Usable

Apr 28, 2023

Scientific Reports volumen 13, Número de artículo: 9326 (2023) Citar este artículo

1 Altmetric

Detalles de métricas

Las interrupciones repetidas en los ritmos circadianos se asocian con implicaciones para los resultados de salud y la longevidad. La utilización de dispositivos portátiles en la cuantificación del ritmo circadiano para dilucidar su conexión con la longevidad, a través de datos recopilados continuamente, sigue sin estudiarse en gran medida. En este trabajo, investigamos una segmentación basada en datos de los perfiles de actividad del acelerómetro de 24 horas de los dispositivos portátiles como un biomarcador digital novedoso para la longevidad en 7297 adultos estadounidenses de la Encuesta Nacional de Examen de Salud y Nutrición 2011-2014. Usando el agrupamiento jerárquico, identificamos cinco grupos y los describimos de la siguiente manera: "Alta actividad", "Baja actividad", "Alteración leve del ritmo circadiano (RC)", "Alteración severa de CR" y "Muy baja actividad". Los adultos jóvenes con alteración extrema de RC aparentemente son saludables con pocas condiciones comórbidas, pero de hecho se asocian con recuentos más altos de glóbulos blancos, neutrófilos y linfocitos (0.05–0.07 unidades logarítmicas, todos p < 0.05) y envejecimiento biológico acelerado (1.42 años, p < 0,001). Los adultos mayores con interrupción de RC se asocian significativamente con índices de inflamación sistémica aumentados (0,09–0,12 unidades logarítmicas, todos p < 0,05), avance del envejecimiento biológico (1,28 años, p = 0,021) y riesgo de mortalidad por todas las causas (HR = 1,58, p = 0,042). Nuestros hallazgos resaltan la importancia de la alineación circadiana en la longevidad en todas las edades y sugieren que los datos de los acelerómetros portátiles pueden ayudar a identificar poblaciones en riesgo y personalizar tratamientos para un envejecimiento más saludable.

La adopción generalizada de dispositivos digitales personales, como teléfonos inteligentes y dispositivos portátiles, ofrece un potencial sin precedentes para la recopilación de datos para evaluar la salud humana y los estados de enfermedad. Mediante la medición pasiva y continua, los sensores integrados del dispositivo nos permiten capturar varias funciones esenciales de salud (p. ej., temperatura de la piel, ciclos de sueño y vigilia y frecuencia cardíaca)1 y factores del entorno circundante (p. ej., exposición a la luz)2 y estilo de vida (p. ej., actividad física y dieta)1,3 en un contexto del mundo real durante períodos prolongados. Estas medidas fisiológicas y de comportamiento capturadas digitalmente, también conocidas como biomarcadores digitales, explican, influyen o predicen los resultados relacionados con la salud4. Los biomarcadores digitales pueden reflejar la vida diaria y los patrones de comportamiento de una persona de manera más precisa y objetiva y, por lo tanto, pueden sustituir o complementar las evaluaciones clínicas de rutina o las autoevaluaciones5.

Investigaciones recientes han propuesto que los biomarcadores digitales para la longevidad podrían usarse para identificar a las personas con mayor riesgo de enfermedades relacionadas con la edad y para monitorear la efectividad de las intervenciones destinadas a promover un envejecimiento saludable6,7. Esto es particularmente relevante dada la creciente carga de enfermedades relacionadas con la edad en los sistemas de salud y la sociedad8. Actualmente, las medidas de salud y longevidad se basan en factores como la inflamación9, la edad biológica10 y la mortalidad11. Si bien estos predictores pueden proporcionar una mejor comprensión de la esperanza de vida de un individuo que la edad cronológica, su potencial para la digitalización no se ha estudiado de forma exhaustiva12,13. Un biomarcador digital para la longevidad no solo proporcionaría una medida digital de la esperanza de vida, sino que también permitiría intervenciones personalizadas para un envejecimiento saludable, como intervenciones nutricionales y farmacológicas. Esto se alinea con el concepto de medicina de precisión, que enfatiza la predicción, la prevención, la personalización y la participación sobre un enfoque único para todos14.

El ritmo circadiano, un ciclo endógeno de 24 horas regulado por el reloj maestro en el núcleo supraquiasmático del cerebro, también ha sido reconocido como un factor crucial para mantener una salud y una duración óptimas15. El ritmo circadiano regula varios procesos fisiológicos, biológicos y conductuales del cuerpo, incluidos los ciclos de sueño y vigilia, la producción de hormonas, el metabolismo y la función inmunitaria16. Aunque las señales de tiempo externas como "zeitgeber" (ciclo de luz y oscuridad de 24 horas) pueden influir en el ritmo circadiano, está controlado predominantemente por factores endógenos, que están profundamente arraigados en la composición genética de un individuo. La evidencia emergente sugiere fuertemente que la alteración o la desalineación de los ritmos circadianos tiene implicaciones profundas para los resultados de salud, incluida la alteración del metabolismo y la regulación hormonal, así como un mayor riesgo de diversas enfermedades crónicas como el síndrome metabólico, la diabetes, las enfermedades cardiovasculares y el cáncer17. Además, se ha relacionado con inmunodeficiencia, inflamación crónica, obesidad, fatiga y una mayor probabilidad de sufrir trastornos del sueño18,19,20,21. Como resultado, mantener un ritmo circadiano saludable es crucial para la salud y el bienestar general, reduciendo el riesgo de efectos adversos para la salud y mejorando la calidad de vida22,23. Teniendo en cuenta la asociación entre los ritmos circadianos y su impacto en la esperanza de vida, junto con la adopción generalizada de avances tecnológicos recientes, argumentamos que los relojes inteligentes presentan una oportunidad prometedora para aprovechar los biomarcadores digitales para la longevidad24. Los relojes inteligentes brindan un medio práctico para monitorear continuamente los datos del acelerómetro25 y los datos del ritmo cardíaco26, y ofrecen información valiosa sobre los ritmos circadianos.

Sin embargo, la utilización de relojes inteligentes de consumo para la recopilación de datos y el análisis de posibles biomarcadores digitales está limitada por una serie de factores, como algoritmos patentados, propiedad de datos limitada, vida útil corta y tiempo de uso variable. Por lo tanto, los dispositivos ActiGraph, que están diseñados con fines de investigación, nos permiten investigar a fondo el potencial de futuras aplicaciones que podrían implementarse en estos dispositivos digitales mediante el uso de algoritmos desarrollados.

