Portable

Apr 28, 2023

Rapports scientifiques volume 13, Numéro d'article : 9326 (2023) Citer cet article

1 Altmétrique

Détails des métriques

Des perturbations répétées des rythmes circadiens sont associées à des implications pour les résultats de santé et la longévité. L'utilisation d'appareils portables pour quantifier le rythme circadien afin d'élucider son lien avec la longévité, grâce à des données collectées en continu, reste largement non étudiée. Dans ce travail, nous étudions une segmentation basée sur les données des profils d'activité de l'accéléromètre sur 24 h des appareils portables en tant que nouveau biomarqueur numérique de la longévité chez 7 297 adultes américains à partir de l'enquête nationale sur la santé et la nutrition de 2011-2014. À l'aide d'un regroupement hiérarchique, nous avons identifié cinq groupes et les avons décrits comme suit : "activité élevée", "activité faible", "perturbation légère du rythme circadien (CR)", "perturbation grave du CR" et "très faible activité". Les jeunes adultes présentant une perturbation CR extrême sont apparemment en bonne santé avec peu de conditions comorbides, mais en fait associés à un nombre plus élevé de globules blancs, de neutrophiles et de lymphocytes (0,05 à 0,07 unité logarithmique, tous p <0,05) et à un vieillissement biologique accéléré (1,42 ans, p < 0,001). Les personnes âgées présentant une perturbation de la RC sont associées de manière significative à une augmentation des indices d'inflammation systémique (0,09 à 0,12 unité logarithmique, tous p <0,05), à une avance du vieillissement biologique (1,28 ans, p = 0,021) et à un risque de mortalité toutes causes confondues (HR = 1,58, p = 0,042). Nos résultats soulignent l'importance de l'alignement circadien sur la longévité à tous les âges et suggèrent que les données des accéléromètres portables peuvent aider à identifier les populations à risque et à personnaliser les traitements pour un vieillissement en meilleure santé.

L'adoption généralisée d'appareils numériques personnels, tels que les smartphones et les appareils portables, offre un potentiel sans précédent de collecte de données pour évaluer la santé humaine et les états pathologiques. En mesurant passivement et en continu, les capteurs intégrés de l'appareil nous permettent de capturer diverses fonctions de santé essentielles (par exemple, la température de la peau, les cycles veille-sommeil et la fréquence cardiaque)1 et les facteurs de l'environnement (par exemple, l'exposition à la lumière)2 et le mode de vie (p. ex., activité physique et alimentation)1,3 ​​dans un contexte réel sur de longues périodes. Ces mesures physiologiques et comportementales capturées numériquement, également appelées biomarqueurs numériques, expliquent, influencent ou prédisent les résultats liés à la santé4. Les biomarqueurs numériques peuvent refléter la vie quotidienne et les schémas comportementaux d'une personne avec plus de précision et d'objectivité et, par conséquent, peuvent remplacer ou compléter les évaluations cliniques de routine ou les auto-évaluations5.

Des recherches récentes ont proposé que les biomarqueurs numériques de la longévité pourraient être utilisés pour identifier les personnes à risque plus élevé de maladies liées à l'âge et pour surveiller l'efficacité des interventions visant à promouvoir un vieillissement en bonne santé6,7. Cela est particulièrement pertinent compte tenu de la charge croissante des maladies liées à l'âge sur les systèmes de santé et la société8. Actuellement, les mesures de la santé et de la longévité sont basées sur des facteurs tels que l'inflammation9, l'âge biologique10 et la mortalité11. Bien que ces prédicteurs puissent fournir une meilleure compréhension de l'espérance de vie d'un individu que l'âge chronologique, leur potentiel de numérisation n'a pas été largement étudié12,13. Un biomarqueur numérique de la longévité fournirait non seulement une mesure numérique de la durée de vie, mais permettrait également des interventions personnalisées pour un vieillissement en bonne santé, telles que des interventions nutritionnelles et pharmacologiques. Cela correspond au concept de médecine de précision, qui met l'accent sur la prédiction, la prévention, la personnalisation et la participation plutôt qu'une approche unique14.

Le rythme circadien, un cycle endogène de 24 heures régulé par l'horloge maîtresse dans le noyau suprachiasmatique du cerveau, a également été reconnu comme un facteur crucial pour le maintien d'une santé et d'une durée de vie optimales15. Le rythme circadien régule divers processus physiologiques, biologiques et comportementaux dans le corps, notamment les cycles veille-sommeil, la production d'hormones, le métabolisme et la fonction immunitaire16. Bien que des signaux temporels externes tels que "zeitgeber" (cycle lumière-obscurité de 24 h) puissent influencer le rythme circadien, il est principalement contrôlé par des facteurs endogènes, qui sont profondément enracinés dans la constitution génétique d'un individu. De nouvelles preuves suggèrent fortement que la perturbation ou le désalignement des rythmes circadiens a de profondes implications sur les résultats de santé, y compris la perturbation du métabolisme et de la régulation hormonale ainsi qu'un risque accru de diverses maladies chroniques telles que le syndrome métabolique, le diabète, les maladies cardiovasculaires et le cancer17. De plus, il a été associé à une déficience immunitaire, à une inflammation chronique, à l'obésité, à la fatigue et à une probabilité plus élevée de souffrir de troubles du sommeil18,19,20,21. Par conséquent, le maintien d'un rythme circadien sain est crucial pour la santé et le bien-être en général, réduisant le risque d'effets néfastes sur la santé et améliorant la qualité de vie22,23. Compte tenu de l'association entre les rythmes circadiens et leur impact sur la durée de vie, ainsi que de l'adoption généralisée des avancées technologiques récentes, nous soutenons que les montres intelligentes présentent une opportunité prometteuse pour tirer parti des biomarqueurs numériques pour la longévité24. Les montres intelligentes offrent un moyen pratique de surveiller en continu les données de l'accéléromètre25 et les données de fréquence cardiaque26, offrant des informations précieuses sur les rythmes circadiens.

L'utilisation des montres intelligentes grand public pour la collecte de données et l'analyse de biomarqueurs numériques potentiels est cependant limitée par un certain nombre de facteurs tels que les algorithmes propriétaires, la propriété limitée des données, la courte durée de vie et la durée de port variable. Ainsi, les dispositifs ActiGraph, qui sont conçus à des fins de recherche, nous permettent d'étudier pleinement le potentiel des futures applications qui pourraient être mises en œuvre sur ces dispositifs numériques en utilisant des algorithmes développés.

De plus, l'application de l'apprentissage automatique (ML) aux données collectées en continu à partir de dispositifs portables élucide les modèles cachés en tant que phénotypes numériques et facilite l'identification des sous-populations27. La classification conventionnelle, dirigée par des experts, des maladies ou des populations à risque est limitée par un manque de moyens convenus de connaître le nombre de groupes naturels dans les populations d'intérêt et de déterminer les variables sur lesquelles baser la segmentation28,29. Au lieu de cela, l'utilisation d'une approche de regroupement holistique et axée sur les données a été reconnue comme une alternative29. Autrement dit, chaque individu existe dans plusieurs classes de niveaux de santé et fournit diverses modalités de données physiologiques et comportementales mesurées numériquement, qui correspondent ensuite à plusieurs groupes d'états de santé. Semblable à celles mises au point dans les domaines de la génomique, cette méthode peut entraîner des progrès dans notre compréhension de la multitude complexe de composants de l'étiologie de la maladie. Pour résumer, les biomarqueurs numériques et les approches de regroupement basées sur les données permettent l'utilisation de la médecine de précision. Ces méthodes peuvent classer une population en groupes avec des caractéristiques uniques ou des risques pour la santé et aider les individus à passer des classes «malsaines ou à risque» aux classes «saines» grâce à une intervention.

