Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Ocena dokładności danych smartwatcha fitness do monitorowania aktywności sercowo-naczyniowej i fizycznej: badanie walidacyjne w cyfrowym zdrowiu

1.9K wyświetleń

⸱

DOI:

10.3791/67674

⸱

21 lutego 2025

 ,  ,  ,  ,  , 
1Department of Artificial Intelligence, Faculty of Computer Science and Information Technology, Universiti Malaya, 2Bioinformatics Institute, Agency for Science, Technology and Research, 3Division of Infectious Diseases, Department of Medicine, Faculty of Medicine, Universiti Malaya, 4Division of Neurology, Department of Medicine, Faculty of Medicine, Universiti Malaya

W tym artykule

Podsumowanie

Technologia wearable ma niski koszt i oferuje wygodne monitorowanie danych fizjologicznych. Jednak dokładność i niezawodność tych urządzeń wymaga starannej oceny, aby zapewnić ich skuteczność i bezpieczeństwo dla użytkowników. Ten raport opisuje proces walidacji komercyjnego smartwatcha w monitorowaniu danych fizjologicznych i aktywności fizycznej.

Streszczenie

To badanie ma na celu sprawdzenie dokładności tanich smartwatchy fitness poprzez porównanie ich danych ze złotym standardem pomiarów parametrów sercowo-naczyniowych i aktywności fizycznej. W badaniu wzięło udział 50 osób, z których 26 przeszło testy walidacyjne dotyczące częstości akcji serca, nasycenia krwi tlenem (SpO2) i danych dotyczących snu w stosunku do polisomnografii (PSG). Ponadto 24 osoby wzięły udział w teście 3-minutowego marszu (3MWT) i wchodzeniu po schodach (SC), przy czym liczba kroków została zweryfikowana w oparciu o ręczne obliczenia wideo. Wyniki nie wykazały znaczącej różnicy między pomiarami urządzenia a wartościami złotego standardu dla płytkiego snu, głębokiego snu, czasu REM, średniego tętna, minimalnego tętna i SpO2. Jednak urządzenie znacznie zaniżało ręcznie liczone kroki (p = 0,009 (3MWT); p = 0,012 (SC)), całkowity czas snu (p = 0,004) i czas budzenia (p = 8,94 × 10-8), jednocześnie przeszacowując maksymalne tętno (p = 0,011). Wyniki te podkreślają znaczenie dokładnej walidacji i interpretacji danych z urządzeń ubieralnych w kontekście klinicznym. Biorąc pod uwagę te ograniczenia, zaleca się wyłączenie odczytów urządzenia w przyszłych analizach w celu zachowania wiarygodności danych i integralności badań. Badanie to podkreśla potrzebę ciągłej walidacji i ulepszania technologii ubieralnej w celu zapewnienia jej niezawodności i skuteczności w opiece zdrowotnej.

Wprowadzenie

Technologia ubieralna zyskała na popularności, stając się powszechna w różnych dziedzinach życia codziennego1. Technologie te, wyposażone w czujniki i algorytmy, zmieniły sposób monitorowania i interpretowania parametrów fizjologicznych, dostarczając użytkownikom informacji o zdrowiu, śledząc treningi i umożliwiając użytkownikom prowadzenie zdrowszego stylu życia. Integracja sztucznej inteligencji i rozpoznawania wzorców, w połączeniu z coraz bardziej popularnymi funkcjami, takimi jak funkcje rzeczywistości wirtualnej i rozszerzonej, nie tylko zwiększa funkcjonalność urządzeń ubieralnych, ale także umożliwia zaawansowaną, spersonalizowaną analizę danych i bardziej angażujące doświadczenie użytkownika2,3. W miarę jak urządzenia ubieralne stają się coraz bardziej zintegrowane z codzienną rutyną, zrozumienie ich dokładności i niezawodności staje się najważniejsze, zwłaszcza w branżach takich jak monitorowanie wyników sportowych i opieka zdrowotna.