Además, la aplicación del aprendizaje automático (ML) a los datos recopilados continuamente de los dispositivos portátiles aclara patrones ocultos como fenotipos digitales y facilita la identificación de subpoblaciones27. La clasificación convencional, dirigida por expertos, de enfermedades o poblaciones en riesgo está limitada por la falta de formas acordadas de conocer el número de grupos naturales en las poblaciones de interés y determinar las variables en las que basar la segmentación28,29. En cambio, el uso de un enfoque de agrupamiento holístico y basado en datos ha ganado reconocimiento como alternativa29. Es decir, cada individuo existe dentro de múltiples clases de niveles de salud y proporciona varias modalidades de datos fisiológicos y de comportamiento medidos digitalmente, que luego corresponden a múltiples grupos de estado de salud. Similar a los pioneros en los campos de la genómica, este método puede resultar en avances en nuestra comprensión de la compleja multitud de componentes de la etiología de la enfermedad. En resumen, los biomarcadores digitales y los enfoques de agrupación basados ​​en datos permiten el uso de la medicina de precisión. Estos métodos pueden clasificar una población en grupos con características únicas o riesgos para la salud y ayudar a las personas a pasar de clases "no saludables o en riesgo" a clases "saludables" a través de la intervención.

Hasta la fecha, el potencial de usar datos recopilados continuamente de dispositivos portátiles para explicar la longevidad sigue sin estudiarse en gran medida. En este estudio, buscamos investigar el uso de perfiles de actividad de 24 horas, como los datos del acelerómetro, como un biomarcador digital novedoso para la longevidad y el tratamiento personalizado. Nuestro enfoque difiere de investigaciones anteriores, ya que aplica un enfoque basado en datos para evaluar la asociación entre los datos del acelerómetro de 24 horas y las medidas de longevidad en una muestra representativa a nivel nacional. Esto trae tres ventajas distintas en comparación con la investigación existente. Primero, aplicamos la segmentación de la población de la actividad basada en dispositivos portátiles a la población adulta general de EE. UU. en la cohorte de la Encuesta Nacional de Examen de Salud y Nutrición (NHANES) para aumentar la generalización de nuestros hallazgos en comparación con el estudio previo de poblaciones específicas (es decir, trastornos de insomnio crónico30, mujeres de mediana edad31). En segundo lugar, nuestro enfoque de agrupamiento basado en ML incluye características que representan una resolución detallada del perfil de actividad de 24 horas, que representa capturas integrales tanto de la actividad diaria como de las manifestaciones fisiológicas del reloj biológico (p. ej., "ritmo circadiano") como el sueño/ despertar ciclo32. Además, el perfil de actividad de 24 horas proporciona información detallada sobre la duración de la actividad diaria de un individuo, incluido el tiempo y la intensidad, lo que lo convierte en una fuente de información más rica para el control de la salud. Por último, examinamos la relación entre la segmentación basada en datos y diferentes resultados de longevidad que representan varias dimensiones del estado de salud actual (es decir, inflamación y mortalidad) y previsto (es decir, edad biológica) de los participantes10,33.

La Tabla 1 presenta las características demográficas y socioeconómicas iniciales, el historial médico y los biomarcadores inflamatorios séricos de los 7297 participantes del estudio. En resumen, la mediana de edad (rango intercuartílico) fue de 51 (36–65) años, con un 46,8 % de hombres y un 67,6 % de raza blanca no hispana. Los antecedentes médicos comunes incluían hipertensión (49,0 %), artritis (27,7 %), asma (15,5 %) y cáncer (11,6 %).

Al aplicar el agrupamiento jerárquico a los datos de actividad promedio por hora derivados de dispositivos portátiles, identificamos 22 % (n = 1628) participantes en el Grupo 1, 37 % (n = 2670) en el Grupo 2, 17 % (n = 1256) en el Grupo 3, 8 % (n = 558) en el Grupo 4 y 16 % (n = 1185) en el Grupo 5. Observamos distintos atributos de actividad de 24 horas por grupo (ver Fig. 1). Las horas de descanso/sueño de los participantes se definieron con base en el período de tiempo entre las 23:00 y las 07:00, lo cual es consistente con investigaciones previas sobre el ritmo circadiano y el sueño, así como sus asociaciones con varios resultados de salud34. Específicamente, el Grupo 1 mostró un nivel de actividad sustancialmente más alto que el promedio de la población entre las 11:00 y las 22:00 (Z-score: 0,75–0,98). Durante el período de descanso/sueño (es decir, de 23:00 a 07:00), la intensidad de la actividad se reduce drásticamente y alcanza el nadir a las 04:00. Los participantes del grupo 2 mostraron una actividad superior a la media temprano en la mañana entre las 05:00 y las 10:00 (puntuación Z: 0,25–0,41), seguidos de niveles de actividad en torno a la media de la población durante el día. También observamos una disminución relativamente temprana en la actividad del acelerómetro a partir de las 18:00. El grupo 3 muestra una actividad baja durante las horas activas entre las 07:00 y las 21:00 (puntuación Z: − 0,54 − (− 0,06)) y una mayor actividad por encima del promedio de la población entre la noche y la madrugada (es decir, de 23:00 a 04:00). :00, puntuación Z: 0,05–0,43). El grupo 4, el grupo más pequeño en tamaño, es único con su elevación de actividad a partir de las 14:00 y actividad de alto nivel durante el período de descanso/sueño, alcanzando su punto máximo a la 01:00 (puntuación Z: 2,44). Los participantes en el Grupo 4 luego tuvieron una disminución sustancial y una actividad amortiguada entre las 06:00 y las 14:00, alcanzando el punto más bajo a las 08:00 (puntuación Z: − 0,67). Por último, el Clúster 5 tiene una actividad muy baja de todos los tiempos, como se muestra en las puntuaciones Z negativas. En particular, la actividad diurna entre las 12:00 y las 21:00 se reduce significativamente (puntuación Z < − 1,0) en este grupo en comparación con la media de la población.

Clasificación de grupos según la segmentación de la población de los datos de actividad del acelerómetro basado en dispositivos portátiles. (a) Mapa de calor que representa la actividad derivada de dispositivos portátiles de 7297 participantes del estudio durante 24 h. (b) Ilustración gráfica del nivel de actividad del acelerómetro promedio por hora por grupo. Los valores son puntuación Z normalizada. Las puntuaciones positivas indican niveles de actividad por encima de la media de la población.