À ce jour, le potentiel d'utilisation de données collectées en continu à partir de dispositifs portables pour expliquer la longévité reste largement inexploré. Dans cette étude, nous cherchons à étudier l'utilisation de profils d'activité sur 24 h, tels que les données de l'accéléromètre, en tant que nouveau biomarqueur numérique pour la longévité et le traitement sur mesure. Notre approche diffère des recherches précédentes car elle applique une approche basée sur les données pour évaluer l'association entre les données de l'accéléromètre sur 24 h et les mesures de longévité dans un échantillon représentatif à l'échelle nationale. Cela apporte trois avantages distincts par rapport aux recherches existantes. Tout d'abord, nous appliquons la segmentation de la population de l'activité portable à la population adulte générale des États-Unis dans la cohorte de l'enquête nationale sur la santé et la nutrition (NHANES) pour augmenter la généralisabilité de nos résultats par rapport aux populations spécifiques étudiées précédemment (c'est-à-dire les troubles de l'insomnie chronique30, femmes d'âge moyen31). Deuxièmement, notre approche de clustering basée sur ML comprend des fonctionnalités décrivant une résolution détaillée du profil d'activité sur 24 h, qui représente des captures complètes de l'activité quotidienne et des manifestations physiologiques de l'horloge biologique (par exemple, le « rythme circadien ») telles que le sommeil/ cycle de veille32. De plus, le profil d'activité sur 24 heures fournit des informations détaillées sur la durée d'activité quotidienne d'un individu, y compris le moment et l'intensité, ce qui en fait une source d'informations plus riche pour la surveillance de la santé. Enfin, nous examinons la relation entre la segmentation basée sur les données et différents résultats de longévité qui représentent diverses dimensions de l'état de santé actuel (c'est-à-dire l'inflammation et la mortalité) et prévu (c'est-à-dire l'âge biologique) des participants10,33.

Le tableau 1 présente les caractéristiques démographiques et socioéconomiques de base, les antécédents médicaux et les biomarqueurs inflammatoires sériques des 7 297 participants à l'étude. En bref, l'âge médian (intervalle interquartile) était de 51 (36–65) ans, avec 46,8 % d'hommes et 67,6 % de Blancs non hispaniques. Les antécédents médicaux courants comprenaient l'hypertension (49,0 %), l'arthrite (27,7 %), l'asthme (15,5 %) et le cancer (11,6 %).

En appliquant le regroupement hiérarchique aux données d'activité horaire moyenne dérivées des appareils portables, nous avons identifié 22 % (n = 1 628) participants dans le groupe 1, 37 % (n = 2 670) dans le groupe 2, 17 % (n = 1 256) dans le groupe 3, 8 % (n = 558) dans le groupe 4 et 16 % (n = 1 185) dans le groupe 5. Nous avons observé des attributs d'activité distincts sur 24 h par groupe (voir Fig. 1). Les heures de repos/sommeil des participants ont été définies en fonction de la période entre 23h00 et 07h00, ce qui est cohérent avec les recherches antérieures sur le rythme circadien et le sommeil, ainsi que leurs associations avec divers résultats pour la santé34. Plus précisément, le groupe 1 a montré un niveau d'activité sensiblement plus élevé que la moyenne de la population entre 11h00 et 22h00 (score Z : 0,75 à 0,98). Pendant la période de repos/sommeil (c'est-à-dire de 23h00 à 07h00), l'intensité de l'activité est considérablement réduite et atteint le nadir à 04h00. Les participants du groupe 2 ont montré une activité supérieure à la moyenne tôt le matin entre 05h00 et 10h00 (score Z : 0,25 à 0,41), suivi par des niveaux d'activité autour de la moyenne de la population pendant la journée. Nous avons également observé une baisse relativement plus précoce de l'activité de l'accéléromètre à partir de 18h00. Le groupe 3 présente une faible activité pendant les heures actives entre 07 h 00 et 21 h 00 (score Z : − 0,54 − (− 0,06)) et une activité accrue au-dessus de la moyenne de la population entre tard le soir et tôt le matin (c'est-à-dire entre 23 h 00 et 04 :00, score Z : 0,05 à 0,43). Le cluster 4, le plus petit cluster en taille, est unique avec son élévation d'activité à partir de 14h00 et son activité de haut niveau tout au long de la période de repos/sommeil, atteignant son apogée à 01h00 (score Z : 2,44). Les participants du groupe 4 ont ensuite connu une baisse substantielle et une activité atténuée entre 06h00 et 14h00, atteignant le nadir à 08h00 (score Z : -0,67). Enfin, le cluster 5 a une activité historiquement très faible, comme le montrent les scores Z négatifs. En particulier, l'activité diurne entre 12h00 et 21h00 est significativement réduite (score Z < - 1,0) dans ce cluster par rapport à la moyenne de la population.

Classification des clusters en fonction de la segmentation de la population des données d'activité de l'accéléromètre portable. ( a ) Carte thermique illustrant l'activité dérivée du portable de 7 297 participants à l'étude sur 24 h. (b) Illustration graphique du niveau d'activité horaire moyen de l'accéléromètre par cluster. Les valeurs sont normalisées selon le score Z. Les scores positifs indiquent des niveaux d'activité supérieurs à la moyenne de la population.

