること;または時間単位の遅延を持つDLNMを使用してください即時のピークを捉え、最小希釈騒音が大きい;高解像度データが必要です。慢性的な洞察は限られている
24時間日替(短期)混合モデルでは24時間移動平均;1日遅延のDLNMまたはDLMノイズを低減し、規制指標に合致していますピークイベントを平滑化させるかもしれません
7日間週刊(亜急性期)7日間平均共変量;DLMは最大7日まで遅延します蓄積された短期露出のキャプチャ日々の変動がぼやけ、中程度の平滑化
30日間月次(中期)平均30日;月次遅延構造を持つDLNM最近の曝露負荷を反映しています。より滑らかに日々のスパイクを外す;線形累積を仮定します
90日間季節限定(長期)90日間平均または分散遅延~90日季節の傾向を捉えていますオーバースムージ;季節要因との交絡
365日間年次(長期)LMEまたはCoxモデルでの1年平均慢性リスクに有用;シーズンのコントロール急性変異は無視し、高齢化の傾向に混乱しています

表4:タイムウィンドウ戦略と分析的アプローチ。 異なる時間スケールにおける環境曝露を評価するためのタイムウィンドウ戦略と対応する分析手法のまとめ、その適用可能性、強み、限界を明らかにします。

結果

以下の代表的な結果は、携帯型大気汚染センサー、活動・旅行日記、エピソードレベル自己申告主観的ウェルビーイング(SWB)を統合したパイロット研究から得られています。参加者は日常活動中に携帯可能な大気汚染センサーを携帯し、48時間連続(金曜〜土曜または日曜〜月曜)移動し、それに伴う活動・移動日誌を記入することが求められました。分析には、2017年12月から2018年2月までの北京美和園住宅コミュニティにおける合計112名の有効参加者のデータが含まれました。本予備分析は、PM2.5 曝露(環境領域)、日常活動(行動領域)、認知的SWB(健康領域)の相互関係に焦点を当てています。このパイロットはまだM3-BREATHEパイプライン全体、特に生理的信号(例:HRV、呼吸数)とリアルタイム曝露アラートの統合を検証していませんが、分析的アプローチの示唆的な例として機能しています。将来の研究のために、マルチモーダルシステムの完全なエンドツーエンド検証が必要です。

エンドツーエンドのM3-BREATHEパイプラインを検証するために、データの整合性(GPSデータキャプチャ率99.3%、大気汚染モニターキャプチャ率93.2%)、同期精度(マルチモーダルデータ間の≤秒時間非同期)、および較正性(低コストセンサーからのPM2.5 測定は、コロケーション校正後の研究用基準機器とPearson相関r=0.86)を評価しました。このパイプラインはGPS軌跡データ、環境曝露データ、自己申告日記データを統合し、活動特異的な曝露パターンや曝露・健康関連の特定を可能にしました。これらの結果は、実際のE-M-HモニタリングにおけるM3-BREATHEプロトコルの再現性と信頼性を確認しています。

図1 は、日々の活動や移動の範囲における平均PM2.5 曝露濃度(青いバー、左軸)および認知SWBスコア(オレンジ線、右軸)を示しています。結果は、PM2.5 曝露濃度が活動タイプによって著しく異なることを示しています。最も高い平均曝露量は睡眠中に観察され、自宅の屋内での高い大気汚染濃度を示していました。これは、この研究地域が北京の他の地域と比べて比較的汚染が激しいためかもしれません。一貫して高い曝露濃度の活動としては、インターネット閲覧、娯楽、勉強、散歩などがあり、いずれも20μg/m³を超えました。仕事、身体活動、介護、旅行などの活動では中間値の曝露濃度が見られました(15〜20 μg/m 3)。最も低い曝露は、私生活、医師の診察、食事、個人ケア時(5〜15 μg/m 3)で記録されました。これらの違いは、このパイロット研究に基づくもので、活動が行われる特定の環境文脈(屋内対屋外、座りがちな場所と活動的な環境)を反映しています。対照的に、認知SWBスコアは活動間で変動が少なく、1.7から2.3の範囲(不満度尺度1〜5)が狭く見られました。最も低い満足度スコアは医師の診察や旅行に関連しており、次いで個人的な出来事や仕事、そして最も高い満足度スコアは身体活動、娯楽、社交活動に関連しており、これらはしばしば本質的に報われる活動です。

