All of Us ने Fitbit, नोंदी, सर्वेक्षणे आणि जीनोमिक्स जोडणारा मोठा वियरेबल आरोग्य डेटासेट प्रकाशित केला

प्रमाण आणि जोडणी हीच मुख्य ताकद

मोठे आकडे एकट्याने डेटासेटला परिवर्तनकारी बनवत नाहीत. या प्रकाशनाला वेगळी उंची देणारी गोष्ट म्हणजे त्याची जोडणी. Fitbit डेटा असलेल्या सहभागींपैकी 46% जणांनी इलेक्ट्रॉनिक आरोग्य नोंदी, शारीरिक मोजमाप, जीनोमिक्स, आणि सर्वेक्षण डेटा देखील दिला आहे, असे पेपरमध्ये म्हटले आहे. याचा अर्थ असा की संशोधक केवळ क्रियाकलाप किंवा झोपेचे नमुने व्यक्तीनुसार बदलतात का हेच नाही, तर ते नमुने निदान, उपचारांचा इतिहास, लॅब मूल्ये, नोंदवलेले अनुभव, आणि आनुवंशिक माहिती यांच्याशी जुळतात का हेही अभ्यासू शकतात.

व्यावहारिक दृष्टीने, यामुळे अनेक संशोधन मार्ग खुले होतात. शास्त्रज्ञ डिजिटल मापनांचा रोग सुरू होणे, प्रगती, किंवा पुनर्प्राप्ती यांच्याशी संबंध तपासू शकतात. धोका-अंदाजासाठी महत्त्वाच्या लोकसंख्यात्मक गटांमध्ये वर्तनात्मक नमुने कसे वेगळे आहेत हे पाहू शकतात. डिजिटल बायोमार्कर precision health ला आधार द्यायचे असतील तर, ते लोकसंख्यांमध्ये सातत्याने काम करतात का, हेही तपासू शकतात.

पेपर या डेटासेटचे वर्णन असे करतो की ते डिजिटल आरोग्य मेट्रिक्स आणि नैदानिक परिणामांमधील संबंधांवर संशोधन शक्य करते, तसेच आकार, प्रतिनिधित्व, आणि बहुप्रकार जोडणी यांच्या माध्यमातून डिजिटल आरोग्य पद्धतीला पुढे नेते. हे काळजीपूर्वक सांगण्याचा एक मार्ग आहे की हे संसाधन रोगांचा अभ्यास करण्यासाठीही उपयुक्त आहे आणि डिजिटल आरोग्याच्या पद्धतींची चाचणी घेण्यासाठीही.

सततच्या डेटामधून संशोधक काय शिकू शकतात

पावलांची मोजणी आणि झोपेच्या नोंदी साध्या वाटू शकतात, पण दीर्घ काळ मोठ्या प्रमाणावर नोंदवल्या गेल्या तर त्या विश्लेषणात्मकदृष्ट्या शक्तिशाली होतात. क्रियाकलाप नमुने हृदयरोगजोखीम, चयापचय रोग, पुनर्प्राप्तीचे मार्ग, वृद्धत्व, आणि मानसिक आरोग्य यांच्याशी संबंधित असू शकतात. झोपेचा डेटा सर्केडियन व्यत्यय, दीर्घकालीन आजाराचे ओझे, आणि विश्रांतीचे नमुने व पुढील वैद्यकीय परिणाम यांच्यातील संबंधांच्या अभ्यासात मदत करू शकतो.

हा डेटासेट वर्षानुवर्षे पसरलेला असल्यामुळे, तो केवळ स्थिती नव्हे तर बदलाचाही अभ्यास करण्यास मदत करू शकतो. longitudinal data दाखवू शकते की घसरती क्रियाशीलता निदानाआधी दिसते का, झोपेतील व्यत्यय उपचारांसोबत येतो का, किंवा हस्तक्षेपांचे परिणाम पारंपरिक अंतिम बिंदूंमध्ये दिसण्यापूर्वी दैनंदिन जीवनात दिसू लागतात का. अशा प्रकारची कालगत सविस्तरता हेच डिजिटल आरोग्य डेटाला इतके लक्ष मिळण्याचे एक कारण आहे.

तरीही, या पेपरचे योगदान एकाच मेट्रिकने विशिष्ट रोगाचा अंदाज वर्तवतो असा नैदानिक दावा नाही. हे पायाभूत सुविधा आहे: इतका मोठा आणि इतका वैविध्यपूर्ण डेटासेट, जो अनेक गटांना अशा प्रश्नांची काटेकोर चाचणी घेऊ देतो.