Nous avons utilisé le test t de Student pour les variables continues et le test du chi carré pour les variables catégorielles afin d'évaluer la signification statistique des caractéristiques démographiques et socioéconomiques, des groupes d'IMC, des comportements de mouvement, de la qualité du sommeil et des antécédents médicaux par grappes. Dans les clusters basés sur les données, toutes les variables, à l'exception de l'asthme, étaient statistiquement significatives (voir tableau 2). Les groupes 1 et 4 étaient en moyenne de jeunes adultes (âges médians 41 et 36 ans). Les groupes 2 et 3 comprenaient des adultes d'âge moyen (âges médians 53 et 51 ans). Le groupe 5 était composé d'une population âgée entre 60 et 80 ans. En comparant deux grappes d'âge moyen, la grappe 3 avait des pourcentages significativement plus élevés de NH Black (18 % contre 8 %) et d'obésité (44 % contre 36 %), des taux de chômage plus élevés (52 % contre 33 %), moins de participants travaillant ≥ 40 h/semaine (32 % contre 47 %) et un revenu du ménage inférieur à celui du groupe 2. De plus, les participants du groupe 3 ont déclaré passer plus de temps dans des comportements sédentaires et moins de temps dans des activités d'intensité modérée ou vigoureuse, avec un proportion (55 %) respecte les lignes directrices recommandées en matière d'activité physique d'intensité modérée et vigoureuse (MVPA), contrairement au groupe 2 qui avait un pourcentage plus élevé (65 %) de respect des lignes directrices. Le groupe 3 avait une plus grande proportion de participants signalant des troubles du sommeil et des troubles du sommeil diagnostiqués cliniquement, ainsi qu'une prévalence plus élevée de maladies cardiovasculaires, de cancer, d'accident vasculaire cérébral, de diabète, d'hypertension et d'arthrite. En comparant les deux groupes de jeunes adultes, le groupe 4 avait un pourcentage plus élevé d'hommes (55 % contre 36 %), étant des Noirs non hispaniques (20 % contre 11 %) et célibataires (55 % contre 36 %), et obésité (40 % contre 31 %), ayant des niveaux de revenu et un rapport revenu familial/pauvreté inférieurs à ceux du groupe 1. Contrairement aux groupes d'âge moyen, nous n'avons observé aucune différence significative dans la répartition du travail ≥ 40 h/semaine (~ 40 %) , travaillant < 40 h/semaine (~ 20 %), et sans emploi (~ 30 %) entre ces deux groupes. De plus, il n'y avait pas de différences significatives dans la prévalence des conditions médicales. Dans la comparaison des comportements de mouvement, les participants du groupe 4 ont démontré une relation bimodale, avec des périodes plus longues d'activités sédentaires et d'intensité modérée et vigoureuse par rapport à ceux du groupe 1. De plus, notre analyse a révélé cinq caractéristiques distinctives du groupe 4, qui comprenait les pourcentages les plus élevés de NH Black et de fumeurs actuels, le rapport revenu familial / pauvreté le plus bas, la durée de sommeil la plus courte et la durée d'APMV la plus longue. Enfin, le groupe 5, la population la plus âgée, présentait le plus grand nombre de problèmes de santé et rapportait le temps de sommeil et de sédentarité le plus long.

Nous avons évalué les associations entre les clusters basés sur les données et les niveaux de biomarqueurs inflammatoires basés sur les globules blancs (voir Fig. 2), l'âge biologique de Klemera-Doubal (KDM) (voir Fig. 3) et la mortalité toutes causes confondues (voir Fig. 4). ). Parmi les résultats liés à la santé, nous avons observé que le groupe 1 était le plus performant et le groupe 5 était le moins performant. Ces associations tiennent même après ajustement pour les covariables.

Associations de grappes avec des marqueurs inflammatoires à base de globules blancs. ( a ) Comparaisons des grappes (moyenne ± SE) sur le nombre de globules blancs, le nombre de neutrophiles, le nombre de lymphocytes, NLR, SII et AISI, respectivement. La signification statistique est fixée à p < 0,05 (*), < 0,01 (**), < 0,001 (***) et p > 0,05 = non significatif (NS). Un modèle linéaire généralisé pondéré selon l'enquête a été utilisé. (b) Graphique en forêt des coefficients bêta et des intervalles de confiance (IC) à 95 %. Le cluster 1 est une référence. Le modèle est ajusté en fonction de l'âge, du sexe, de la race/ethnicité et de la situation d'emploi. La signification statistique est fixée à p < 0,05 (*). Toutes les valeurs de p ont été calculées à l'aide des valeurs transformées en log des résultats. Globule blanc WBC, rapport neutrophiles-lymphocytes NLR, indice d'immuno-inflammation systémique SII, AISI l'indice agrégé d'inflammation systémique. Erreurs standard SE.

Associations de clusters avec âge biologique KDM. ( a ) Comparaison des grappes (moyenne ± SE) sur l'âge biologique (CA) et l'âge biologique de la méthode Klemera-Doubal (KDM). (b) Graphique en forêt des coefficients bêta et des intervalles de confiance (IC) à 95 %. Le cluster 1 est une référence. Le modèle est ajusté en fonction de l'âge, du sexe, de la race/ethnicité et de la situation d'emploi. La signification statistique est fixée à p < 0,05 (*). Toutes les valeurs de p ont été calculées à l'aide des valeurs transformées en log des résultats. Erreurs standard SE.

Associations de clusters avec mortalité toutes causes confondues. ( a ) Courbe de Kaplan – Meier pondérée du temps jusqu'à la mortalité toutes causes confondues par grappe. (b) Diagramme en forêt des rapports de risque de la mortalité toutes causes confondues et des intervalles de confiance (IC) à 95 %. Le cluster 1 est une référence. Nous avons utilisé un modèle de risque proportionnel de Cox pondéré par l'enquête ajusté en fonction de l'âge, du sexe, de la race/ethnicité et du statut d'emploi. La signification statistique est fixée à p < 0,05 (*).

Plus précisément, les groupes 3, 4 et 5 avaient un nombre de globules blancs supérieur de 0,05 à 0,10 unité logarithmique et un nombre de neutrophiles supérieur de 0,08 à 0,15 unité logarithmique par rapport au groupe 1 (voir Fig. 2). De plus, le groupe 4 était associé à un nombre de lymphocytes supérieur de 0,05 unité logarithmique (IC à 95 % : 0,010 à 0,085). Les grappes 3 et 5 étaient associées à des augmentations de 0, 06 à 0, 12 et de 0, 09 à 0, 14 unités logarithmiques du NLR et des indices globaux hématologiques pour l'inflammation systémique exprimée en SII et AISI (tous p <0, 05).

Pour l'âge biologique KDM, nous avons remarqué une accélération du processus de vieillissement biologique dans les clusters 3 à 4 à 5 (voir Fig. 3). Plus précisément, les participants du groupe 3 avaient une avance d'âge biologique de 0,25 log-années (équivalent à 1,28 ans, IC à 95 % : 0,043–0,467) supérieure à ceux du groupe 1. Les participants des groupes 4 et 5 présentaient un taux encore plus rapide de avance en âge, à 0,35 log-année (équivalent à 1,42 an, IC à 95 % : 0,175-0,522) et 0,53 log-année (équivalent à 1,70 an, IC à 95 % : 0,298-0,760), respectivement.

Enfin, nous avons analysé le risque de mortalité toutes causes associé aux clusters (voir Fig. 4). Le groupe 3 était associé à des risques de mortalité toutes causes confondues 1,58 (IC à 95 % : 1,02-2,45) fois plus élevé, et le groupe 5 était associé à des risques de mortalité toutes causes confondues 1,97 (IC à 95 % : 1,26-3,09) fois plus élevés que le groupe 1. Bien que la signification statistique n'ait pas été atteint, nous avons également constaté une tendance similaire d'augmentation des risques de mortalité dans le groupe 4 (HR 1,61, IC à 95 % : 0,85–3,05).