Wearables oferują korzyści z rejestrowania danych pacjentów w czasie rzeczywistym w przypadku chorób przewlekłych, dostarczając bezcennych informacji zarówno pacjentom, jak i pracownikom służby zdrowia. Wskaźniki, takie jak aktywność fizyczna, osie rozmów i czas trwania snu, mogą pomóc w ocenie ciężkości chorób, takich jak depresja, bezdech senny i choroba Parkinsona4,5,6. Nowe technologie, takie jak elektroniczne znaczki, które monitorują poziom glukozy, tętno i temperaturę, są poddawane testom klinicznym, co jeszcze bardziej rozszerza możliwości zaawansowanych urządzeń ubieralnych w healtchcare7. Co więcej, sportowcy i entuzjaści fitnessu wykorzystują technologię ubieralną do optymalizacji schematów treningowych, śledzenia wskaźników wydajności i zapobiegania kontuzjom8,9. Integracja regularnej oceny parametrów fizjologicznych, danych dotyczących aktywności i funkcji, takich jak zapis elektrokardiogramu, wzbudziła zainteresowanie potencjałem urządzeń ubieralnych do pomocy w diagnozowaniu i śledzeniu chorób sercowo-naczyniowych8,10. Gadżety do noszenia okazały się obiecujące w zwiększaniu bezpieczeństwa w miejscu pracy, poprawie zarządzania stylem życia i wpajaniu zdrowszych nawyków wśród użytkowników11.

Opaski do smartwatchy fitness, takie jak Xiaomi Mi Band, dobrze znana tania technologia ubieralna i jeden z najczęściej używanych smartwatchy na świecie12, były stosowane w różnych zastosowaniach, w tym w medycynie, sporcie i edukacji13. Na przykład w badaniach wykorzystano smartwatche fitness do monitorowania parametrów fizjologicznych osób starszych14,15, analizowania zachowania uczniów podczas edukacji STEM13 oraz oceny aktywności fizycznej u osób16,17. Pomimo ich szerokiego zastosowania, wciąż pojawiają się pytania dotyczące precyzji i niezawodności środków zapewnianych przez te urządzenia. W licznych badaniach podjęto próbę zweryfikowania pomiarów uzyskanych za pomocą technologii ubieralnej12,18,19,20. W poprzednich badaniach badano dokładność liczenia kroków i funkcjonalność monitorowania snu, dostarczając informacji na temat wydajności urządzeń w szerokim zakresie ustawień i danych demograficznych użytkowników. Jednak istniejące badania wskazują na znaczne luki w wiedzy, takie jak sprzeczne wyniki badań i niewystarczająca walidacja w odniesieniu do metodologii złotego standardu, takich jak polisomnografia21,22,23.

Celem tego badania jest walidacja danych uzyskanych z smartwatchy fitness i zajęcie się niezawodnością smartwatchy fitness. Celem oceny dokładności śledzenia snu urządzenia ubieralnego i innych istotnych wskaźników, takich jak tętno, poziom tlenu we krwi i kroki, jest zapewnienie istotnych informacji na temat przydatności urządzenia do zastosowań klinicznych i badawczych, które wymagają wysokiego poziomu dokładności i precyzji. Ma to na celu przyczynienie się do rosnącej liczby badań nad walidacją technologii ubieralnych poprzez rygorystyczną metodologię i solidną analizę statystyczną, ostatecznie poprawiając zdolność do stosowania tych narzędzi w celu uzyskania lepszych wyników zdrowotnych i dobrego samopoczucia.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Protokół badania został zatwierdzony przez Komisję Oceny Etyki Universiti Malaya Medical Center (UMMC) (MREC No: 2021325-9983). Badanie walidacyjne pomiarów smartwatcha fitness jest podzielone na trzy części: (1) walidacja pomiarów snu w stosunku do złotego standardu za pomocą maszyny PSG, (2) walidacja pomiarów krokowych poprzez porównanie ręcznych obliczeń z nagrań wideo oraz (3) analiza danych z testów walidacyjnych.

1. Walidacja pomiarów snu na podstawie polisomnografii (PSG)

UWAGA: Badanie jest prowadzone w laboratorium kontrolowanego snu, aby zminimalizować zewnętrzne zakłócenia. Przed badaniem wszyscy uczestnicy zostali szczegółowo poinformowani o badaniu i otrzymali kartę informacyjną badania przed uzyskaniem pisemnej świadomej zgody. Wszystkie zebrane informacje są anonimowe.

