老年患者使用加速度计在移动健康心脏康复中的依从性：随机临床试验的二次分析Journal of Medical Internet Research - Adherence to Accelerometer Use in Older Adults Undergoing mHealth Cardiac Rehabilitation: Secondary Analysis of a Randomized Clinical Trial

老年患者使用加速度计在移动健康心脏康复中的依从性：随机临床试验的二次分析

摘要

背景：可穿戴加速度计能够持续记录身体活动指标，在移动健康心脏康复（mHealth-CR）中被广泛使用。然而，加速度计使用依从性与临床结果（如功能能力）改善之间的关联尚未得到充分研究。人工智能（AI）技术的出现为研究加速度计使用模式与mHealth-CR结果之间的关系提供了新机遇。

目的：本研究旨在利用AI聚类框架识别不同的加速度计使用依从性行为表型，并量化这些依从性表型与接受mHealth-CR的老年患者功能能力改善之间的关联。

方法：我们分析了RESILIENT（住院后老年缺血性心脏病患者居家移动健康康复）试验的数据，这是迄今为止比较mHealth-CR与常规护理在老年人群（≥65岁）中效果的最大规模随机临床研究。干预组参与者被要求在为期3个月的研究期间佩戴Fitbit加速度计。通过k均值聚类AI衍生指标量化加速度计使用依从性（总体依从性，即佩戴天数百分比），并与6分钟步行距离（6-MWD）的变化进行比较，同时调整人口统计学和临床协变量。

结果：在271名平均年龄71岁（标准差8岁）的参与者中，73%为男性，加速度计平均佩戴76天（95%置信区间73-78天）。调整后分析显示，佩戴天数与6-MWD改善之间存在微弱关联，每增加30天佩戴时间，6-MWD改善11米（P=0.08）。我们的k均值聚类框架在两个分辨率下识别出依从性表型：低分辨率（k=2聚类）和高分辨率（k=8聚类）。与低依从和下降依从组相比，持续高依从组的6-MWD改善趋势为24.6米（n=39；95%置信区间0.7-49.9；P=0.06）。8聚类表型分析揭示了更丰富的依从性模式，其中该分析中的一致高依从组比低依从组6-MWD改善38.5米（95%置信区间2.2-74.7；P=0.04），且3个月干预期间平均每日步数更高（均值7518，标准差3415 vs. 均值4800，标准差2920步；P=0.008）。

结论：时间序列AI聚类框架识别出代表不同程度加速度计使用依从性的行为表型范围。回归分析确定了较高依从性表型与接受mHealth-CR的老年患者功能能力改善之间的微弱关联。我们基于AI的加速度计依从性表型可能为针对个体患者量身定制mHealth-CR方案提供新方法，从而为这一高风险人群带来更好的结果。

关键词：心脏康复；移动健康；可穿戴设备；加速度测量；人工智能；表型分析；身体活动；Fitbit

引言

移动健康心脏康复（mHealth-CR）利用便携式电子设备为心血管疾病患者（包括缺血性心脏病和心力衰竭）提供远程锻炼和咨询服务[1,2]。可穿戴加速度计已成为mHealth-CR方案的组成部分，捕捉步数和活动强度等参数[3,4]，为参与者和提供咨询的运动治疗师提供定期反馈。最近的一项综述支持mHealth-CR的安全性和有效性[5]，其中包括几项结合了加速度计的研究[6-8]。

多项随机对照试验证明，与接受常规护理的参与者相比，佩戴加速度计的CR参与者平均每日步数显著增加[9-11]。加速度计的使用还与功能能力等其他相关临床结果的改善（尽管程度适中）相关[12-14]。虽然有人推测观察到的改善可能受到mHealth-CR干预期间加速度计使用依从性或一致性的调节，但迄今为止，关于这种关联的客观数据有限[15,16]。关于不同的依从性行为模式（例如，全程高依从性与依从性下降）如何与功能能力变化相关联的证据也较少。