Nous avons appliqué une approche de regroupement axée sur les données pour identifier les segments de population en fonction des données d'activité de l'accéléromètre sur 24 h recueillies à l'aide d'un appareil portable chez les adultes américains. Sur la base des profils d'activité sur 24 heures, nous avons trouvé cinq clusters distincts, que nous décrivons comme suit. Le groupe 1 représente un groupe "à activité élevée" maintenant des niveaux d'activité élevés tout au long de la journée. Le groupe 2 représente un groupe "faible activité", présentant un schéma diurne similaire à celui du groupe 1 mais avec des niveaux d'activité globaux plus faibles tout au long de la journée et un déclin plus rapide à partir du début de soirée. Les groupes 3 et 4 représentent respectivement le groupe « Perturbation légère du rythme circadien (CR) » et le groupe « Perturbation grave du CR ». Les participants du groupe 3 présentent une activité nocturne accrue entre 23h00 et 04h00, tandis que leur activité diurne reste faible. Le groupe 4 est caractérisé par une activité extrêmement faible du matin au début de l'après-midi, une élévation progressive le soir, notamment une activité élevée pendant les heures de repos/sommeil, et une chute brutale le matin. Ces modèles d'activité indiquent un désalignement circadien ou un rythme perturbé, car ils ne s'alignent pas bien avec les horaires normaux de lumière et d'obscurité. Par conséquent, nous avons classé ces grappes comme ayant une perturbation du rythme circadien. Enfin, le cluster 5 représente le groupe "Très faible activité".

Nous avons démontré que les clusters sont associés de manière significative aux caractéristiques de base, telles que déterminées par le test t et les tests du chi carré. Les clusters identifiés sont clairement différenciés par des facteurs démographiques et socio-économiques, des comportements de mouvement et des conditions médicales. De plus, nos modèles linéaires généralisés et nos modèles à risques proportionnels de Cox ont révélé des associations significatives et des effets de gradient entre l'appartenance au cluster et trois résultats de longévité, à savoir les niveaux de biomarqueurs inflammatoires, l'âge biologique et la mortalité toutes causes confondues. Dans tous les résultats liés à la santé, le groupe « Activité élevée » (Groupe 1) a tendance à avoir les meilleures performances, avec les valeurs les plus basses des niveaux d'inflammation, de l'âge biologique et de la mortalité. Cela a été suivi par « Faible activité » (Groupe 2), « Interruption légère du CR » (Groupe 3) et « Interruption grave du CR » (Groupe 4). Le groupe "Très faible activité" (Cluster 5) a obtenu les pires résultats, avec les niveaux d'inflammation, le risque de mortalité et l'âge biologique les plus élevés (voir Fig. 5).

Cinq groupes en relation avec le niveau d'activité de l'accéléromètre et les résultats liés à la santé. Rythme circadien CR.

Il y avait cependant quelques exceptions. La «perturbation grave de la CR», composée de jeunes adultes âgés de 30 à 40 ans, était significativement associée à une augmentation des biomarqueurs inflammatoires et à un âge biologique accéléré, mais pas à la mortalité toutes causes confondues et aux antécédents médicaux. Cette découverte suggère que les jeunes adultes présentant un désalignement circadien peuvent sembler apparemment en bonne santé car ils ne présentent aucun signe apparent de conditions médicales et montrent des niveaux d'activité élevés, mais en fait, ils subissent une détérioration de leur santé et un vieillissement malsain. Chez les adultes d'âge moyen, le fait d'avoir un certain degré de perturbation du cycle circadien associé à un faible niveau d'activité ("perturbation légère de la CR") a entraîné des niveaux de biomarqueurs inflammatoires, un risque de mortalité et un âge biologique sensiblement plus élevés par rapport à une faible activité seule. Cela met en évidence l'importance croissante de l'alignement circadien chez les populations âgées pour atteindre une longévité saine.

Contrairement à l'activité physique ou à la nutrition, il y a encore un manque de compréhension sur la façon d'utiliser ou de corriger le calendrier biologique pour des bienfaits pour la santé. Les interventions actuelles de santé publique se concentrent en grande partie sur l'augmentation des niveaux d'activité physique ou sur une alimentation saine, avec moins d'attention sur le ciblage de l'horloge circadienne. De plus en plus de preuves indiquent que la perturbation circadienne a des conséquences importantes sur divers résultats de santé, notamment la performance, le bien-être, la santé physique et mentale et la longévité24,35. En tant que tels, les montres intelligentes et les appareils portables offrent une méthode opportune, dégagée et pratique pour surveiller et évaluer les rythmes circadiens. Avec l'adoption croissante des appareils numériques, les thérapies basées sur l'horloge circadienne ont un énorme potentiel pour maximiser les avantages pour la santé et promouvoir un vieillissement en bonne santé au niveau individuel et de la population36,37,38,39. Couplée à des algorithmes d'apprentissage automatique, la numérisation de ces données sur le comportement passif a un potentiel non reconnu en tant que nouveaux biomarqueurs numériques pour la longévité et l'avancement des interventions personnalisées, la prédiction automatisée des événements de santé et la prévention au niveau de la population. En tant qu'implication de cette étude, nous pouvons utiliser des données portables comme biomarqueur numérique et fournir une intervention personnalisée via des appareils numériques pour promouvoir avec succès la synchronisation avec le cycle diurne, c'est-à-dire migrer des individus "malsains ou à risque" vers des clusters "sains". Les jeunes adultes dont le cycle circadien est altéré, par exemple, peuvent recevoir des recommandations telles que l'exposition opportune à la lumière, l'exercice à des moments précis, l'ingestion de mélatonine ou l'utilisation de la technologie numérique pour la surveillance afin d'améliorer leur cycle veille-sommeil40,41. Pendant ce temps, il peut être recommandé aux personnes âgées ayant de faibles niveaux d'activité d'augmenter leur activité physique et d'adopter d'autres comportements sains pour réduire le risque de maladies liées à l'âge et augmenter leur force et leur mobilité.

Il existe des limites potentielles à cette étude. Tout d'abord, la validité de la sélection des caractéristiques doit être vérifiée sur de nouvelles données, invisibles du modèle pendant la phase de développement. Deuxièmement, il s'agit d'une analyse rétrospective et ne permet pas d'établir des relations causales entre les associations observées. Troisièmement, nous n'utilisons que des données d'accéléromètre de 7 jours, et une durée de surveillance plus longue fournirait une classification plus précise et exacte des grappes. Quatrièmement, des facteurs environnementaux non mesurés ou une confusion résiduelle pourraient avoir affecté les mesures d'accélérométrie. De même, le temps de non-port et les mesures d'accélérométrie manquantes peuvent influencer la sortie d'activité. Cependant, l'impact est minime car nous avons sélectionné des participants avec des informations complètes sur l'époque de 5 minutes dans l'analyse. Ensuite, les données sur le statut de travail posté et l'horaire de travail manquent, et il est possible que les clusters que nous avons identifiés soient biaisés en faveur des travailleurs postés et donc non représentatifs de la population générale avec des horaires de travail normaux. Cependant, nous croyons que l'impact du statut de travail posté n'expliquerait pas entièrement nos résultats pour deux raisons. Premièrement, nous avons constaté que le statut d'emploi dans nos données ne différait pas significativement en comparant le groupe avec la perturbation circadienne sévère au groupe sans perturbation. Deuxièmement, le contrôle du statut d'emploi n'a pas affecté les associations originales dans les modèles linéaires généralisés et les modèles à risques proportionnels de Cox. Enfin, le coût initial d'achat d'un appareil portable peut ne pas sembler rentable du point de vue de la population à court terme (250,00 $ par unité). Cependant, il pourrait potentiellement devenir rentable à long terme pour les raisons suivantes : (1) l'utilisation généralisée des smartphones et des montres connectées en fait des solutions évolutives pour la collecte de données en continu dans une large population ; (2) les appareils portables sont plus économiques à long terme par rapport aux méthodes traditionnelles telles que les visites cliniques ou les tests de laboratoire, qui nécessitent des rencontres physiques et peuvent entraîner des coûts pour chaque visite ; (3) à mesure que la technologie progresse, la disponibilité d'appareils portables à faible coût et de montres intelligentes commerciales avec fonctionnalité d'accéléromètre augmente.