PM2.5 曝露濃度が高い活動タイプは、認知SWBの低下と必ずしも一致しないことが判明しており、PM2.5 曝露と自己申告認知SWBとのデカップリングパターンを示唆しています。例えば、身体活動や娯楽と高い曝露、そして高い認知SWBスコアの組み合わせです。これは、PM2.5 の曝露による健康リスクが見過ごされがち、あるいは認知SWBと意識的に結びついていないことを反映している可能性があります。これはPM2.5が目に見えない性質があるため、環境中で検出がさらに困難で陰湿なものになっているためでしょう。比較すると、SO2、NOx 、O3 のような汚染物質は検出しやすい特性を持っています。例えば、SO2 は特徴的な硫黄臭があり、NOx は工業プロセスや車両排気ガスからの目に見える排出物としばしば関連しています。これらのガス汚染物質は目、喉、呼吸器系に即座に刺激を与えるため、専門的な機器を使わずに検出や対応が容易になります。しかし、PM2.5 は肺のガス交換領域(肺胞)に侵入できるため、最も危険な汚染物質であり、非常に微小な粒子が肺を通過して他の臓器に影響を与え、循環系に害を及ぼす可能性があります。この発見は、PM2.5 がもたらす独特の課題を浮き彫りにしています。その気づかれにくい性質と深刻な健康影響により、日常生活のさまざまな活動において重要でありながらしばしば過小評価されている環境リスクとなっています。

figure-results-1

図1:PM2.5曝露、濃度、認知的主観的幸福度(SWB)(日々の活動タイプ別)。 認知的主観的幸福度(SWB)はリッカート尺度で測定され、1(非常に満足)から5(非常に不満足)までの範囲で評価されます。図は、活動ごとの微細粒子状物質(PM2.5、μg/m 3)曝露レベルおよびそれに対応するウェルビーイングスコアの変動を示しています。データポイントは観測値を表します。 この図の拡大版はこちらをクリックしてご覧ください。

大気汚染曝露と主観的幸福感(SWB)の関係を調べるために、本パイロット研究では汎化加法モデル(GAM)を用い、柔軟な非線形効果を可能にしています。同時期の大気汚染曝露(AAP)と前回活動からの滞留曝露(AAP_1)は滑らかな関数を用いてモデル化され、社会人口統計的特徴(性別、年齢、口、学歴、婚姻状況、収入)が対照変数として含まれます。結果は、AAPもAAP_1もSWBに統計的に有意な影響を与えず、p値はそれぞれ0.234と0.266であることを示しています。推定された滑らかな項は非線形パターンを示唆しますが、これらの効果は堅牢ではありません(図2)。対照的に、特定の個別の特徴はSWBとの強い関連を示します。

これらの結果は、同時期であれ1回の活動エピソードであれ、短期的な大気汚染曝露がSWBに有意な影響を与えないことを示唆しています。一つの説明としては、個人が短期間の大気質変動に即座に反応しないか、そのような影響が検出可能になるまでに長期間または累積的な曝露が必要であるというものです。将来の研究では、複数のラグ構造(例:複数の前回の活動エピソードからの曝露)を取り入れたり、時間ベースの測定(例:分単位の曝露時間)を用いたり、分散ラグモデルや機械学習手法などの代替モデリング手法を適用したりすることで、大気汚染が健康に与える動的かつ累積的な影響をより正確に捉えることで、この分析を拡張する可能性があります。

figure-results-2
図2:現在および遅れた大気汚染曝露が主観的幸福感に与える非線形的影響。 これらの曲線は、モデル由来の効果推定値が時間に沿ったものであり、短期的な変動や遅延反応を強調しています。AAPは同時期曝露を示し、AAP₁は1時間単位遅れた曝露(例:1日)を表します。 この図の拡大版はこちらをクリックしてご覧ください。