为应对这些知识空白，我们分析了RESILIENT（住院后老年缺血性心脏病患者居家移动健康康复）研究[17]的加速度测量数据，以检查加速度计使用依从性如何影响结果。尽管仍然有限，但人工智能（AI）和机器学习在CR中的应用正在增加，主要集中在个性化CR目标[18,19]和预测结果[20]上。在本研究中，我们使用时间序列AI算法识别不同的加速度计依从性行为表型，并量化每种表型的临床改善。这可能为针对特定行为表型量身定制mHealth-CR方案提供机会，从而提高对身体活动建议的依从性，并最终改善接受mHealth-CR的老年患者的临床结果。

方法

研究人群

RESILIENT（NCT03978130）是一项随机临床试验，调查mHealth-CR在缺血性心脏病老年患者中的有效性[17]。该试验在4个医疗系统内的5家学术医院进行：纽约大学（NYU）Langone Health主校区（纽约州纽约市）、NYU Langone Health长岛（纽约州米尼奥拉）、贝勒维医院（纽约州纽约市）、马萨诸塞大学（马萨诸塞州伍斯特）和耶鲁-纽黑文医疗（康涅狄格州纽黑文）。入组时间为2020年1月9日至2024年1月10日，最后一次随访在2024年4月22日。该试验招募了400名参与者，比较了mHealth-CR（n=298）与常规护理（n=102）。研究参与者年龄65岁或以上，因缺血性心脏病（急性心肌梗死或择期冠状动脉血运重建）住院，且无痴呆或其他神经退行性疾病诊断。详细的纳入和排除标准此前已有描述[21]，但也在此提供。

纳入标准：(1) 年龄65岁或以上；(2) 因急性心肌梗死或冠状动脉血运重建手术（包括经皮冠状动脉介入治疗或冠状动脉旁路移植术）住院。

排除标准：(1) 依赖助行器行走或无法行走；(2) 影响日常活动的中度至重度认知障碍；(3) 拒绝或无法提供知情同意；(4) 存在影响快走的经皮冠状动脉介入治疗相关腹股沟血肿；(5) 目前被监禁；(6) 无法使用英语或西班牙语的移动健康软件；(7) 严重骨关节炎或近期关节置换（3个月内）；(8) 进行性运动障碍，如帕金森病；(9) 预计寿命少于3个月；(10) 医疗专业人员确定的安全或不依从临床问题；(11) 筛查6分钟步行测试期间出现不良反应（如收缩压显著下降≥15 mm Hg、胸痛或室性心律失常）。

本研究聚焦于干预组参与者，他们均被提供Fitbit Inspire设备（Fitbit LLC）。该研究通过NYU格罗斯曼医学院的单一机构审查委员会批准。

试验干预

干预的详细信息此前已有发表[21]。简而言之，干预组参与者被纳入为期3个月的mHealth-CR项目，与传统门诊CR项目的持续时间相同。该项目包括三个组成部分：mHealth-CR软件、运动治疗师咨询和远程生理监测。由Moving Analytics开发的mHealth-CR软件在试验期间提供在三星Galaxy平板电脑（三星电子有限公司）上。咨询包括一次初始面诊和每周电话会议，参与者被要求每周至少锻炼5天。该干预遵循美国第二版《美国人身体活动指南》[22]，并得到美国心脏协会的认可。具体而言，建议参与者每周至少进行150分钟的中等强度有氧身体活动（分散在一周内，例如每周5次，每次30分钟）、每周至少2天的肌肉强化活动（使用提供的弹性阻力带），以及为老年人推荐的平衡训练[21]。运动强度使用Borg自觉用力率量表评定（目标范围11-14），建议根据每周电话中的自觉用力和步数数据进行调整，遵循指南认可的适应较低运动目标的原则。远程监测使用Fitbit Inspire加速度计和欧姆龙HEM-920T血压计进行，两者均通过蓝牙连接到研究平板电脑，数据可通过Moving Analytics平台访问。本研究重点分析加速度测量数据，详细内容见后续部分。