Néanmoins, cette étude offre les contributions suivantes par rapport aux recherches précédentes. Cette étude a utilisé des données d'activité d'accéléromètre portable pour segmenter un échantillon national représentatif de la population américaine. Une nouvelle résolution détaillée du profil d'activité sur 24 h élucide les profils de cluster distincts et met en évidence le désalignement circadien et la perturbation du rythme pour jouer un rôle essentiel dans les mesures de longévité de l'inflammation, de l'âge biologique et de la mortalité. Avec ce travail, nous apportons une contribution significative à la recherche actuelle dans le domaine démontrant le potentiel de numérisation des mesures de la longévité humaine basées sur des données d'activité portables continues. Un biomarqueur numérique de la longévité a un énorme potentiel pour le phénotypage numérique, l'intervention personnalisée, la prévention au niveau de la population et la surveillance à distance de la santé des personnes. C'est aussi une étape cruciale vers la réalisation de l'objectif de la médecine de précision. De futures études avec des évaluations prospectives et répétées à l'aide d'appareils numériques sont justifiées.

Nous avons utilisé les données de la NHANES, une enquête nationale transversale menée par les Centers for Disease Control and Prevention pour évaluer l'état de santé et nutritionnel des adultes et des enfants aux États-Unis42. La NHANES applique un plan d'échantillonnage probabiliste stratifié à plusieurs degrés pour générer un échantillon pondéré et représentatif de la population américaine. Le National Center for Health Statistics Ethics Review Board a approuvé les protocoles d'étude NHANES (NCHS IRB/ERB Protocol Number : #2011–17), et tous les participants ont fourni un consentement éclairé écrit. Toutes les méthodes ont été réalisées conformément à la Déclaration d'Helsinki. Pour la présente étude, nous avons sélectionné des adultes non enceintes de ≥ 20 ans qui avaient des enregistrements d'accéléromètre validés à partir des cycles NHANES 2011-2014, pour lesquels des données d'accéléromètre sur 24 h étaient disponibles. Les participants avaient des données d'accéléromètre valides s'ils satisfaisaient un minimum de 16 h de temps de port quotidien pendant 4 jours ou plus. De plus, les données de l'accéléromètre des participants doivent être enregistrées de manière continue et chronologique, sans manquer des époques de 5 minutes sur 24 h. L'étude a inclus 7 297 participants à l'analyse (voir Fig. 6).

Organigramme pour l'inclusion des participants à l'étude.

Le prélèvement d'échantillons sanguins, les méthodes de laboratoire et les instructions de traitement détaillées sont décrits dans le NHANES Laboratory/Medical Technologists Procedure Manual43. L'analyseur de sang a fourni le nombre de globules blancs, le nombre de neutrophiles, le nombre de lymphocytes et le rapport neutrophiles/lymphocytes (NLR). Nous avons en outre calculé deux indices hématologiques pour l'inflammation systémique, l'indice d'immuno-inflammation systémique (SII) et l'indice agrégé d'inflammation systémique (AISI), en utilisant les formules suivantes44,45 :

SII = neutrophile x numération plaquettaire/lymphocytaire

AISI = neutrophiles x monocytes x numération plaquettaire/lymphocytaire.

Nous avons utilisé la méthode modifiée de Klemera-Doubal (KDM) pour la prédiction biologique de l'âge10,46. Nous avons choisi l'âge biologique KDM car il s'est avéré plus précis que d'autres alternatives pour la prédiction de la morbidité, de la mortalité et des indicateurs de l'étendue de la santé47,48. Nous avons inclus 11 biomarqueurs dans l'estimation de l'âge biologique à l'aide du package BioAge R 0.1.0.49 : albumine, phosphatase alcaline, cholestérol total, créatinine, HbA1c, pression artérielle systolique, azote uréique du sang, acide urique, pourcentage de lymphocytes, volume cellulaire moyen et sang blanc. nombre de cellules.

Nous avons utilisé un fichier accessible au public du National Center for Health Statistics (NCHS) avec des enregistrements de décès certifiés du National Death Index (NDI). Les périodes de suivi vont de la date de l'entretien à la date d'enregistrement du décès pour le défunt ou la fin de la période de suivi (31 décembre 2015) pour les survivants.

Tous les participants âgés de 6 ans et plus au cours du cycle 2011-2012 et tous les participants âgés de 3 ans et plus au cours du cycle 2013-2014 ont porté un accéléromètre ActiGraph GT3X + (Actigraph, Pensacola, FL) sur le poignet non dominant pendant 7 24 secondes consécutives. -h périodes. Le portable a collecté des signaux bruts sur les axes x, y et z avec un taux d'échantillonnage de 80 Hz. Le NHANES a traité, signalé et résumé les données de l'accéléromètre au niveau de la minute dans les unités MIMS (Monitor-Independent Movement Summary), qui est une métrique récapitulative universelle non propriétaire, open source et indépendante de l'appareil. Nous avons appliqué une série d'étapes de contrôle de la qualité et de traitement des données pour identifier les données d'accéléromètre valides adaptées à notre analyse. Premièrement, nous avons inclus les données de l'accéléromètre des participants qui portent l'accéléromètre 16 h ou plus par jour pendant au moins 4 jours, sans compter le premier jour de port, qui a été exclu du traitement des données. Des recherches antérieures indiquent que pour les analyses au niveau de la population, 16 heures de temps de port pendant 4 jours ou plus étaient suffisantes pour générer des estimations stables de l'activité au niveau du groupe à l'aide des données de l'accéléromètre51. La durée de port a été déterminée à l'aide d'estimations d'usure de réveil, de nuit, de non-usure et inconnues calculées sur la base d'un algorithme d'apprentissage automatique52. Deuxièmement, nous avons en outre identifié les données de l'accéléromètre en périodes complètes de 5 minutes par jour (c'est-à-dire des tranches de 288 temps non manquantes) afin de capturer des séries chronologiques continues de niveaux d'activité au cours de 24 h. La raison d'être de cette étape est d'identifier la non-continuité et la perturbation potentielles des données qui ne peuvent pas être évaluées avec le premier critère. Les participants avec un temps de port valide suffisant peuvent encore afficher des valeurs manquantes successives pendant une période prolongée, ce qui générerait des profils d'activité incomplets sur 24 h et impacterait nos analyses. Enfin, conformément aux études précédentes, nous avons défini les valeurs triaxiales MIMS comme manquantes pour les trois conditions suivantes : (1) la valeur triaxiale MIMS est codée "- 0,01" (nom de la variable : PAXMTSM) ; (2) l'état de veille/sommeil/usure estimé pendant la minute est "non-usure" (nom de variable : PAXPREDM) ; (3) le nombre d'indicateurs de qualité des données minute est supérieur à '0' (nom de variable : PAXQFM)51,53.