  1. Upewnij się, że uczestnicy przybędą 1 godzinę przed rozpoczęciem testu w celu niezbędnego przygotowania.
  2. Uczestnicy noszą smartwatch fitness na swoim niedominującym nadgarstku.
  3. Przymocuj uczestników do aparatury maszyny PSG zgodnie z instrukcją producenta24.
    UWAGA: Stosuj ustandaryzowane rozmieszczenie elektrod PSG zgodnie z instrukcją producenta, aby zapewnić uczestnikom minimalny dyskomfort podczas snu.
  4. Wykonaj dwa pomiary poziomu nasycenia krwi tlenem (SpO2) za pomocą smartwatcha fitness w pozycji leżącej.
  5. Upewnij się, że uczestnicy śpią maksymalnie 6 godzin < br / > UWAGA: Personel techniczny monitoruje maszynę PSG przez cały czas trwania snu.
  6. Wykonaj dwa pomiary SpO2 za pomocą smartwatcha fitness w pozycji leżącej na plecach po przebudzeniu uczestnika.
  7. Eksportuj trendy snu zarówno z urządzenia PSG, jak i smartwatcha fitness, tj. czas trwania głębokiego snu, czas trwania lekkiego snu, czas szybkich ruchów gałek ocznych (REM) i czas trwania snu, tętno (minimalne, średnie, maksymalne tętno) i SpO2 do pliku .csv. Zapoznaj się z instrukcją producenta każdego urządzenia, aby dowiedzieć się, jak wyeksportować dane24,25.
  8. Przejdź do sekcji 3 w celu analizy danych.

2. Walidacja pomiarów kroków smartwatcha fitness z ręcznymi obliczeniami na podstawie nagrań wideo

UWAGA: Przed testem wszyscy uczestnicy są szczegółowo informowani o badaniu i otrzymują kartę informacyjną badania przed uzyskaniem pisemnej świadomej zgody. Wszystkie zebrane informacje są anonimowe. Do tego testu walidacyjnego wybierani są tylko uczestnicy o dobrym stanie zdrowia i bez upośledzenia ruchowego.

  1. Upewnij się, że uczestnicy noszą smartwatch fitness na niedominującym nadgarstku, a z drugiej strony trzymają smartfon do nagrywania kroków
    2. .
  2. Ustaw liczbę kroków na smartwatchu fitness na zero. Rozpocznij nagrywanie na smartfonie i poproś uczestnika o wykonanie testu krokowego, jak wskazano w kroku 2.3. Zatrzymaj i zapisz nagranie. Zapisz liczbę kroków zmierzonych w smartwatchu fitness.
  3. Upewnij się, że uczestnik ukończył dwa rodzaje testów krokowych (i) 3MWT i (ii) testy SC.
    1. 3MWT: Upewnij się, że uczestnik chodzi w normalnym i stałym tempie przez 3 minuty po płaskiej powierzchni.
    2. Test SC: Poproś uczestnika, aby pokonał dwa piętra schodów w kolejności wznoszącej i malejącej w normalnym i stałym tempie.
  4. Odtwórz ponownie nagranie i oblicz liczbę kroków z nagrania wideo. Zapisz dane w pliku .csv. Wyeksportuj liczbę kroków ze smartwatcha fitness do tego samego pliku. Zapoznaj się z instrukcją producenta smartwatcha fitness, aby dowiedzieć się, jak wyeksportować dane25.
  5. Przejdź do sekcji 3 w celu analizy danych.

3. Analiza danych z testów walidacyjnych

UWAGA: W tym protokole, pakiet scipy.stats w Pythonie był używany do przeprowadzania wszystkich testów analitycznych z wyjątkiem testu Cohena d, gdzie zamiast niego użyto pakietu pingouin. Kod znajduje się w pliku uzupełniającym 1, gdzie każdy krok jest wymieniony w wierszu komentarza.