ディスカッション

M3-BREATHEプロトコルを導入する上で重要なステップは、マルチモーダルデバイスの信頼性の高いセットアップと同期です。データの完全性は、ウェアラブルセンサー、携帯型環境モニター、スマートフォンアプリケーション間の安定した接続に大きく依存しています。また、調査を開始する前に、すべてのセンサーがメーカーの仕様に従って校正されていることを確認することも不可欠です。理想的には、特に大気汚染モニターなどの携帯型環境装置は、研究用基準機器と共置し、校正されることで研究目的の測定の妥当性と正確性を確保することが望ましいです。

対照的な臨床実験や短期・小規模調査において、胸部装着式呼吸ストラップの使用は高精度な呼吸パラメータ(呼吸数、潮量、心電図)を提供し、手首ベースのセンサーよりも高精度を提供し、アルゴリズム推定を検証するための三角測量の基礎となります。対照的に、自然環境での縦断モニタリング、特に自発的な消費者利用では、スマートリストバンドとスマートフォンアプリの組み合わせが望ましく、これらのデバイスは目立たず、継続的な参加者の遵守を促進するため望ましいです。リソースが限られている研究や参加者負担の問題がある場合は、スマートリストバンド、スマートフォンアプリ、そして単一の汚染物質モニターからなる最低限のキットが推奨されます。追加のセンサー(例:胸部装着式呼吸ストラップ、専用のライトトラッカー)は、特定の研究目的や予算に基づいて検討されるべきです。M3-BREATHEプロトコルの管理された臨床実験および実際の縦断的研究・実践における適応に関する詳細な推奨事項は表 5に示されています。

データドメインメートル法(略称)管理臨床実験実際の縦断的研究・実践
胸部装着型センサースマートリストバンドポータブル環境モニタースマートフォンアプリスマートリストバンドポータブル環境モニタースマートフォンアプリ
生理学的心拍数(HR)ΟΟΟΟΟΟΟΟ
心拍変動(HRV)ΟΟΟΟΟΟΟΟ
呼吸数(RR)ΟΟΟΟΟΟΟ
タイダル・ボリューム(テレビ)ΟΟΟΟΟ
心電図(ECG)ΟΟΟΟΟΟΟΟ
血圧(BP)ΟΟΟΟΟ
血中酸素飽和度(SpO₂)ΟΟΟΟΟ
代謝当量(MET)ΟΟΟΟΟ
皮膚温度(ST)ΟΟΟ
加速度計(ACC)ΟΟΟΟΟ
環境粒子状物質(PM2.5、PM10)ΟΟΟΟΟΟ
一酸化炭素(CO)ΟΟΟΟΟ
二酸化窒素(NO2)ΟΟΟΟΟ
二酸化硫黄(SO₂)ΟΟΟ
揮発性有機物
化合物(VOC)		ΟΟΟΟ
ノイズ(N)ΟΟΟΟΟΟΟ
温度(T)ΟΟΟΟΟ
相対湿度(RH)ΟΟΟ
光の露光(照度)ΟΟΟΟΟ
光曝露(概日光A)ΟΟΟ
緑性ΟΟΟΟ
行動的・文脈的GPS位置/軌道ΟΟΟΟΟΟ
アクティビティ・トラベル・ダイアリー(ATD)ΟΟΟΟ
エコロジカル・モーメンタリー
評価(EMA)		ΟΟΟ
基準特性(BC)ΟΟΟΟΟΟ
注記:ΟΟΟ、最低装備;ΟΟ、標準装備;Ο、代替