Pour les participants disposant de données d'accéléromètre valides, nous avons utilisé leurs valeurs triaxiales MIMS sur tous les jours disponibles (c'est-à-dire la somme des valeurs MIMS des axes x, y et z) à partir du fichier récapitulatif au niveau minute (nom du fichier : PAXMIN ; variable nom : PAXMTSM) pour calculer les niveaux d'activité horaires sur 24 h. Il en résulte un vecteur de 24 entrées par participant, dont chaque entité représente le niveau d'activité moyen horaire de l'heure donnée, exprimé de 00h00 (1ère entité) à 23h00 (24ème entité). Des études antérieures ont montré que la variation horaire de l'activité évaluée sur 24 h à l'aide d'accéléromètres fournit des informations significatives sur la population adulte générale54,55. Nous avons ensuite appliqué l'élimination récursive des caractéristiques pour identifier un ensemble optimal de caractéristiques à partir des 24 entités d'entrée susmentionnées des niveaux d'activité qui séparent de manière significative les grappes dans nos données (voir Fig. 1 supplémentaire). En utilisant uniquement les 16 caractéristiques sélectionnées, nous avons appliqué une approche de regroupement hiérarchique utilisant l'algorithme de liaison de Ward avec des distances euclidiennes pour la segmentation de la population des données d'activité de l'accéléromètre portable chez les adultes américains (voir Fig. 1 supplémentaire). Toutes les analyses ont été effectuées à l'aide du logiciel R 4.1.2 et RStudio 2022.07.1. En particulier, nous avons utilisé le package caret 6.0–90 pour la sélection des fonctionnalités. Les packages R cluster 2.1.2, mclust 5.4.10, dendextend 1.16.0, ggdendro 0.1.23 et factoextra 1.0.7 ont été implémentés pour les algorithmes de clustering hiérarchique et les visualisations de résultats.

Nous avons obtenu des informations supplémentaires sur les caractéristiques a priori qui seraient associées aux biomarqueurs inflammatoires, à l'âge biologique et à la mortalité sur la base de recherches antérieures36,56,57 : âge, sexe, race/ethnicité, rapport revenu familial/pauvreté, éducation, état matrimonial, statut d'emploi , le revenu du ménage, le tabagisme, les heures et la qualité du sommeil, et les antécédents de maladie cardiovasculaire, de cancer, d'accident vasculaire cérébral, de diabète, d'hypertension, d'asthme et d'arthrite. Nous avons calculé l'indice de masse corporelle (IMC) en divisant le poids en kilogrammes par la taille en mètres carrés. L'IMC a ensuite été classé en trois groupes : poids normal (IMC < 25), surpoids (IMC 25 à 29,9) et obésité (IMC ≥ 30). Les durées de différents comportements de mouvement tels que le sommeil, les durées d'activité physique sédentaire, d'intensité modérée et d'intensité vigoureuse ont été évaluées par auto-évaluation. Nous avons classé les participants comme ayant une activité physique d'intensité modérée et vigoureuse (MVPA) suffisante s'ils respectent les directives recommandées par les directives d'activité physique pour les Américains (c'est-à-dire 150 min ou plus d'activité d'intensité modérée par semaine ou 75 min ou plus d'activité physique vigoureuse). -activité d'intensité par semaine)58.

Pour tenir compte de la conception complexe de l'enquête et produire des estimations représentatives de la population des États-Unis, nous avons appliqué des pondérations d'enquête sur quatre ans à toutes les procédures statistiques à l'aide du progiciel d'enquête 4.1–1 pour ajuster la probabilité de sélection inégale et le biais de non-réponse conformément à la méthode analytique NHANES. lignes directrices59. Dans les statistiques descriptives, nous avons obtenu les moyennes, les proportions et les erreurs types (SE) de la population avec l'ensemble de l'échantillon (voir tableau 1) et par grappe (voir tableau 2). Nous avons effectué le test t de Student ou les tests du chi carré pour les variables continues ou catégorielles afin de comparer les caractéristiques de base par groupe.

Pour les associations de grappes avec des biomarqueurs inflammatoires sériques (c'est-à-dire le nombre de globules blancs, le nombre de neutrophiles, le nombre de lymphocytes, NLR, SII et AISI) et l'âge biologique basé sur la méthode Klemera-Doubal, nous avons utilisé les modèles linéaires généralisés pondérés par l'enquête avec et sans ajustement des covariables (voir Figs. 2 et 3). Compte tenu de la distribution asymétrique, les variables dépendantes ont été transformées en log dans ces modèles. De plus, nous avons représenté les différences de mortalité toutes causes confondues sur la base des grappes dans une courbe pondérée de Kaplan – Meier avec le package R ajusté Curves 0.9.1 (voir Fig. 4a). Nous avons en outre ajusté un modèle de risque proportionnel de Cox pondéré par l'enquête en ajustant les covariables pour estimer les RR et l'IC à 95 % pour les associations entre les grappes et la mortalité toutes causes confondues (voir Fig. 4b). L'hypothèse de risque proportionnel a été satisfaite. Sur la base d'une rétrosélection, nous avons inclus l'âge, le sexe, la race/l'origine ethnique et le statut d'emploi dans les modèles ajustés. Nous avons effectué des analyses de sensibilité pour vérifier les interactions entre les clusters et les covariables, et aucune modification d'effet n'a été observée. La signification statistique était à p bilatéral < 0,05.

Les données NHANES qui étayent les conclusions de cette étude sont disponibles sur le site Web des CDC Centers for Disease Control and Prevention [https://wwwn.cdc.gov/nchs/nhanes/Default.aspx].

Li, X. et al. Santé numérique : le suivi des physiomes et de l'activité à l'aide de biocapteurs portables révèle des informations utiles liées à la santé. PLoS Biol. 15, e2001402 (2017).

Article PubMed PubMed Central Google Scholar

Salamone, F., Masullo, M. & Sibilio, S. Appareils portables pour la surveillance environnementale dans l'environnement bâti : une revue systématique. Capteurs 21, 4727 (2021).

Article ADS PubMed PubMed Central Google Scholar

Stankoski, S., Jordan, M., Gjoreski, H. & Luštrek, M. Détection de l'alimentation basée sur la montre intelligente : sélection de données pour l'apprentissage automatique à partir de données déséquilibrées avec des étiquettes imparfaites. Capteurs 21, 1902 (2021).

Article ADS PubMed PubMed Central Google Scholar

Sim, I. Appareils mobiles et santé. N. Engl. J. Med. 381, 956–968 (2019).

Article PubMed Google Scholar

Dunn, J., Runge, R. & Snyder, M. Wearables et la révolution médicale. Pers. Méd. 15, 429–448 (2018).

Article CAS Google Scholar

Pyrkov, TV, Sokolov, IS & Fedichev, PO Un phénotypage longitudinal approfondi des données de capteurs portables révèle des marqueurs indépendants de longévité, de stress et de résilience. 13 ans, 7900–7913 (2021).