加速度测量数据

数据提取：分配到干预组的参与者被要求将Fitbit Inspire设备作为mHealth-CR项目的一部分连续佩戴90天。前50%的参与者佩戴Fitbit Inspire，后50%的参与者佩戴Fitbit Inspire 2（因前者停产）。所有Inspire型号使用相同的活动评估算法。干预期结束后，从Fitbit网站以JSON格式导出每位研究参与者的参与者级别数据。从Fitbit网站下载JSON文件后，我们使用Python脚本提取和汇总每位参与者的每日活动指标，包括步数、距离和活动分钟数（即久坐、轻度活动、中等或相当活动以及剧烈或高强度活动）。每日中高强度身体活动（MVPA）分钟数通过将每日中等和高强度活动分钟数相加计算得出。对数据进行解析，时间戳标准化为本地日期，并按日期汇总指标。数据集进行子集化，仅包含每位参与者90天干预期对应的日期。这一过程生成了一个每位参与者的90天步数、久坐时间和MVPA分钟数的整合数据集，以Excel（微软公司）格式导出供后续分析。

定义加速度计使用的总体依从性：我们计算的第一个依从性指标是总体依从性，定义为参与者在90天测量期内佩戴加速度计的天数百分比。我们将"有效佩戴日"定义为参与者在Fitbit上记录至少100步的任何一天。这一阈值基于先前研究，表明每天少于100步可能反映非佩戴时间[23]。90天干预期内的任何一天根据是否为有效（1）或无效（0）佩戴日分配二进制值（0/1）。总体依从性计算为90天中有效天数的数量（和百分比）。

加速度计依从性轨迹：超越上述简单的总体依从性指标，我们接下来试图量化依从性在90天测量期内如何演变。为此，将90天的有效/无效佩戴日序列划分为六个15天周期，以高效稳健地总结研究过程中的依从性模式。六个15天周期（第1-15天、16-30天、31-45天、46-60天、61-75天和76-90天）中每个周期的依从性定义为每个15天窗口内的有效佩戴天数。最后，我们将每位参与者的"依从性轨迹"定义为代表每个连续15天窗口依从性的6个数字的时间序列。

AI衍生的依从性表型：然后，我们使用k均值聚类技术根据参与者依从性轨迹的形状识别不同的加速度计依从性表型。著名的轮廓指数用于确定最佳聚类数k（或表型）。根据轮廓曲线（附录1中的图S1），确定k的3个候选值为k=2、5或8，分别为参与者依从性模式提供低、中和高分辨率视图。本研究聚焦于低和高分辨率视图，以避免冗余，同时提供加速度计使用依从性如何与我们感兴趣的结果相关联的完整图景。

按表型计算活动指标：最后，为检查较高依从性表型是否也具有更高的整体活动水平，我们计算了每个表型在90天研究期内的平均每日步数、每日久坐时间和每周MVPA分钟数。

结果

我们的研究结果是基线到研究结束（3个月）的6分钟步行距离（6-MWD）变化，这也是先前发表的RESILIENT功效分析的主要结果[17]。6-MWD通过在6分钟内在平坦表面上测量步行距离来评估有氧能力和耐力，使用标准化路线。该测试由临床认证的评估员（护士或运动治疗师）在基线和3个月干预结束时进行。基线和90天之间步行距离（米）的差异是评估干预对功能能力影响的主要指标。

协变量

我们在线性回归模型中包含几个变量作为协变量，包括年龄、BMI、自我报告的性别、种族、民族和入组地点。我们通过为糖尿病、心力衰竭、慢性肾病、骨关节炎和抑郁症（患者健康问卷-8评分≥10）分配二进制值（1=存在，0=不存在）来创建复合共病评分，这些数据从每位患者的医疗记录中提取。这些值相加以生成每位参与者的总分（范围0-5），用于我们的回归模型以调整共病状况。