表5:M3-BREATHEプロトコルの適応に関する推奨事項。 研究環境(ΟΟ最低限、ΟΟ標準、Ο代替)における測定領域および計測レベルの要約。

このプロトコルを異なる環境で適用する際には、いくつかの修正やトラブルシューティングが必要です。まず、モニタリング機器とスマートフォン間の切断や、30分以上無効または無効なデータ(例:センサーの故障による健康パラメータデータ喪失や皮膚接触不足によるもの)が発生した場合、調査者に自動報告を作成し、迅速に参加者に連絡して問題解決できるようにすべきです。また、調査官は定期的なデータの整合性チェックを行うこともできます。次に、プロトコルの長期展開では、デバイスの遵守やバッテリー管理がより大きな課題となる可能性があります。参加者は時折、スマートリストバンドの着用を忘れたり、モバイルバッテリーの充電を忘れたり、アクティビティ・トラベルの記録を忘れたりすることがあります。自動アプリ内リマインダー、バックエンド監視、日記プロンプトは効果的な緩和ツールです。

利点がある一方で、M3-BREATHEにはいくつかの制限があります。スマートチェストストラップは正確な呼吸測定を提供しますが、参加者バーデ60のため、長期的な実世界モニタリングには一般的に実用的ではありません。したがって、リストバンドベースの測定や呼吸評価アルゴリズムが推奨されますが、これらは一呼吸量の推定や微細な不整脈の検出精度が低下し、動作アーティファクトの影響を受ける可能性があります。さらに、複数の環境監視装置の利用は接続障害、同期クロックの不振、センサーの故障の可能性を高めます。マルチ汚染物質監視や代替手法(例:スマートフォンベースのノイズモニタリング)向けの統合型モジュール装置が開発され、測定精度を維持しつつ装置のサイズを最小化し、携帯性を最大化することを目的としています。さらに、アプリ内の自己申告システム(例:アクティビティ・トラベル・ダイアリー、医療記録)への依存は、リコールバイアスを生じさせ、長期的なコンプライアンス負担を増加させる可能性があります。機械学習に基づく活動や旅行の特定が採用され、医療提供者からの医療記録の追跡は、シンプルなワンクリックインターフェースでスマートフォンアプリとシームレスに連携できます。

この先見的な実世界のM3-BREATHEは、長期的な環境・モビリティ・健康(E-M-H)のネクサス研究と実践のためのスケーラブルで非侵襲的かつコスト効率の高いプラットフォームを確立し、既存のアプローチを前進させます。従来の空間疫学は、曝露評価に固定サイトモニタリングや居住代理指標に依存することが多いため、修正可能な地域単位問題(MAUP)や不確実な地理的文脈問題(UGCoP)に脆弱です21,65。マルチモーダルの高時空間分解能の行動、生理学的、環境的曝露データを統合することで、このシステムはフレームに依存しない個別曝露評価へと進み、環境と健康の関係における行動の「ブラックボックス」の解明を促進します。これは、個人および集団ベースの線量-反応動態の詳細な解釈を支援し、リアルタイムの多重汚染物質曝露と生理的反応性および健康結果を結びつけ、個別化された治療と介入、環境曝露、日常活動、移動性および健康アウトカムを結びつける公衆衛生監視およびトランスレーショナルリサーチを可能にします。さらに、個人の健康管理と環境曝露のリスク軽減を促進します69(例:高リスク曝露に基づく個人の過去E-M-Hプロファイルを避けるための日々の活動計画者)。

M3-BREATHEの将来の応用には、(1) AI駆動のリアルタイム介入システムとの統合が含まれます。個別の曝露アラートが適応行動の推奨をトリガーする(例:ピークPM2.5 曝露時の通勤迂回);(2) 脆弱な集団(例:高齢者、喘息患者)への展開で、疾患特有の曝露と健康関連を評価し、精密医療を支援しること;(3) ゲノムデータと組み合わせて慢性疾患発生における遺伝子と環境の相互作用を明らかにすること;(4) 参加者の負担を軽減し長期的な遵守率を向上させるための統合モジュール環境センサーの小型化;(5) 都市間および国を横断したスケーリングによる比較環境衛生研究のためのグローバルなE-M-Hデータセットの生成。さらに、関連する携帯型センサーを置き換えることで、他の環境リスクの監視にも適応可能です。