डिजिटल आरोग्यातील समावेशनाची अडचण

डिजिटल आरोग्य संशोधनाला अनेकदा लोकसंख्यात्मक पक्षपातामुळे मर्यादा आल्या आहेत, असे लेखक नमूद करतात. ही अडचण न्यायापलीकडे जाते. जर wearable data अरुंद लोकसंख्येतून अतिप्रमाणात येत असेल, तर त्यावर आधारित मॉडेल्स सामान्यीकरण करण्यात कमी पडू शकतात. एखादा डिजिटल बायोमार्कर एका गटात मजबूत वाटू शकतो, पण दुसऱ्या गटात कमी परिणामकारक ठरू शकतो. एखादे भाकीत साधन अचूक दिसू शकते, पण त्यात लपलेले blind spots असू शकतात.

उपकरण-आधारित डेटा संकलनाचा लोकसंख्यात्मक आवाका वाढवून, All of Us हा प्रारंभिक बिंदू बदलण्याचा प्रयत्न करत आहे. हा डेटासेट स्वतःहून संशोधन पद्धतीतील किंवा model development मधील पक्षपात दूर करणार नाही. पण तो representation ला एक पद्धतशीर मुद्दा म्हणून दुर्लक्ष करणे कठीण बनवू शकतो. त्या अर्थाने, हे प्रकाशन वैज्ञानिक आणि संस्थात्मक दोन्ही दृष्टिकोनातून महत्त्वाचे आहे: त्यांच्या मॉडेल्स कोणासाठी काम करतात याचा अभ्यास करण्याची अधिक जबाबदारी संशोधकांवर टाकते.

पुढे काय

या डेटासेटचा खरा प्रभाव तो कसा वापरला जातो यावर अवलंबून असेल. संसाधन-पत्रे अनेकदा कथेच्या सुरुवातीचे चिन्ह असतात, शेवटाचे नाही. पुढचा टप्पा त्या अभ्यासांमुळे ठरेल जे या नोंदी वापरतील, आणि missingness, device variation, behavioral confounding, तसेच consumer-grade मोजमापांच्या मर्यादा या मुद्द्यांना संशोधक किती काळजीपूर्वक हाताळतात यावरही अवलंबून असेल.

तरीही, हे प्रकाशन डिजिटल आरोग्य संशोधनाच्या परिपक्व अवस्थेचे संकेत देते. लहान, proprietary डेटासेट्स किंवा मर्यादितरीत्या भरती केलेल्या cohorts वर अवलंबून राहण्याऐवजी, शास्त्रज्ञांकडे आता मोठ्या, जोडलेल्या, आणि अधिक प्रतिनिधिक वास्तविक-जगातील डेटा स्रोतांपर्यंत प्रवेश आहे. त्यामुळे कोणते प्रश्न विश्वासार्हतेने विचारता येतील, हे बदलते.

व्यापक precision-health अजेंड्यासाठी हाच मुद्दा आहे. wearables बहुतेकदा वैयक्तिक wellness साधने म्हणून विकली जातात, पण त्यांचे मोठे वैज्ञानिक मूल्य असे आहे की मजबूत नैदानिक संदर्भासह जोडल्यावर, त्या कालानुरूप लोकसंख्यांमध्ये काय उलगडू शकतात. All of Us चे हे प्रकाशन त्या शक्यतेला नियमित संशोधन वापराच्या अधिक जवळ आणते.

शीर्षक परिणाम नव्हे, तर पाया

या पेपरशी एकही मोठा वैद्यकीय निष्कर्ष जोडलेला नाही, आणि नेमके त्यामुळेच तो महत्त्वाचा आहे. आधारभूत डेटासेट्स बहुतेकदा सर्वात नाट्यमय तात्काळ मथळे देत नाहीत, पण ते पुढील शोधांच्या लाटेला आकार देतात. व्यापक लोकसंख्यात्मक आवाका आणि इतर आरोग्य डेटाशी लक्षणीय जोडणी असलेला मोठा wearable डेटासेट दस्तऐवजीकरण करून, All of Us Research Program ने असा संसाधन तयार केला आहे, जो डिजिटल वैद्यक, epidemiology, आणि precision health यांना वर्षानुवर्षे प्रभावित करू शकतो.

त्याचे मूल्य अखेरीस उपकरण नोंदींच्या संख्येवर नव्हे, तर त्या नोंदी अधिक चांगले, अधिक समावेशक विज्ञान निर्माण करण्यास मदत करतात का यावर मोजले जाईल. हे प्रकाशन संशोधकांना प्रयत्न करण्यासाठी कच्चा माल देते.

हा लेख Nature Medicine च्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.