Usamos la prueba t de Student para variables continuas y la prueba de Chi-cuadrado para variables categóricas para evaluar la significación estadística de las características demográficas y socioeconómicas, grupos de IMC, comportamientos de movimiento, calidad del sueño e historial médico por conglomerados. En los grupos basados ​​en datos, todas las variables, excepto el asma, fueron estadísticamente significativas (consulte la Tabla 2). Los grupos 1 y 4 eran en promedio adultos jóvenes (mediana de edad 41 y 36). Los grupos 2 y 3 incluyeron adultos de mediana edad (mediana de edad de 53 y 51 años). El grupo 5 estaba formado por una población de mayor edad entre 60 y 80 años. Al comparar dos grupos de mediana edad, el Grupo 3 tuvo porcentajes significativamente más altos de NH Black (18 % frente a 8 %) y obesidad (44 % frente a 36 %), tasas de desempleo más altas (52 % frente a 33 %), menos participantes trabajando ≥ 40 h/semana (32 % vs. 47 %) e ingresos familiares más bajos que el Grupo 2. Además, los participantes del Grupo 3 informaron pasar más tiempo en conductas sedentarias y menos tiempo en actividades de intensidad moderada o vigorosa, con una menor proporción (55 %) que cumplía con las pautas recomendadas de actividad física de intensidad moderada y vigorosa (MVPA), en contraste con el Grupo 2, que tenía un porcentaje más alto (65 %) que cumplía con las pautas. El grupo 3 tenía una mayor proporción de participantes que informaron trastornos del sueño y trastornos del sueño diagnosticados clínicamente, así como una mayor prevalencia de enfermedades cardiovasculares, cáncer, accidente cerebrovascular, diabetes, hipertensión y artritis. Al comparar los dos grupos de adultos jóvenes, el Grupo 4 tenía un mayor porcentaje de hombres (55 % frente a 36 %), negros no hispanos (20 % frente a 11 %) y solteros (55 % frente a 36 %), y obesidad (40 % frente a 31 %), con niveles de ingresos y una relación ingresos familiares/pobreza más bajos que el Grupo 1. A diferencia de los grupos de mediana edad, no observamos diferencias significativas en las distribuciones de trabajar ≥ 40 h/semana (~ 40 %) , trabajando < 40 h/semana (~ 20%) y desempleados (~ 30%) entre estos dos grupos. Además, no hubo diferencias significativas en la prevalencia de condiciones médicas. En la comparación de los comportamientos de movimiento, los participantes del Grupo 4 demostraron una relación bimodal, con períodos más prolongados de actividad sedentaria y de intensidad moderada y vigorosa en comparación con los del Grupo 1. Además, nuestro análisis reveló cinco características distintivas del Grupo 4, que incluía los porcentajes más altos de NH Black y fumadores actuales, la relación más baja entre ingresos familiares y pobreza, la duración más corta del sueño y la duración más larga de MVPA. Finalmente, el Grupo 5, la población de mayor edad, tenía el mayor número de condiciones médicas y reportó el mayor tiempo de sueño y sedentarismo.

Evaluamos las asociaciones entre los grupos basados ​​en datos y los niveles de biomarcadores inflamatorios basados ​​en glóbulos blancos (ver Fig. 2), la edad biológica de Klemera-Doubal (KDM) (ver Fig. 3) y la mortalidad por todas las causas (ver Fig. 4). ). En los resultados relacionados con la salud, observamos que el Grupo 1 se desempeñó mejor y el Grupo 5 se desempeñó peor. Estas asociaciones se mantienen incluso después de ajustar las covariables.

Asociaciones de grupos con marcadores inflamatorios basados ​​en glóbulos blancos. ( a ) Comparaciones de grupos (media ± SE) en el recuento de WBC, el recuento de neutrófilos, el recuento de linfocitos, NLR, SII y AISI, respectivamente. La significación estadística se establece en p < 0,05 (*), < 0,01 (**), < 0,001 (***) y p > 0,05 = no significativo (NS). Se utilizó un modelo lineal generalizado ponderado por encuesta. ( b ) Diagrama de bosque de coeficientes beta e intervalos de confianza (IC) del 95%. El grupo 1 es una referencia. El modelo se ajusta por edad, sexo, raza/etnicidad y situación laboral. La significación estadística se establece en p < 0,05 (*). Todos los valores de p se calcularon utilizando valores de resultados transformados logarítmicamente. Glóbulos blancos WBC, relación neutrófilos-linfocitos NLR, índice de inflamación inmune sistémica SII, índice agregado de inflamación sistémica AISI. Errores estándar SE.

Asociaciones de conglomerados con edad biológica KDM. ( a ) Comparación de grupos (media ± SE) en la edad cronológica (CA) y la edad biológica del método Klemera-Doubal (KDM). ( b ) Diagrama de bosque de coeficientes beta e intervalos de confianza (IC) del 95%. El grupo 1 es una referencia. El modelo se ajusta por edad, sexo, raza/etnicidad y situación laboral. La significación estadística se establece en p < 0,05 (*). Todos los valores de p se calcularon utilizando valores de resultados transformados logarítmicamente. Errores estándar SE.

Asociaciones de conglomerados con mortalidad por todas las causas. ( a ) Curva ponderada de Kaplan-Meier del tiempo hasta la mortalidad por todas las causas por conglomerado. (b) Diagrama de bosque de las razones de riesgo de mortalidad por todas las causas e intervalos de confianza (IC) del 95%. El grupo 1 es una referencia. Utilizamos un modelo de riesgo proporcional de Cox ponderado por encuesta ajustado por edad, sexo, raza/etnicidad y situación laboral. La significación estadística se establece en p < 0,05 (*).

Específicamente, los Grupos 3, 4 y 5 tenían recuentos de glóbulos blancos de 0,05 a 0,10 unidades logarítmicas más altos y recuentos de neutrófilos de 0,08 a 0,15 unidades logarítmicas más altos en comparación con el Grupo 1 (ver Fig. 2). Además, el grupo 4 se asoció con un recuento de linfocitos 0,05 unidades logarítmicas más alto (IC del 95 %: 0,010–0,085). Los grupos 3 y 5 se asociaron con aumentos de 0,06–0,12 y 0,09–0,14 unidades logarítmicas en NLR e índices agregados hematológicos para inflamación sistémica expresados ​​en SII y AISI (todos p < 0,05).

Para la edad biológica KDM, notamos un avance acelerado del proceso de envejecimiento biológico en los Grupos 3 a 4 a 5 (Ver Fig. 3). Específicamente, los participantes del Grupo 3 tuvieron un avance de la edad biológica de 0,25 años logarítmicos (equivalente a 1,28 años, IC del 95 %: 0,043–0,467) mayor que los del Grupo 1. Los participantes de los Grupos 4 y 5 exhibieron una tasa aún más rápida de desarrollo biológico. avance de edad, a 0,35 log-años (equivalente a 1,42 años, IC 95%: 0,175-0,522) y 0,53 log-años (equivalente a 1,70 años, 95% IC: 0,298-0,760), respectivamente.

Finalmente, analizamos el riesgo de mortalidad por todas las causas asociado con los grupos (ver Fig. 4). El Grupo 3 se asoció con 1,58 (IC 95 %: 1,02–2,45) veces más alto, y el Grupo 5 se asoció con riesgos de mortalidad por todas las causas 1,97 (IC 95 %: 1,26–3,09) veces más altos que el Grupo 1. Aunque la significación estadística no fue alcanzado, también encontramos una tendencia similar de aumento de los riesgos de mortalidad en el grupo 4 (HR 1,61, IC del 95 %: 0,85–3,05).