Article CAS PubMed PubMed Central Google Scholar

Schütz, N. et al. Une approche systémique de la surveillance de la santé à distance chez les personnes âgées : introduction d'un échappement numérique sans interaction. Chiffre Npj. Méd. 5, 1–13 (2022).

Article Google Scholar

Partridge, L., Deelen, J. & Slagboom, PE Faire face aux défis mondiaux du vieillissement. Nature 561, 45–56 (2018).

Article ADS CAS PubMed Google Scholar

Franceschi, C. et al. Inflamm-vieillissement. Une perspective évolutive sur l'immunosénescence. Ann. NY Acad. Sci. 908, 244-254 (2000).

Article ADS CAS PubMed Google Scholar

Levine, ME Modélisation du taux de sénescence : l'âge biologique estimé peut-il prédire la mortalité avec plus de précision que l'âge chronologique ? J. Gérontol. Un Biol. Sci. Méd. Sci. 68, 667–674 (2013).

Article PubMed Google Scholar

Canudas-Romo, V. Trois mesures de la longévité : tendances temporelles et valeurs record. Démographie 47, 299–312 (2010).

Article PubMed PubMed Central Google Scholar

Baker, GT & Sprott, RL Biomarqueurs du vieillissement. Exp. Gérontol. 23, 223-239 (1988).

Article PubMed Google Scholar

Jylhävä, J., Pedersen, NL & Hägg, S. Prédicteurs biologiques de l'âge. EBioMedicine 21, 29–36 (2017).

Article PubMed PubMed Central Google Scholar

Flores, M., Glusman, G., Brogaard, K., Price, ND & Hood, L. P4 médecine : comment la médecine systémique transformera le secteur de la santé et la société. Par. Méd. 10, 565–576 (2013).

Article CAS PubMed PubMed Central Google Scholar

Vitaterna, MH, Takahashi, JS & Turek, FW Vue d'ensemble des rythmes circadiens. Alcool Rés. Santé 25, 85–93 (2001).

CAS PubMed PubMed Central Google Scholar

Meyer, N., Harvey, AG, Lockley, SW et Dijk, D.-J. Rythmes circadiens et troubles du rythme du sommeil. Le Lancet 400, 1061-1078 (2022).

Article Google Scholar

Masri, S. & Sassone-Corsi, P. Le lien émergent entre le cancer, le métabolisme et les rythmes circadiens. Nat. Méd. 24, 1795–1803 (2018).

Article CAS PubMed PubMed Central Google Scholar

Furman, D. et al. Inflammation chronique dans l'étiologie de la maladie tout au long de la vie. Nat. Méd. 25, 1822–1832 (2019).

Article CAS PubMed PubMed Central Google Scholar

Comas, M. et al. Une réponse inflammatoire basée sur le rythme circadien : implications pour les maladies respiratoires et leur traitement. Sommeil Sci. Pratique. 1, 18 (2017).

Article Google Scholar

Chaput, J.-P. et coll. Le rôle du manque de sommeil et du désalignement circadien dans l'obésité. Nat. Rév. Endocrinol. 19, 82–97 (2023).

Article CAS PubMed Google Scholar

Li, J. et al. Le rythme de repos-activité est associé aux phénotypes d'obésité : une analyse transversale. Devant. Endocrinol. 13, 907360 (2022).

Article Google Scholar

Potier, GDM et al. Rythme circadien et perturbation du sommeil : causes, conséquences métaboliques et contre-mesures. Endocr. Rév. 37, 584–608 (2016).

Article CAS PubMed PubMed Central Google Scholar

Montaruli, A. et al. Rythme biologique et chronotype : Nouvelles perspectives en santé. Biomolécules 11, 487 (2021).

Article CAS PubMed PubMed Central Google Scholar

Shandhi, MMH, Wang, WK & Dunn, J. Prendre le temps pour notre corps : comment les appareils portables peuvent être utilisés pour évaluer la physiologie circadienne. Cell Rep. Methods 1, 100067 (2021).

Article CAS PubMed PubMed Central Google Scholar

Henriksen, A. et al. Utilisation de trackers de fitness et de montres intelligentes pour mesurer l'activité physique dans la recherche : analyse des appareils portables portés au poignet par les consommateurs. J. Med. Rés Internet. 20, e9157 (2018).

Article Google Scholar

Kheirkhahan, M. et al. Un cadre basé sur une montre intelligente pour l'évaluation en temps réel et en ligne et la surveillance de la mobilité. J. Biomed. Informer. 89, 29–40 (2019).

Article PubMed Google Scholar

Kline, A. et al. Apprentissage automatique multimodal dans la santé de précision : un examen de la portée. npj Chiffre. Méd. 5, 1–14 (2022).

Yan, S., Kwan, YH, Tan, CS, Thumboo, J. & Low, LL Une revue systématique de l'application clinique de l'analyse de segmentation de la population basée sur les données. BMC Med. Rés. Méthodologie. 18, 121 (2018).

Article PubMed PubMed Central Google Scholar

Nnoaham, KE & Cann, KF Les analyses de grappes de données liées sur les soins de santé peuvent-elles identifier des segments de population uniques dans une population enregistrée en médecine générale ?. BMC Public Health 20, 798 (2020).

Article PubMed PubMed Central Google Scholar

Roh, HW et al. Associations des modèles d'activité de repos dérivés de l'actigraphie et de la phase circadienne avec les symptômes cliniques et les paramètres polysomnographiques dans les troubles de l'insomnie chronique. Sci. Rep. 12, 4895 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Plein, KM et al. Analyse du profil latent du sommeil, de l'activité physique et du temps de sédentarité mesurés par accéléromètre et des différences dans les caractéristiques de santé chez les femmes adultes. PLoS ONE 14, e0218595 (2019).

Article CAS PubMed PubMed Central Google Scholar

Rosenberger, ME et al. Le cycle d'activité de 24 heures : Un nouveau paradigme pour l'activité physique. Méd. Sci. Exercice sportif. 51, 454–464 (2019).

Article PubMed PubMed Central Google Scholar

Bertele, N., Karabatsiakis, A., Buss, C. & Talmon, A. Comment les modèles de biomarqueurs peuvent être utilisés pour identifier les individus avec une charge de morbidité élevée : Une approche bioinformatique vers la médecine prédictive, préventive et personnalisée (3P). EPMA J. 12, 507–516 (2021).

Article PubMed PubMed Central Google Scholar

Chellappa, SL, Morris, CJ & Scheer, FAJL Le désalignement circadien augmente la vulnérabilité de l'humeur dans le travail posté simulé. Sci. Rep. 10, 18614 (2020).

Article ADS CAS PubMed PubMed Central Google Scholar

Fishbein, AB, Knutson, KL & Zee, PC Perturbation circadienne et santé humaine. J.Clin. Investir. 131, (2021).

Xu, Y. et al. Un rythme circadien repos-activité émoussé augmente le risque de toutes causes, de maladies cardiovasculaires et de mortalité par cancer chez les adultes américains. Sci. Rep. 12, 20665 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Rea, MS & Figueiro, MG Quantification des perturbations circadiennes dépendantes de la lumière chez les humains et les modèles animaux. Chronobiol. Int. 31, 1239-1246 (2014).