開示事項

著者は競合する利害関係を一切主張していない。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
AirBeamHabitatMapAirBeam-3PM1, PM2.5, PM10, 温度, 湿度
AirVisual ProIQAirProAQI,  PM2.5, CO2, 温度, 湿度. 
Atmotube ProAtmotubeProPM1, PM2.5, PM10,TVOC, 温度, 湿度, 気圧
BioNomadix BioShirtBioPacBN-BIOSHIRT-Fx内蔵の生地電極と呼吸センサーを備えた無線スマートシャツで、心電図と呼吸信号を記録できます。
Extech SL355 Personal Noise DosimeterExtechSL355SPL、Leq、ピークなどを記録
Fitbit SenseFitbit2心拍数、心電図、SpO2、ストレスレベル、睡眠、GPS
FITVII GT5 Pro MaxFITVIIhttps://fitvii.com/products/gt5-pro-charger心拍数、血圧、心電図、血糖値、SpO2、睡眠、スポーツモード
GAOTek Compact Personal Noise DosimeterGAO TekASLM-341SPL、Leq、ピークなどを記録
Go Direct Respiration BeltVernierGDX-RB胸部にストラップ式の呼吸モニターで、ひずみセンサーまたは膨張センサーを使用して胸腔の拡張または収縮を検出
Hexoskin Smart ShirtHexoskinN/A呼吸数、心拍数、換気、活動、睡眠などを継続的にモニタリングするためのテキスタイルセンサーを埋め込んだスマートガメント
Huawei BandHuawei9心拍数、SpO2、睡眠段階、呼吸数、不整脈検出
Inkbird Air Quality MonitorInkbirdN/APM2.5, PM10, HCHO, TVOC, CO, CO2,温度, 湿度
La Roche-Posay My Skin Track UVLa Roche-PosayMy Skin Track UV衣服にクリップ; UVAとUVBを測定; 太陽光発電
Miniaturized Light DosimeterWearifiBLE Light Dosimeter最大8チャンネルのスペクトル測定（例：UV → IR）、累積光線量を測定; 長期的な曝露追跡に適しています。
Moto Watch 120Motorolahttps://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375心拍数、睡眠、SpO2、ストレス、100以上のスポーツモード
Personal Noise Dosimeter SV-104ASvantekSV 104ASPL、Leq、TWA、ピークなどを記録
Prana Air Pocket PM2.5 MonitorPranaAir N/APM1, PM2.5, PM10, AQI
Smart Health WristbandVIYIWOKhttps://www.ebay.com/itm/306538996133心拍数、睡眠、ストレス、スポーツモード
Smart Watch Fitness TrackerTYKOIThttps://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-needed心拍数、SpO2、睡眠、歩数、カロリー
SunSprite Personal Light TrackerGoodLux TechnologySunSprite衣服にクリップ; 可視光とUVを測定; 太陽光発電
Temtop Air Station ‎ElitechP1,M2000PM2.5, PM10, AQI, 温度, 湿度, 天気
Xiaomi Smart BandXiaomi9心拍数、SpO2、睡眠段階、ストレスレベル

参考文献

  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).

再版と許可

さらに記事を探す

モバイルヘルスモニタリングマルチモーダルモニタリング生理学的信号環境曝露呼吸機能GPSトラッキング機械学習アラート個別化健康アセスメント都市環境データ縦断的健康モニタリング
実世界のM3-BREATHE:行動、呼吸、曝露のマルチモーダル移動モニタリングに向けて治療と健康評価を目指す
お問い合わせ
図書館に推薦する

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。