Aplicamos un enfoque de agrupación basado en datos para identificar segmentos de población en función de los datos de actividad del acelerómetro de 24 horas recopilados mediante un dispositivo portátil en adultos de EE. UU. Según los perfiles de actividad de 24 horas, encontramos cinco grupos distintos, que describimos a continuación. El grupo 1 representa un grupo de "alta actividad" que mantiene niveles elevados de actividad durante todo el día. El grupo 2 representa un grupo de "baja actividad", que exhibe un patrón diurno similar al del grupo 1 pero con niveles de actividad general más bajos a lo largo del día y una disminución más rápida desde la tarde. Los grupos 3 y 4 representan el grupo "Alteración leve del ritmo circadiano (RC)" y el grupo "Alteración grave de CR", respectivamente. Los participantes del Grupo 3 exhiben una mayor actividad nocturna entre las 23:00 y las 04:00, mientras que su actividad diurna permanece baja. El grupo 4 se caracteriza por una actividad extremadamente baja desde la mañana hasta las primeras horas de la tarde, una elevación gradual por la noche, una actividad notablemente alta durante las horas de descanso/sueño y una caída brusca por la mañana. Estos patrones de actividad son indicativos de desalineación circadiana o ritmo interrumpido, ya que no se alinean bien con los horarios normales de luz y oscuridad. Por lo tanto, hemos clasificado estos grupos como con alteración del ritmo circadiano. Por último, el grupo 5 representa el grupo de "actividad muy baja".

Demostramos que los grupos están significativamente asociados con las características de referencia, según lo determinado por la prueba t y las pruebas de chi-cuadrado. Los grupos identificados están claramente diferenciados por factores demográficos y socioeconómicos, comportamientos de movimiento y condiciones médicas. Además, nuestros modelos lineales generalizados y los modelos de riesgos proporcionales de Cox revelaron asociaciones significativas y efectos de gradiente entre la pertenencia a grupos y tres resultados de longevidad, a saber, los niveles de biomarcadores inflamatorios, la edad biológica y la mortalidad por todas las causas. En todos los resultados relacionados con la salud, el grupo de "alta actividad" (Cluster 1) tiende a tener el mejor desempeño, con los valores más bajos de niveles de inflamación, avance de la edad biológica y mortalidad. Esto fue seguido por "Baja actividad" (Grupo 2), "Alteración leve de CR" (Grupo 3) y "Interrupción grave de CR" (Grupo 4). El grupo de "actividad muy baja" (Cluster 5) se desempeñó peor, con los niveles más altos de inflamación, riesgo de mortalidad y edad biológica (ver Fig. 5).

Cinco grupos en relación con el nivel de actividad del acelerómetro y los resultados relacionados con la salud. Ritmo circadiano CR.

Sin embargo, hubo algunas excepciones. La "interrupción severa de RC", que consiste en adultos jóvenes de 30 a 40 años, se asoció significativamente con un aumento de los biomarcadores inflamatorios y una edad biológica acelerada, pero no con la mortalidad por todas las causas ni con los antecedentes médicos. Este hallazgo sugiere que los adultos jóvenes con desalineación circadiana pueden parecer aparentemente saludables porque no tienen signos aparentes de condiciones médicas y muestran altos niveles de actividad, pero de hecho, están experimentando un deterioro de la salud y un envejecimiento no saludable. En adultos de mediana edad, tener algún grado de alteración del ciclo circadiano junto con un bajo nivel de actividad ("Alteración leve de CR") dio como resultado niveles de biomarcadores inflamatorios, riesgo de mortalidad y edad biológica sustancialmente más altos en comparación con tener una actividad baja sola. Esto destaca la creciente importancia de la alineación circadiana en las poblaciones de mayor edad para lograr una longevidad saludable.

A diferencia de la actividad física o la nutrición, todavía hay una falta de comprensión sobre cómo utilizar o corregir el momento biológico para obtener beneficios para la salud. Las intervenciones de salud pública actuales se centran en gran medida en aumentar los niveles de actividad física o comer sano, con menos atención al reloj circadiano. La creciente evidencia indica que la interrupción circadiana tiene consecuencias significativas para varios resultados de salud, incluido el rendimiento, el bienestar, la salud física y mental y la longevidad24,35. Como tal, los relojes inteligentes y los dispositivos portátiles ofrecen un método oportuno, sin obstrucciones y conveniente para monitorear y evaluar los ritmos circadianos. Con la creciente adopción de dispositivos digitales, las terapias basadas en el reloj circadiano tienen un enorme potencial para maximizar los beneficios para la salud y promover un envejecimiento saludable a nivel individual y de población36,37,38,39. Junto con los algoritmos de aprendizaje automático, la digitalización de dichos datos de comportamiento pasivo tiene un potencial no reconocido como biomarcadores digitales novedosos para la longevidad y el avance de las intervenciones personalizadas, la predicción automatizada de eventos de salud y la prevención a nivel de población. Como implicación de este estudio, podemos utilizar datos portátiles como un biomarcador digital y brindar una intervención personalizada a través de dispositivos digitales para promover con éxito la sincronización con el ciclo diurno, es decir, migrar individuos "no saludables o en riesgo" a grupos "saludables". Los adultos jóvenes con un ciclo circadiano deteriorado, por ejemplo, pueden recibir recomendaciones como exposición oportuna a la luz, ejercicio en momentos específicos, ingestión de melatonina o uso de tecnología digital para monitorear y mejorar su ciclo de sueño-vigilia40,41. Mientras tanto, se puede recomendar a los adultos mayores con bajos niveles de actividad que aumenten su actividad física y adopten otros comportamientos saludables para reducir el riesgo de enfermedades relacionadas con la edad y aumentar la fuerza y ​​​​la movilidad.

Hay limitaciones potenciales de este estudio. Primero, la validez de la selección de características debe verificarse en datos nuevos, que no se ven en el modelo durante la fase de desarrollo. Segundo, este es un análisis retrospectivo y no puede establecer relaciones causales entre las asociaciones observadas. En tercer lugar, usamos solo datos de acelerómetro de 7 días, y una mayor duración del monitoreo proporcionaría una clasificación más precisa y exacta de los grupos. En cuarto lugar, los factores ambientales no medidos o la confusión residual podrían haber afectado las mediciones de acelerometría. Del mismo modo, el tiempo sin uso y las medidas de acelerometría faltantes pueden influir en el resultado de la actividad. Sin embargo, el impacto es mínimo ya que seleccionamos participantes con información completa de época de 5 minutos en el análisis. A continuación, faltan datos sobre el estado del trabajo por turnos y el horario de trabajo, y es posible que los grupos que identificamos estén sesgados hacia la inclusión de trabajadores por turnos y, por lo tanto, no sean representativos de la población general con horarios de trabajo normales. Sin embargo, creemos que el impacto del trabajo por turnos no explicaría completamente nuestros hallazgos por dos razones. Primero, encontramos que el estado laboral en nuestros datos no difería significativamente al comparar el grupo con la interrupción circadiana severa con el grupo sin interrupción. En segundo lugar, controlar por situación laboral no afectó las asociaciones originales en los modelos lineales generalizados y los modelos de riesgos proporcionales de Cox. Por último, el costo inicial de comprar un dispositivo portátil puede no parecer rentable desde la perspectiva de la población a corto plazo ($250,00 por unidad). Sin embargo, podría volverse rentable a largo plazo debido a las siguientes razones: (1) el uso generalizado de teléfonos inteligentes y relojes inteligentes los convierte en soluciones escalables para la recopilación continua de datos en una gran población; (2) los dispositivos portátiles son más económicos a largo plazo en comparación con los métodos tradicionales, como las visitas clínicas o las pruebas de laboratorio, que requieren encuentros físicos y pueden incurrir en costos por cada visita; (3) a medida que avanza la tecnología, aumenta la disponibilidad de dispositivos portátiles de bajo costo y relojes inteligentes comerciales con funcionalidad de acelerómetro.