  1. Zaimportuj pakiet wymagany do obszaru roboczego języka Python.
  2. Zaimportuj dane pomiarowe do obszaru roboczego języka Python. Zastąp nazwę pliku measurement_data.csv wybraną nazwą pliku.
  3. Usuń wszystkie puste wartości za pomocą funkcji dropna() dla każdego danych pomiarowych. Następnie wykonaj test normalności Shapiro-Wilka, aby określić, czy dane mają rozkład normalny, korzystając z pakietu scipy.stats shapiro w Pythonie.
  4. Wykonaj sparowany próbny test t za pomocą pakietu ttest_rel scipy.stats w Pythonie, jeśli dane mają rozkład normalny, w przeciwnym razie wykonaj test Mann-Whitney Wilcoxon przy użyciu pakietu scipy.stats wilcoxon w Pythonie. Jeśli wynik ma wartość p < 0,05, oznacza to, że istnieje znaczna różnica między danymi pomiarowymi z obu przyrządów. W kodzie zastąp measure1_toolA i measure1_toolB odpowiednimi nazwami kolumn.
  5. Zmierz wielkość różnicy między instrumentami za pomocą wielkości efektu przy użyciu metody Cohena d. Wynik 0,2 oznacza mały efekt, 0,5 umiarkowany efekt, a 0,8 duży efekt.
  6. Zastosuj analizę Blanda-Altmana, aby ocenić zgodność między dwoma instrumentami, takimi jak średnia lub mediana różnicy, odchylenie standardowe (SD) i 95% CI błędu systematycznego. Wykreśl analizę Blanda-Altmana, aby ułatwić wizualizację danych wyjściowych za pomocą pakietu matplotlib.pyplot w języku Python.
  7. Powtarzaj krok 3.5 do kroku 3.7 dla każdej pary danych pomiarowych z obu przyrządów.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Tabela 1 przedstawia istotne różnice (wartość p < 0,05) pomiędzy danymi z PSG a smartwatchem fitness podczas pierwszej części testu walidacyjnego. Smartwatch fitness zawyżył czas czuwania (p < 0,001), zaniżył czas trwania snu (p = 0,004) i wykazał wyższą maksymalną częstotliwość akcji serca (p = 0,001). Jednakże nie stwierdzono istotnych różnic między aparatem PSG a smartwatchem fitness w następujących pomiarach: czasie snu płytkiego, czasie snu głębokiego, czasie fazy REM, średniej częstotliwości ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Na podstawie mieszanych wyników analizy porównawczej zidentyfikowano kilka ograniczeń smartwatcha fitness. Duża zmienność pomiarów smartwatcha może wynikać z jego polegania na danych o ruchu i tętnie, a nie na bardziej szczegółowych pomiarach, takich jak elektroencefalogram (EEG) stosowany w PSG. Głęboki sen i czas REM wykazały lepszą zgodność, co sugeruje, że smartwatch fitness może być odpowiedni do ogólnego monitorowania snu. Jednak może nie być wiarygodny w diagnostyce klinicznej, takiej jak szczegółowa analiza fazy ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy oświadczają, że badanie zostało przeprowadzone przy braku jakiejkolwiek rekompensaty komercyjnej lub finansowej, sponsoringu lub jakichkolwiek relacji z producentem urządzenia, które mogłyby być interpretowane jako potencjalny konflikt interesów. Opinie i ustalenia wyrażone w tym artykule są własnymi opiniami autora i opierają się wyłącznie na jego doświadczeniach z produktem z tego badania.

Podziękowania

Dziękujemy neurotechnologowi z Laboratorium Neurologii, Centrum Medycznego Uniwersytetu Malaya, za pomoc i wsparcie w przeprowadzeniu testu dla tego badania. Prace te były wspierane przez Centrum Badawcze UM (IIRG001C-2021IISS).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
System diagnostyki snu Natus Neurologia & CompumedicsOkreślany w rękopisie
Xiaomi Mi Band 6XiaomiOkreślany w rękopisie jako smartwatch fitness
jako maszyna PSG

