全民健康研究计划中女性纵向Fitbit睡眠数据可获得性的社会人口学相关因素

《Nursing for Women's Health》：Sociodemographic Correlates of Longitudinal Fitbit Sleep-Data Availability Among Women in the All of Us Research Program

　　

摘要

研究目的

刻画与女性纵向Fitbit睡眠数据可用性相关的社会人口学及临床因素，并按数据可用性分组和自评月经停止状态对Fitbit衍生的睡眠指标进行描述性比较。

研究设计

基于纵向Fitbit记录衍生的参与者层面汇总数据进行的二次横断面分析。

研究场所

All of Us研究项目注册层第7版数据集，使用2021年1月至2022年6月的记录。

参与者

队列包含7,385名参与者，其出生时性别变量编码为女性（全文中统称为女性），且至少有一条Fitbit睡眠记录和一条整体健康问卷记录。

研究方法

纵向睡眠数据可用性定义为包含至少一条Fitbit睡眠记录的月份数，分为低（<7个月）、中（7至<10个月）、高（10至<13个月）和最高（≥13个月）四类。采用多项逻辑回归，以低可用性组作为参照组。

研究结果

队列中大多数为白人（84.1%）、非西班牙裔（94.3%）和已有保险（98.3%）；39.6%报告家庭年收入超过10万美元。总体而言，1,691名参与者（22.9%）属于最高可用性组。与18至39岁女性相比，65至74岁女性相对于低可用性达到最高可用性的校正优势比更高（优势比[OR]=1.31，95%置信区间[CI][1.07, 1.61]）。与家庭年收入5万至10万美元相比，年收入超过10万美元与相对于低可用性达到最高可用性的校正优势比升高相关（OR=1.28，95% CI [1.07, 1.53]）。低可用性组的设备估算平均入睡时间为5.4小时，最高可用性组为6.2小时。报告月经停止的参与者平均比未报告月经停止者少0.3小时（18分钟）的设备估算睡眠时间。

结论

在这一自带设备队列中，纵向Fitbit睡眠数据可用性在社会人口学组间存在差异。这些差异可能影响代表性、选择偏倚以及可穿戴设备研究的可推广性。

章节片段

数据来源

我们对All of Us研究项目注册层第7版数据发布中来自纵向Fitbit记录的参与者层面汇总数据进行了二次横断面分析。All of Us是一项由美国国立卫生研究院资助的国家级队列，旨在整合参与者调查、标准化体格测量、电子健康记录、生物样本和数字健康数据用于健康研究（Mapes等，2020）。本分析使用了

参与者特征

表1总结了各睡眠数据可用性组的队列特征。在7,385名参与者中，最大的年龄类别为65至74岁（n=2,327；31.5%）。大多数参与者为白人（n=6,212；84.1%）、非西班牙裔（n=6,961；94.3%）和已有保险（n=7,262；98.3%）。最大的年家庭收入类别为超过10万美元，由2,922名参与者报告（39.6%）。总体而言，5,366名参与者（72.7%）将自己的整体健康状况评为很好或好。

在各

与纵向睡眠数据可用性相关的因素

表4呈现了校正后的多项逻辑回归结果。与18至39岁的参与者相比，40至49岁、50至64岁和65至74岁的参与者在名义p<.05水平上，相对于低可用性达到中可用性的校正优势比更高。对于高可用性与低可用性的比较，在名义p<.05水平上观察到50至64岁参与者（OR=1.38，95% CI [1.09, 1.75]；p=.01）和65至74岁参与者（OR=1.38，95% CI [1.14, 1.68]；p<.01）的结果。对于最高可用性与低可用性的比较

讨论

这项基于参与者层面汇总数据的二次横断面分析考察了All of Us自带设备队列中哪些女性拥有跨更多月份的Fitbit睡眠记录。主要发现是纵向数据可用性分布不均：年龄较大和收入较高与某些高可用性类别相关，而西班牙裔族裔则与最高可用性类别的优势比降低相关。这一发现很重要，因为被动

结论

在向All of Us研究项目贡献Fitbit数据的女性中，纵向睡眠数据可用性在年龄、收入和族裔方面存在差异。由于结局变量衡量的是至少有一条睡眠记录的月份数，而非每晚依从性或主动设备使用，本发现应解读为关于数据可用性和代表性的证据——而非参与者动机或临床行为的证据。本研究展示了为什么基于可穿戴设备的研究必须考虑选择偏倚、技术

致谢

作者感谢All of Us研究项目的参与者，他们的贡献使本研究得以实现。

作者利益声明

Dillon J. Dzikowicz从飞利浦公司获得报酬。其他作者报告无利益冲突或相关财务关系。

资金支持

本研究由美国国立卫生研究院（NIH）/国立护理研究院支持，拨款编号K01NR020504，并由美国护理学院协会All of Us微型基金资助。Katherine A. Maki

李心同，理学学士，任职于纽约州罗切斯特大学罗切斯特分校戈延数据科学与人工智能研究所。

李心同|Sudhir K. Mummidi|Dillon J. Dzikowicz|Susan W. Groth|Theresa A. Koleck|Katherine A. Maki|Kang Jian|Caitlin Dreisbach