Sin embargo, este estudio ofrece las siguientes contribuciones sobre investigaciones previas. Este estudio utilizó datos de actividad de acelerómetros portátiles para segmentar una muestra representativa a nivel nacional de la población de EE. UU. Una resolución novedosa y detallada del perfil de actividad de 24 horas aclara distintos perfiles de grupos y destaca la desalineación circadiana y la interrupción del ritmo para desempeñar un papel fundamental en las medidas de longevidad de la inflamación, la edad biológica y la mortalidad. Con este trabajo, agregamos una contribución significativa a la investigación actual en el campo que demuestra el potencial para la digitalización de las medidas de longevidad humana basadas en datos de actividad continuos basados ​​en dispositivos portátiles. Un biomarcador digital para la longevidad tiene un enorme potencial para el fenotipado digital, la intervención personalizada, la prevención a nivel de población y el control remoto de la salud de las personas. También es un paso fundamental para lograr el objetivo de la medicina de precisión. Se justifican estudios futuros con evaluaciones prospectivas y repetidas utilizando dispositivos digitales.

Utilizamos datos de NHANES, una encuesta transversal a nivel nacional realizada por los Centros para el Control y la Prevención de Enfermedades para evaluar el estado de salud y nutrición de adultos y niños en los Estados Unidos42. La NHANES aplica un diseño de muestreo probabilístico multietapa estratificado para generar una muestra ponderada y representativa de la población estadounidense. La Junta de Revisión de Ética del Centro Nacional de Estadísticas de Salud aprobó los protocolos del estudio NHANES (NCHS IRB/ERB Protocol Number: #2011–17), y todos los participantes dieron su consentimiento informado por escrito. Todos los métodos se realizaron de acuerdo con la Declaración de Helsinki. Para el presente estudio, seleccionamos adultos no embarazadas ≥ 20 años que tenían registros de acelerómetro validados de los ciclos NHANES 2011-2014, para los cuales estaban disponibles los datos del acelerómetro de 24 h. Los participantes tenían datos de acelerómetro válidos si cumplían con un mínimo de 16 h de tiempo de uso diario durante 4 días o más. Además, los datos del acelerómetro de los participantes deben registrarse de forma continua y en series de tiempo, sin perder épocas de 5 min durante 24 h. El estudio incluyó a 7297 participantes en el análisis (ver Fig. 6).

Diagrama de flujo para la inclusión de los participantes del estudio.

La recolección de muestras de sangre, los métodos de laboratorio y las instrucciones detalladas de procesamiento se describen en el Manual de procedimientos para técnicos de laboratorio/médicos de NHANES43. El analizador de sangre proporcionó el recuento de glóbulos blancos, el recuento de neutrófilos, el recuento de linfocitos y la proporción de neutrófilos a linfocitos (NLR). Además, calculamos dos índices hematológicos para la inflamación sistémica, el índice de inmunoinflamación sistémica (SII) y el índice agregado de inflamación sistémica (AISI), utilizando las siguientes fórmulas44,45:

SII = recuento de neutrófilos x plaquetas/linfocitos

AISI = recuento de neutrófilos x monocitos x plaquetas/linfocitos.

Utilizamos el método Klemera-Doubal modificado (KDM) para la predicción de la edad biológica10,46. Elegimos la edad biológica KDM porque ha demostrado ser más precisa que otras alternativas para la predicción de morbilidad, mortalidad e indicadores de salud47,48. Incluimos 11 biomarcadores en la estimación de la edad biológica utilizando el paquete BioAge R 0.1.0.49: albúmina, fosfatasa alcalina, colesterol total, creatinina, HbA1c, presión arterial sistólica, nitrógeno ureico en sangre, ácido úrico, porcentaje de linfocitos, volumen celular medio y glóbulos blancos. conteo de células.

Utilizamos un archivo disponible públicamente del Centro Nacional de Estadísticas de Salud (NCHS) con registros de defunción certificados del Índice Nacional de Defunciones (NDI). Los períodos de seguimiento son desde la fecha de la entrevista hasta la fecha registrada de la muerte del fallecido o el final del período de seguimiento (31 de diciembre de 2015) para los sobrevivientes.

Todos los participantes de 6 años o más durante el ciclo 2011–2012 y todos los participantes de 3 años o más durante el ciclo 2013–2014 usaron un acelerómetro ActiGraph GT3X + (Actigraph, Pensacola, FL) en la muñeca no dominante durante 7 24 días consecutivos. -h períodos. El dispositivo portátil recopiló señales sin procesar en los ejes x, y y z con una frecuencia de muestreo de 80 Hz. NHANES procesó, marcó y resumió los datos del acelerómetro a nivel de minuto en unidades de resumen de movimiento independiente del monitor (MIMS), que es una métrica de resumen universal independiente del dispositivo, de código abierto y no propietaria. Aplicamos una serie de pasos de procesamiento de datos y control de calidad para identificar datos de acelerómetro válidos adecuados para nuestro análisis. Primero, incluimos datos del acelerómetro de los participantes que usan el acelerómetro durante 16 h o más por día durante al menos 4 días, sin incluir el primer día de uso, que se excluyó del procesamiento de datos. Investigaciones anteriores indican que para los análisis a nivel de población, 16 h de tiempo de uso durante 4 o más días fueron suficientes para generar estimaciones de actividad estables a nivel de grupo utilizando datos del acelerómetro51. El tiempo de uso se determinó a través de estimaciones de uso para despertarse, dormir, no usar y desconocidas calculadas en función de un algoritmo de aprendizaje automático52. En segundo lugar, identificamos aún más los datos del acelerómetro en épocas completas de 5 minutos por día (es decir, 288 intervalos de tiempo que no faltan) para capturar series de tiempo continuas de niveles de actividad en el transcurso de 24 h. El fundamento de este paso es identificar la falta de continuidad y la interrupción potenciales en los datos que no se pueden evaluar con el primer criterio. Los participantes con suficiente tiempo de uso válido aún pueden mostrar valores faltantes sucesivos durante un período prolongado, lo que generaría perfiles de actividad de 24 horas incompletos y afectaría nuestros análisis. Finalmente, de acuerdo con estudios previos, establecemos los valores triaxiales de MIMS como faltantes para las siguientes tres condiciones: (1) el valor triaxial de MIMS se codifica como '− 0.01' (nombre de variable: PAXMTSM); (2) el estado estimado de activación/reposo/uso durante el minuto es "sin uso" (nombre de la variable: PAXPREDM); (3) el recuento de indicadores de calidad de datos por minuto es mayor que '0' (nombre de variable: PAXQFM)51,53.

