[論文レビュー] Longitudinal cardio-respiratory fitness prediction through wearables in free-living environments

Dimitris Spathis, Ignacio Perez-Pozuelo+5 more|arXiv (Cornell University)|May 6, 2022

Cardiovascular and exercise physiology被引用数 2

ひとこと要約

本研究では、自由な生活状況下でのウェアラブルセンサーのデータから心肺機能（VO2max）を予測する深層学習モデルを提案し、ゴールスタンダードのラボ測定値と相関係数 r = 0.82（95%信頼区間：0.80–0.83）を達成した。このモデルは、ウェアラブル機器からの生の心拍数および運動データに加え、バイオマーカーを組み合わせることで、運動テストを要しない、スケーラブルで縦断的なフィットネス推定を可能にした。

ABSTRACT

Cardiorespiratory fitness is an established predictor of metabolic disease and mortality. Fitness is directly measured as maximal oxygen consumption (VO$_{2}max$), or indirectly assessed using heart rate responses to standard exercise tests. However, such testing is costly and burdensome because it requires specialized equipment such as treadmills and oxygen masks, limiting its utility. Modern wearables capture dynamic real-world data which could improve fitness prediction. In this work, we design algorithms and models that convert raw wearable sensor data into cardiorespiratory fitness estimates. We validate these estimates' ability to capture fitness profiles in free-living conditions using the Fenland Study (N=11,059), along with its longitudinal cohort (N=2,675), and a third external cohort using the UK Biobank Validation Study (N=181) who underwent maximal VO$_{2}max$ testing, the gold standard measurement of fitness. Our results show that the combination of wearables and other biomarkers as inputs to neural networks yields a strong correlation to ground truth in a holdout sample (r = 0.82, 95CI 0.80-0.83), outperforming other approaches and models and detects fitness change over time (e.g., after 7 years). We also show how the model's latent space can be used for fitness-aware patient subtyping paving the way to scalable interventions and personalized trial recruitment. These results demonstrate the value of wearables for fitness estimation that today can be measured only with laboratory tests.

研究の動機と目的

• 自由な生活状況下でのウェアラブルセンサーのデータのみを用いて、心肺機能（VO2max）を非侵襲的かつスケーラブルに推定する手法を開発すること。
• 高価で負担が大きく、大規模な応用に不適切な従来の運動ベースの VO2max 測定法の限界を克服すること。
• 繰り返し収集されたウェアラブルデータを用いて、7年後の変化など、時間経過に伴う VO2max の変化を予測することで、縦断的なフィットネス追跡を可能にすること。
• 学習された潜在表現を用いた、フィットネスに配慮した患者のサブタイプ分類とパーソナライズド介入計画立案の有効性を検討すること。
• UK Biobank（N=181）を含む独立したコhortにおいて、最大運動テストとの比較でモデルの性能を検証すること。

提案手法

• Fenland Study の 11,059 名の参加者から得られた自由な生活状況下での生のウェアラブルセンサーのデータ（心拍数および加速度計測）を用いて、深層ニューラルネットワークを学習した。
• 予測精度の向上を目的として、年齢、BMI、安静時心拍数などの追加バイオマーカーを入力特徴量として統合した。
• 2段階のモデリングアプローチを採用した：まず、センサーのデータから個人に特化したフィットネス表現を非線形活性化層を含む深層順伝播ニューラルネットワークで学習した。
• トランスファー学習と同一モデルアーキテクチャを用いた推論を適用し、約7年後に再テストされた縦断的コhort（N=2,675）で、時間経過に伴うフィットネスの変化を予測し、検証した。
• t-SNEを用いて、モデルが学習した潜在空間を可視化し、フィットネスプロファイルに基づく参加者のクラスタリングの有無を評価した。
• 標準的な回帰評価指標を用いてモデルの性能を評価した：ピアソン相関係数（r）、RMSE、決定係数 R²、および二値分類タスクにおける AUROC。

実験結果

リサーチクエスチョン

• RQ1 自由な生活状況下の生のウェアラブルセンサーのデータを用いて、ラボテストと同等の精度で VO2max を予測できるか？
• RQ2 7年間の期間にわたり、モデルは心肺機能の変化をどれほど正確に検出できるか？
• RQ3 モデルが学習した潜在空間は、フィットネスプロファイルに基づいて生物学的に意味のあるサブグループを明らかにできるか？
• RQ4 臨床的バイオマーカーとウェアラブルデータを組み合わせることで、従来の非運動型モデルと比較して、予測性能が顕著に向上するか？
• RQ5 UK Biobank などの独立した検証コhortに、直接測定された VO2max がある場合、モデルは一般化可能か？

主な発見

• 深層学習モデルは、ホールドアウトサンプルにおいて、予測された VO2max と測定値の間でピアソン相関係数 r = 0.82（95%信頼区間：0.80–0.83）を達成し、従来の非運動型モデルを著しく上回った。
• 縦断的コhort（N=2,675）において、7年間の期間にわたり心肺機能の変化を正確に検出できた。これは、フィットネスの推移を追跡できる能力を示している。
• t-SNEを用いた可視化により、モデルの潜在空間に明確に分離されたフィットネスに配慮したサブグループが明らかになった。これは、標的を絞った公衆衛生介入のための分類可能性を示唆している。
• 異なるサブグループにおいても、MAE（平均絶対誤差）と MAPE（平均絶対パcent誤差）が低く、多様な集団において一貫した精度を維持していた。
• 年齢、BMI、安静時心拍数に依存する標準的な非運動型予測式（例：Uth および Tanaka）と比較して、豊富なウェアラブルデータの追加的価値を示した。
• UK Biobank の外部コhort（N=181）でモデルを検証し、直接測定された VO2max がある独立した集団に対しても一般化可能であることを確認した。