Article CAS PubMed PubMed Central Google Scholar

Weinert, D. & Gubin, D. L'impact de l'activité physique sur le système circadien : avantages pour la santé. Effectuer. Appl. bien-être Sci. 12, 9220 (2022).

CAS Google Scholar

Mineurs, D., Atkinson, G., Bent, N., Rabbitt, P. & Waterhouse, J. Les effets de l'âge sur certains aspects du mode de vie et les implications pour les études sur la rythmicité circadienne. Âge 27 ans, 67–72 (1998).

Article CAS PubMed Google Scholar

Potter, GDM & Wood, TR L'avenir du travail posté : la biologie circadienne rencontre la médecine personnalisée et la science du comportement. Devant. Nutr. 7 (2020).

Youngstedt, SD et al. Effets de déphasage circadiens de la lumière vive, de l'exercice et de l'exercice à la lumière vive. J. Rythmes circadiens 14, 2 (2016).

Article PubMed PubMed Central Google Scholar

NHANES - À propos de l'enquête nationale sur la santé et la nutrition. https://www.cdc.gov/nchs/nhanes/about_nhanes.htm (2022).

Manuel des procédures des technologues de laboratoire/médicaux (LPM) de la NHANES. https://www.cdc.gov/nchs/data/nhanes/nhanes_11_12/2011-12_laboratory_procedures_manual.pdf (2022).

Li, H. et al. L'activité physique atténue les associations entre l'indice d'immuno-inflammation systémique et la mortalité totale et par cause chez les populations d'âge moyen et plus âgées. Sci. Rep. 11, 12532 (2021).

Article ADS CAS PubMed PubMed Central Google Scholar

Zinellu, A. et al. L'indice agrégé d'inflammation systémique (AISI) : un nouveau biomarqueur pronostique dans la fibrose pulmonaire idiopathique. J.Clin. Méd. 10, 4134 (2021).

Article PubMed PubMed Central Google Scholar

Klemera, P. & Doubal, S. Une nouvelle approche du concept et du calcul de l'âge biologique. Méca. Dév. 127, 240-248 (2006).

Article PubMed Google Scholar

Murabito, JM et al. Les mesures de l'âge biologique dans un échantillon communautaire prédisent la mortalité et les maladies liées à l'âge : l'étude sur la progéniture de Framingham. J. Gérontol. Un Biol. Sci. Méd. Sci. 73, 757–762 (2018).

Article PubMed Google Scholar

Parker, DC et al. Association des quantifications de la chimie sanguine du vieillissement biologique avec l'invalidité et la mortalité chez les personnes âgées. J. Gérontol. Un Biol. Sci. Méd. Sci. 75, 1671-1679 (2019).

Article PubMed Central Google Scholar

Kwon, D. & Belsky, DW Une boîte à outils pour la quantification de l'âge biologique à partir des données de test de la chimie du sang et de la fonction des organes : BioAge. GeroScience 43, 2795–2808 (2021).

Article CAS PubMed PubMed Central Google Scholar

John, D., Tang, Q., Albinali, F. & Intille, S. Un résumé de mouvement open-source indépendant du moniteur pour le traitement des données de l'accéléromètre. J. Meas. Phys. Comportement 2, 268-281 (2019).

Article PubMed PubMed Central Google Scholar

Su, S., Li, X., Xu, Y., McCall, WV et Wang, X. Épidémiologie des paramètres de sommeil basés sur l'accéléromètre chez les enfants et les adultes d'âge scolaire aux États-Unis : NHANES 2011-2014. Sci. Rep. 12, 7680 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Centre national des statistiques sur la santé. (2013-2014). NHANES 2013–2014 Data Documentation, Codebook, and Frequencies: Physical Activity Monitor (PAXMIN_H). Extrait de. https://wwwn.cdc.gov/Nchs/Nhanes/2013-2014/PAXMIN_H.htm.

Xu, Y. et al. Rythme circadien de repos-activité et altération de la tolérance au glucose chez les adultes : une analyse de la NHANES 2011-2014. BMJ Open Diab. Rés. Soins 10, e002632 (2022).

Article PubMed PubMed Central Google Scholar

Wennman, H. et al. Variation selon le sexe, l'âge et la situation socioéconomique de l'activité physique sur 24 heures selon les accéléromètres portés au poignet : l'enquête FinHealth 2017. Sci. Rep. 9, 6534 (2019).

Article ADS PubMed PubMed Central Google Scholar

Doherty, A. et al. Évaluation à grande échelle de l'activité physique de la population à l'aide d'accéléromètres portés au poignet : l'étude de la biobanque britannique. PLoS ONE 12, e0169649 (2017).

Article PubMed PubMed Central Google Scholar

Xu, Y., Su, S., McCall, WV et Wang, X. Un rythme de repos-activité émoussé est associé à une augmentation des marqueurs inflammatoires à base de globules blancs chez les adultes : une analyse de NHANES 2011-2014. Chronobiol. Int. 39, 895–902 (2022).

Article CAS PubMed PubMed Central Google Scholar

Xu, Y. et al. Un rythme circadien de repos-activité émoussé est associé à un taux accru de vieillissement biologique : une analyse de la NHANES 2011-2014. J. Gérontol. Un Biol. Sci. Méd. Sci. https://doi.org/10.1093/gerona/glac199 (2022).

Article PubMed PubMed Central Google Scholar

Piercy, KL et al. Les directives d'activité physique pour les Américains. JAMA 320, 2020–2028 (2018).

Article PubMed PubMed Central Google Scholar

Centres de contrôle et de prévention des maladies (CDC). Les didacticiels de l'enquête nationale sur la santé et la nutrition. 2020. https://wwwn.cdc.gov/nchs/nhanes/tutorials/default.aspx.

Télécharger les références

Center for Digital Health Interventions, Department of Management, Technology, and Economics, ETH Zurich, Zurich, Suisse

Jinjoo Shim, Elgar Fleisch et Filipe Barata

Center for Digital Health Interventions, Institute of Technology Management, Université de Saint-Gall, Saint-Gall, Suisse

Viande d'elgar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

JS—conceptualisation, conservation des données, analyse formelle, méthodologie, rédaction (ébauche originale), rédaction (révision et édition). EF—rédaction (révision et édition). FB—conceptualisation, méthodologie, supervision, rédaction (révision et édition).

Correspondance avec Jinjoo Shim.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournir un lien vers la licence Creative Commons et indiquer si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Shim, J., Fleisch, E. & Barata, F. Profil d'activité de l'accéléromètre portable en tant que biomarqueur numérique de l'inflammation, de l'âge biologique et de la mortalité à l'aide d'une analyse de regroupement hiérarchique dans NHANES 2011–2014. Sci Rep 13, 9326 (2023). https://doi.org/10.1038/s41598-023-36062-y

Télécharger la citation

Reçu : 09 février 2023

Accepté : 29 mai 2023

Publié: 08 juin 2023

DOI : https://doi.org/10.1038/s41598-023-36062-y

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.