Para los participantes con datos de acelerómetro válidos, usamos sus valores triaxiales de MIMS en todos los días disponibles (es decir, la suma de los valores de los ejes x, y y z de MIMS) del archivo de resumen a nivel de minutos (nombre de archivo: PAXMIN; variable nombre: PAXMTSM) para calcular los niveles de actividad por hora durante 24 h. Esto da como resultado un vector con 24 entradas por participante, de las cuales cada entidad representa el nivel de actividad promedio por hora de la hora dada, expresado desde las 00:00 (1ª entidad) hasta las 23:00 (24ª entidad). Estudios previos han demostrado que la variación horaria de la actividad evaluada durante 24 h mediante acelerómetros proporciona información significativa sobre la población adulta en general54,55. Luego aplicamos la eliminación de características recursivas para identificar un conjunto óptimo de características de las 24 entidades de entrada de niveles de actividad antes mencionadas que separan significativamente los grupos en nuestros datos (ver la Fig. 1 complementaria). Usando solo las 16 características seleccionadas, aplicamos un enfoque de agrupación jerárquica usando el algoritmo de vinculación de Ward con distancias euclidianas para la segmentación de la población de datos de actividad del acelerómetro basado en dispositivos portátiles en adultos de EE. UU. (consulte la Fig. 1 complementaria). Todos los análisis se realizaron con el software R 4.1.2 y RStudio 2022.07.1. En particular, usamos el paquete caret 6.0–90 para la selección de características. Los paquetes R cluster 2.1.2, mclust 5.4.10, dendextend 1.16.0, ggdendro 0.1.23 y factoextra 1.0.7 se implementaron para algoritmos de agrupación jerárquica y visualizaciones de resultados.

Obtuvimos información adicional sobre las características a priori que estarían asociadas con los biomarcadores inflamatorios, la edad biológica y la mortalidad en base a investigaciones previas36,56,57: edad, sexo, raza/etnicidad, relación ingreso familiar a pobreza, educación, estado civil, situación laboral , ingresos familiares, tabaquismo, horas y calidad del sueño e historial de enfermedades cardiovasculares, cáncer, accidente cerebrovascular, diabetes, hipertensión, asma y artritis. Calculamos el índice de masa corporal (IMC) dividiendo el peso en kilogramos por la altura en metros al cuadrado. El IMC se clasificó además en tres grupos: peso normal (IMC < 25), sobrepeso (IMC 25-29,9) y obesidad (IMC ≥ 30). La duración de los diferentes comportamientos de movimiento, como el sueño, la duración de la actividad física sedentaria, de intensidad moderada y de intensidad vigorosa, se evaluó mediante autoinforme. Clasificamos a los participantes para que tuvieran suficiente actividad física de intensidad moderada y vigorosa (MVPA, por sus siglas en inglés) si cumplen con las pautas recomendadas por las Pautas de actividad física para estadounidenses (es decir, 150 minutos o más de actividad de intensidad moderada por semana o 75 minutos o más de actividad física vigorosa). -intensidad de actividad por semana)58.

Para tener en cuenta el complejo diseño de la encuesta y producir estimaciones representativas de la población de los EE. UU., aplicamos ponderaciones de encuestas de cuatro años a todos los procedimientos estadísticos utilizando el paquete de encuestas 4.1–1 para ajustar la probabilidad de selección desigual y el sesgo de falta de respuesta de acuerdo con los criterios analíticos de NHANES. directrices59. En estadística descriptiva se obtuvieron las medias, proporciones y errores estándar (EE) poblacionales con toda la muestra (ver Tabla 1) y por conglomerados (ver Tabla 2). Realizamos la prueba t de Student o la prueba de chi-cuadrado para variables continuas o categóricas para comparar las características iniciales por conglomerado.

Para las asociaciones de grupos con biomarcadores inflamatorios séricos (es decir, recuento de glóbulos blancos, recuento de neutrófilos, recuento de linfocitos, NLR, SII y AISI) y la edad biológica basada en el método de Klemera-Doubal, utilizamos los modelos lineales generalizados ponderados por encuesta con y sin covariables de ajuste (ver Figs. 2 y 3). Teniendo en cuenta la distribución sesgada, las variables dependientes se transformaron logarítmicamente en estos modelos. Además, representamos las diferencias en la mortalidad por todas las causas según los grupos en una curva de Kaplan-Meier ponderada con curvas ajustadas del paquete R 0.9.1 (ver Fig. 4a). Además, ajustamos un modelo de riesgo proporcional de Cox ponderado por encuesta ajustando las covariables para estimar los HR y el IC del 95 % para las asociaciones entre los grupos y la mortalidad por todas las causas (ver Fig. 4b). Se cumplió el supuesto de riesgo proporcional. Sobre la base de una selección hacia atrás, incluimos la edad, el sexo, la raza/etnicidad y la situación laboral en modelos ajustados. Realizamos análisis de sensibilidad para verificar las interacciones entre los grupos y las covariables, y no se observó ninguna modificación del efecto. La significación estadística fue en dos caras p < 0,05.

Los datos de NHANES que respaldan los hallazgos de este estudio están disponibles en el sitio web de los Centros para el Control y la Prevención de Enfermedades de los CDC [https://wwwn.cdc.gov/nchs/nhanes/Default.aspx].

Li, X. et al. Salud digital: el seguimiento de los fisiomas y la actividad mediante biosensores portátiles revela información útil relacionada con la salud. PLoS Biol. 15, e2001402 (2017).

Artículo PubMed PubMed Central Google Académico

Salamone, F., Masullo, M. & Sibilio, S. Dispositivos portátiles para el monitoreo ambiental en el entorno construido: una revisión sistemática. Sensores 21, 4727 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Stankoski, S., Jordan, M., Gjoreski, H. & Luštrek, M. Detección de alimentación basada en Smartwatch: selección de datos para el aprendizaje automático a partir de datos desequilibrados con etiquetas imperfectas. Sensores 21, 1902 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Sim, I. Dispositivos móviles y salud. N. ingl. J.Med. 381, 956–968 (2019).

Artículo PubMed Google Académico

Dunn, J., Runge, R. & Snyder, M. Wearables y la revolución médica. pers. Medicina. 15, 429–448 (2018).