Bibliografia

  1. Sergueeva, K., Shaw, N., Lee, S. H. Understanding the barriers and factors associated with consumer adoption of wearable technology devices in managing personal health. Can J Adm Sci. 37 (1), 45-60 (2020).
  2. Xu, K., Lu, Y., Takei, K. Multifunctional skin-inspired flexible sensor systems for wearable electronics. Adv Mater Technol. 4 (3), 25(2019).
  3. Ates, H. C., et al. End-to-end design of wearable sensors. Nat Rev Mater. 7 (11), 887-907 (2022).
  4. Harrington, J., Schramm, P. J., Davies, C. R., Lee-Chiong, T. L. Jr An electrocardiogram-based analysis evaluating sleep quality in patients with obstructive sleep apnea. Sleep Breath. 17 (3), 1071-1078 (2013).
  5. Mccall, W. V. A rest-activity biomarker to predict response to SSRIs in major depressive disorder. J Psychiatr Res. 64, 19-22 (2015).
  6. High accuracy discrimination of Parkinson's disease participants from healthy controls using smartphones. Arora, S., et al. 2014 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Florence, Italy, , (2014).
  7. Perry, T. Temporary tattoos can replace today's biomedical sensors. IEEE Spectr. 34, 84-85 (2015).
  8. Lehra, C., et al. Wearable applications in rugby for performance quantification and player health assessment: A brief review. IJKSS. 10 (2), 10(2022).
  9. Lacey, A., Whyte, E., O'keeffe, S., O'connor, S., Moran, K. A qualitative examination of the factors affecting the adoption of injury focused wearable technologies in recreational runners. PloS One. 17 (7), 22(2022).
  10. Binyamin, S. S., Hoque, M. R. Understanding the drivers of wearable health monitoring technology: An extension of the unified theory of acceptance and use of technology. Sustainability. 12 (22), 20(2020).
  11. Rao, P., Seshadri, D. R., Hsu, J. J. Current and potential applications of wearables in sports cardiology. Curr Treat Options Cardiovasc Med. 23 (10), 65(2021).
  12. Casado-Robles, C., Mayorga-Vega, D., Guijarro-Romero, S., Viciana, J. Validity of the xiaomi mi band 2, 3, 4 and 5 wristbands for assessing physical activity in 12-to-18-year-old adolescents under unstructured free-living conditions. Fit-person study. J Sports Sci Med. 2 (2), 196-211 (2023).
  13. Shapovalov, Y. B., et al. Using of personal smart tools in STEM education. Proceedings of the 1st Symposium on Advances in Educational Technology. 2, 192-207 (2020).
  14. Concheiro-Moscoso, P., et al. Use of the Xiaomi mi band for sleep monitoring and its influence on the daily life of older people living in a nursing home. Digit Health. 8, 20552076221121162(2022).
  15. Monitoring system for elderly health care using smart band, Raspberry Pi, and Node-Red. Ardiyanto, Y., Adi, K., Putra, K. T., Utomo, P. 2022 2nd International Conference on Electronic and Electrical Engineering and Intelligent System (ICE3IS), Yogyakarta, Indonesia, , (2022).
  16. Viciana, J., Casado-Robles, C., Guijarro-Romero, S., Mayorga-Vega, D. Are wrist-worn activity trackers and mobile applications valid for assessing physical activity in high school students? Wearfit study. J Sports Sci Med. 21 (3), 356-375 (2022).
  17. Hao, Y., Ma, X. -K., Zhu, Z., Cao, Z. -B. Validity of wrist-wearable activity devices for estimating physical activity in adolescents: Comparative study. JMIR Mhealth Uhealth. 9 (1), e18320(2021).
  18. Ameen, M. S., Cheung, L. M., Hauser, T., Hahn, M. A., Schabus, M. About the accuracy and problems of consumer devices in the assessment of sleep. Sensors. 19 (19), 4160(2019).
  19. Concheiro-Moscoso, P., et al. Quality of sleep data validation from the xiaomi mi band 5 against polysomnography: Comparison study. J Med Internet Res. 25, e42073(2023).