Artículo CAS Google Académico

Pyrkov, TV, Sokolov, IS & Fedichev, PO El fenotipado longitudinal profundo de datos de sensores portátiles revela marcadores independientes de longevidad, estrés y resiliencia. Edad 13, 7900–7913 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Schütz, N. et al. Un enfoque de sistemas para el control remoto de la salud en adultos mayores: Introducción de un escape digital de interacción cero. Dígito Npj. Medicina. 5, 1–13 (2022).

Artículo Google Académico

Partridge, L., Deelen, J. & Slagboom, PE Enfrentando los desafíos globales del envejecimiento. Naturaleza 561, 45–56 (2018).

Artículo ADS CAS PubMed Google Scholar

Franceschi, C. et al. Inflamación-envejecimiento. Una perspectiva evolutiva sobre la inmunosenescencia. Ana. Academia de Nueva York. ciencia 908, 244–254 (2000).

Artículo ADS CAS PubMed Google Scholar

Levine, ME Modelado de la tasa de senescencia: ¿Puede la edad biológica estimada predecir la mortalidad con mayor precisión que la edad cronológica? J. Gerontol. Un Biol. ciencia Medicina. ciencia 68, 667–674 (2013).

Artículo PubMed Google Académico

Canudas-Romo, V. Tres Medidas de longevidad: Tendencias temporales y valores récord. Demografía 47, 299–312 (2010).

Artículo PubMed PubMed Central Google Académico

Baker, GT & Sprott, RL Biomarcadores del envejecimiento. Exp. Gerontol. 23, 223–239 (1988).

Artículo PubMed Google Académico

Jylhävä, J., Pedersen, NL & Hägg, S. Predictores biológicos de la edad. EBioMedicine 21, 29–36 (2017).

Artículo PubMed PubMed Central Google Académico

Flores, M., Glusman, G., Brogaard, K., Price, ND & Hood, L. P4 medicina: cómo la medicina de sistemas transformará el sector de la salud y la sociedad. Por. Medicina. 10, 565–576 (2013).

Artículo CAS PubMed PubMed Central Google Scholar

Vitaterna, MH, Takahashi, JS & Turek, FW Descripción general de los ritmos circadianos. Alcohol Res. Salud 25, 85–93 (2001).

CAS PubMed PubMed Central Google Académico

Meyer, N., Harvey, AG, Lockley, SW y Dijk, D.-J. Ritmos circadianos y trastornos del momento del sueño. The Lancet 400, 1061–1078 (2022).

Artículo Google Académico

Masri, S. & Sassone-Corsi, P. El vínculo emergente entre el cáncer, el metabolismo y los ritmos circadianos. Nat. Medicina. 24, 1795–1803 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Furman, D. et al. La inflamación crónica en la etiología de la enfermedad a lo largo de la vida. Nat. Medicina. 25, 1822-1832 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Comas, M. et al. Una respuesta inflamatoria basada en el ritmo circadiano: implicaciones para la enfermedad respiratoria y el tratamiento. ciencia del sueño Practica 1, 18 (2017).

Artículo Google Académico

Chaput, J.-P. et al. El papel del sueño insuficiente y la desalineación circadiana en la obesidad. Nat. Rev. Endocrinol. 19, 82–97 (2023).

Artículo CAS PubMed Google Académico

Li, J. et al. El ritmo de actividad-descanso se asocia con fenotipos de obesidad: un análisis transversal. Frente. Endocrinol. 13, 907360 (2022).

Artículo Google Académico

Potter, GDM et al. Ritmo circadiano e interrupción del sueño: causas, consecuencias metabólicas y contramedidas. Endoc. Rev. 37, 584–608 (2016).

Artículo CAS PubMed PubMed Central Google Scholar

Montaruli, A. et al. Ritmo biológico y cronotipo: Nuevas perspectivas en salud. Biomoléculas 11, 487 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Shandhi, MMH, Wang, WK y Dunn, J. Tomando el tiempo para nuestros cuerpos: cómo se pueden usar los dispositivos portátiles para evaluar la fisiología circadiana. Cell Rep. Métodos 1, 100067 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Henriksen, A. et al. Uso de rastreadores de actividad física y relojes inteligentes para medir la actividad física en la investigación: análisis de dispositivos portátiles de consumo. J.Med. Resolución de Internet 20, e9157 (2018).

Artículo Google Académico

Kheirkhahan, M. et al. Un marco basado en relojes inteligentes para la evaluación y el control de la movilidad en tiempo real y en línea. J. Biomédica. Informar. 89, 29–40 (2019).

Artículo PubMed Google Académico

Kline, A. et al. Aprendizaje automático multimodal en salud de precisión: una revisión de alcance. npj Dígito. Medicina. 5, 1–14 (2022).

Yan, S., Kwan, YH, Tan, CS, Thumboo, J. & Low, LL Una revisión sistemática de la aplicación clínica del análisis de segmentación de la población basada en datos. BMC Med. Res. Método. 18, 121 (2018).

Artículo PubMed PubMed Central Google Académico

Nnoaham, KE & Cann, KF ¿Pueden los análisis de conglomerados de datos de atención médica vinculados identificar segmentos de población únicos en una población registrada en la práctica general?. BMC Salud Pública 20, 798 (2020).

Artículo PubMed PubMed Central Google Académico

Roh, HW et al. Asociaciones de patrones de actividad de reposo derivados de actigrafía y fase circadiana con síntomas clínicos y parámetros polisomnográficos en trastornos de insomnio crónico. ciencia Rep. 12, 4895 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Completo, KM et al. Análisis del perfil latente del sueño, la actividad física y el tiempo sedentario medidos por acelerómetro y las diferencias en las características de salud en mujeres adultas. PLoS ONE 14, e0218595 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Rosenberger, ME y col. El ciclo de actividad de 24 horas: un nuevo paradigma para la actividad física. Medicina. ciencia Ejercicio deportivo. 51, 454–464 (2019).

Artículo PubMed PubMed Central Google Académico

Bertele, N., Karabatsiakis, A., Buss, C. & Talmon, A. Cómo se pueden utilizar los patrones de biomarcadores para identificar a las personas con una alta carga de enfermedad: un enfoque bioinformático hacia la medicina predictiva, preventiva y personalizada (3P). EPMA J. 12, 507–516 (2021).

Artículo PubMed PubMed Central Google Académico

Chellappa, SL, Morris, CJ & Scheer, FAJL La desalineación circadiana aumenta la vulnerabilidad del estado de ánimo en el trabajo por turnos simulado. ciencia Rep. 10, 18614 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Fishbein, AB, Knutson, KL & Zee, PC Interrupción circadiana y salud humana. J. Clin. Invertir. 131, (2021).

Xu, Y. et al. El ritmo circadiano de reposo-actividad embotado aumenta el riesgo de todas las causas, enfermedades cardiovasculares y mortalidad por cáncer en adultos de EE. UU. ciencia Rep. 12, 20665 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Rea, MS & Figueiro, MG Cuantificación de la alteración circadiana dependiente de la luz en humanos y modelos animales. Cronobiol. En t. 31, 1239–1246 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Weinert, D. & Gubin, D. El impacto de la actividad física en el sistema circadiano: Beneficios para la salud. Llevar a cabo. Aplicación Bienestar ciencia 12, 9220 (2022).

CAS Google Académico

Minors, D., Atkinson, G., Bent, N., Rabbitt, P. & Waterhouse, J. Los efectos de la edad sobre algunos aspectos del estilo de vida y las implicaciones para los estudios sobre el ritmo circadiano. Edad Envejecimiento 27, 67–72 (1998).

Artículo CAS PubMed Google Académico

Potter, GDM & Wood, TR El futuro del trabajo por turnos: la biología circadiana se encuentra con la medicina personalizada y la ciencia del comportamiento. Frente. Nutrición 7 (2020).

Youngstedt, SD et al. Efectos de cambio de fase circadiano de la luz brillante, el ejercicio y el ejercicio con luz brillante. J. Ritmos circadianos 14, 2 (2016).

Artículo PubMed PubMed Central Google Académico

NHANES - Sobre la Encuesta Nacional de Examen de Salud y Nutrición. https://www.cdc.gov/nchs/nhanes/about_nhanes.htm (2022).

NHANES Laboratorio/Manual de Procedimientos para Tecnólogos Médicos (LPM). https://www.cdc.gov/nchs/data/nhanes/nhanes_11_12/2011-12_laboratory_procedures_manual.pdf (2022).

Li, H. et al. La actividad física atenúa las asociaciones del índice de inflamación inmunológica sistémica con la mortalidad total y por causas específicas entre las poblaciones de mediana edad y mayores. ciencia Rep. 11, 12532 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Zinellu, A. et al. El índice agregado de inflamación sistémica (AISI): un nuevo biomarcador pronóstico en la fibrosis pulmonar idiopática. J. Clin. Medicina. 10, 4134 (2021).

Artículo PubMed PubMed Central Google Académico

Klemera, P. & Doubal, S. Una nueva aproximación al concepto y cálculo de la edad biológica. mecánico Desarrollo de envejecimiento 127, 240–248 (2006).

Artículo PubMed Google Académico

Murabito, JM et al. Las medidas de la edad biológica en una muestra de la comunidad predicen la mortalidad y las enfermedades relacionadas con la edad: el estudio de la descendencia framingham. J. Gerontol. Un Biol. ciencia Medicina. ciencia 73, 757–762 (2018).

Artículo PubMed Google Académico

Parker, DC y col. Asociación de cuantificaciones de química sanguínea del envejecimiento biológico con discapacidad y mortalidad en adultos mayores. J. Gerontol. Un Biol. ciencia Medicina. ciencia 75, 1671–1679 (2019).

Artículo PubMed Central Google Académico

Kwon, D. & Belsky, DW Un conjunto de herramientas para la cuantificación de la edad biológica a partir de datos de pruebas de química sanguínea y función de órganos: BioAge. GeroScience 43, 2795–2808 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

John, D., Tang, Q., Albinali, F. e Intille, S. Un resumen de movimiento independiente del monitor de código abierto para el procesamiento de datos del acelerómetro. J.Meas. física Comportamiento 2, 268–281 (2019).

Artículo PubMed PubMed Central Google Académico

Su, S., Li, X., Xu, Y., McCall, WV y Wang, X. Epidemiología de los parámetros de sueño basados ​​en acelerómetros en niños y adultos en edad escolar de EE. UU.: NHANES 2011–2014. ciencia Rep. 12, 7680 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Centro Nacional de Estadísticas Sanitarias. (2013-2014). NHANES 2013–2014 Documentación de datos, libro de códigos y frecuencias: monitor de actividad física (PAXMIN_H). Recuperado de. https://wwwn.cdc.gov/Nchs/Nhanes/2013-2014/PAXMIN_H.htm.

Xu, Y. et al. Ritmo circadiano de actividad de reposo y tolerancia alterada a la glucosa en adultos: un análisis de NHANES 2011–2014. Diab abierto BMJ. Res. Atención 10, e002632 (2022).

Artículo PubMed PubMed Central Google Académico

Wennman, H. et al. Género, edad y variación socioeconómica en la actividad física de 24 horas por acelerómetros de muñeca: la encuesta FinHealth 2017. ciencia Rep. 9, 6534 (2019).

Artículo ADS PubMed PubMed Central Google Scholar

Doherty, A. et al. Evaluación de la población a gran escala de la actividad física utilizando acelerómetros de muñeca: el estudio del biobanco del Reino Unido. PLoS ONE 12, e0169649 (2017).

Artículo PubMed PubMed Central Google Académico

Xu, Y., Su, S., McCall, WV y Wang, X. El ritmo de reposo y actividad embotado se asocia con un aumento de los marcadores inflamatorios basados ​​en glóbulos blancos en adultos: un análisis de NHANES 2011–2014. Cronobiol. En t. 39, 895–902 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Xu, Y. et al. El ritmo circadiano de actividad de reposo embotado se asocia con una mayor tasa de envejecimiento biológico: un análisis de NHANES 2011-2014. J. Gerontol. Un Biol. ciencia Medicina. ciencia https://doi.org/10.1093/gerona/glac199 (2022).

Artículo PubMed PubMed Central Google Académico

Piercy, KL y col. Las pautas de actividad física para los estadounidenses. JAMA 320, 2020–2028 (2018).

Artículo PubMed PubMed Central Google Académico

Centros para el Control y la Prevención de Enfermedades (CDC). Tutoriales de la Encuesta Nacional de Examen de Salud y Nutrición. 2020. https://wwwn.cdc.gov/nchs/nhanes/tutorials/default.aspx.

Descargar referencias

Centro de Intervenciones de Salud Digital, Departamento de Gestión, Tecnología y Economía, ETH Zurich, Zurich, Suiza

Jinjoo Shim, Elgar Fleisch y Filipe Barata

Centro de Intervenciones de Salud Digital, Instituto de Gestión de Tecnología, Universidad de St. Gallen, St. Gallen, Suiza

carne de elgar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

JS: conceptualización, curación de datos, análisis formal, metodología, redacción (borrador original), redacción (revisión y edición). EF—redacción (revisión y edición). FB—conceptualización, metodología, supervisión, redacción (revisión y edición).

Correspondencia a Jinjoo Shim.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Shim, J., Fleisch, E. & Barata, F. Perfil de actividad del acelerómetro basado en dispositivos portátiles como biomarcador digital de inflamación, edad biológica y mortalidad mediante análisis de agrupamiento jerárquico en NHANES 2011–2014. Informe científico 13, 9326 (2023). https://doi.org/10.1038/s41598-023-36062-y

Descargar cita

Recibido: 09 febrero 2023

Aceptado: 29 de mayo de 2023

Publicado: 08 junio 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.