  20. Topalidis, P., et al. Evaluation of a low-cost commercial actigraph and its potential use in detecting cultural variations in physical activity and sleep. Sensors. 21 (11), 18(2021).
  21. Xu, H., Zheng, X., Jia, W., Yin, S. Chromatography/mass spectrometry-based biomarkers in the field of obstructive sleep apnea. Medicine. 94 (40), e1541(2015).
  22. Michaelson, P. G., Allan, P., Chaney, J., Mair, E. A. Validations of a portable home sleep study with twelve-lead polysomnography: Comparisons and insights into a variable gold standard. Ann Otol Rhinol Laryngol. 115 (11), 802-809 (2006).
  23. Berry, R. B., et al. Rules for scoring respiratory events in sleep: Update of the 2007 AASM manual for the scoring of sleep and associated events. J Clin Sleep Med. 08 (05), 597-619 (2012).
  24. Natus Neurology Incorporated. Nicoletone information for use. , https://natus.com/ (2024).
  25. Xiaomi Communications. Mi smart band 6 user manual. , At https://www.manualslib.com/manual/2629650/Xiaomi-Mi-Smart-Band-6.html (2021).
  26. De Zambotti, M., Cellini, N., Goldstone, A., Colrain, I. M., Baker, F. C. Wearable sleep technology in clinical and research settings. Med Sci Sports Exerc. 51 (7), 1538-1557 (2019).
  27. Meltzer, L. J., Montgomery-Downs, H. E., Insana, S. P., Walsh, C. M. Use of actigraphy for assessment in pediatric sleep research. Sleep Med Rev. 16 (5), 463-475 (2012).
  28. Paradiso, C., Colino, F., Liu, S. The validity and reliability of the mi band wearable device for measuring steps and heart rate. Int J Exerc Sci. 13 (4), 689-701 (2020).
  29. Benedetto, S., et al. Assessment of the fitbit charge 2 for monitoring heart rate. PloS One. 13 (2), e0192691(2018).
  30. Chow, H. -W., Yang, C. -C. Accuracy of optical heart rate sensing technology in wearable fitness trackers for young and older adults: Validation and comparison study. JMIR Mhealth Uhealth. 8 (4), e14707(2020).
  31. Jachymek, M., et al. Wristbands in home-based rehabilitation-validation of heart rate measurement. Sensors. 22 (1), 60(2021).
  32. Schalk, M., Schalk, I., Bauernhansl, T., Siegert, J., Schneider, U. Investigation of possible effects of wearing exoskeletons during welding on heart rate. Physiologia. 2 (3), 94-108 (2022).
  33. Bent, B., Goldstein, B. A., Kibbe, W. A., Dunn, J. P. Investigating sources of inaccuracy in wearable optical heart rate sensors. NPJ Digit Med. 3 (1), 18(2020).
  34. De Cocker, K. A., De Meyer, J., De Bourdeaudhuij, I. M., Cardon, G. M. Non-traditional wearing positions of pedometers: Validity and reliability of the Omron HJ-203-ED pedometer under controlled and free-living conditions. J Sci Med Sport. 15 (5), 418-424 (2012).
  35. Diaz, K. M., et al. Fitbit®: An accurate and reliable device for wireless physical activity tracking. Int J Cardiol. 185, 138-140 (2015).
  36. Mendes, M., Pala, A. Type I error rate and power of three normality tests. Inf Technol J. 2, 135-139 (2003).
  37. Costa, R. R., et al. Heart rate deflection point as an alternative to determining the anaerobic threshold in dyslipidaemic patients. Motriz: Rev Educ Fís. 25 (1), (2019).
  38. Roth, S., et al. Noninvasive evaluation of the hemodynamic status in patients after heart transplantation or left ventricular assist device implantation. PloS One. 17 (10), e0275977(2022).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Walidacja inteligentnego zegarka fitnessmonitorowanie sercowo naczyniowepor wnanie z polisomnografisaturacja krwi tlenempomiar t tnaanaliza faz snuwalidacja licznika krok wanaliza Blanda Altmanasze ciominutowy test chodzenia
Ocena dokładności danych smartwatcha fitness do monitorowania aktywności sercowo-naczyniowej i fizycznej: badanie walidacyjne w cyfrowym zdrowiu
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.