统计分析

使用t检验对连续变量进行成对比较，使用卡方检验对分类变量进行比较。使用线性回归对依从性指标作为暴露（总体依从性或依从性表型）与基线到干预结束（即90天）6-MWD变化作为结果之间的关联进行建模，同时调整前述协变量。使用方差分析（ANOVA）对依从性表型的活动指标进行比较，随后使用Tukey's诚实显著差异检验进行事后成对比较。预先设定P值为0.05作为统计显著性的标准。所有分析均使用Python软件和"statsmodels"包进行[24]。

处理缺失数据

缺失加速度测量数据：对于依从性表型分析，缺失加速度测量数据的天数被视为无效佩戴日，并直接告知表型分析。相比之下，对于估计每个表型的90天步数、久坐时间和MVPA，这些指标的缺失值通过以下方式插补：为估计包含无效佩戴日缺失数据的每个15天窗口内的步数，我们使用滚动窗口方法实施插补策略。天数被分组为连续的15天间隔。在每个间隔内，无效日的缺失步数、久坐时间和MVPA值通过计算同一间隔内有效日的平均值进行插补。如果一个间隔内没有有效日，则使用最近之前具有有效数据的间隔的平均值进行插补。选择此方法是为了保留数据的时间结构，并尽量减少与缺失数据相关的潜在偏差。

缺失6-MWD数据：仅完成基线和3个月后6-MWD的参与者被纳入分析。将被排除分析的参与者的特征与最终纳入样本进行比较，以评估我们的发现是否可推广到被排除的子集。

伦理考虑：本研究遵循单一机构审查委员会流程，并获得NYU格罗斯曼医学院机构审查委员会（18-02017）[17]的批准。参与者提供了书面知情同意，包括对Fitbit身体活动数据的分析。本研究分析的所有数据均为去标识化。参与者最多获得115美元补偿，包括25美元完成基线访视和90美元完成随访；没有与加速度计佩戴依从性相关的特定补偿。

结果

参与者特征

在2020年1月9日至2024年1月10日期间，共有298名参与者被纳入研究的干预组。其中，27名参与者因退出或失访而缺失3个月时的6-MWD，被排除在我们的分析之外。最终271名参与者的平均年龄为71（标准差8）岁，73%为男性，20%为非白人，8%为西班牙裔/拉丁裔。平均BMI为28（标准差5）kg/m²，61%的参与者至少有一种共病。基线时，平均6-MWD为396.8（标准差95.1）米。3个月干预后，这一数值增加到435.8（标准差101.4）米（P<0.001）（表1）。

尽管他们仅占入组队列的一小部分，我们比较了27名被排除参与者与最终分析中包含的271名参与者的特征（附录1中的表S1）。这些参与者年龄稍大（平均75，标准差7岁），种族更多样化（27人中13人或48%为非白人），基线6-MWD较低（平均309.8，标准差88.4米）（所有P<0.05）。

表1. 队列特征（N=271）

aNYU：纽约大学。

bUMass：马萨诸塞大学。

c6-MWD：6分钟步行距离。

总体依从性与6-MWD变化

加速度计使用的平均总体依从性为84%（95%置信区间81%-87%）或90天测量期内76（95%置信区间73-78）个有效佩戴日。图1显示了总体依从性的分布。在271名参与者中，252名（93%）佩戴加速度计至少30天，228名（84%）佩戴至少60天。

我们首先检查了总体依从性与6-MWD变化之间的单变量关联，发现两者之间存在正相关（β=0.44；95%置信区间0.06-0.82；P=0.02）。在调整人口统计学和临床协变量后，总体依从性与6-MWD变化之间存在无显著关联（β=0.37；95%置信区间-0.04至0.77；P=0.08）（表2）。这些发现表明，加速度计使用依从性每增加30天，6-MWD改善11米。年龄与6-MWD变化存在微弱关联，年龄较大的参与者6-MWD评分改善更大（β=1.09；95%置信区间：-0.02至2.21；P=0.05）。其他变量均未与6-MWD变化显著相关。

图1. 显示加速度计使用依从性分布的直方图，定义为90天测量期内加速度计的有效佩戴天数。X轴显示有效佩戴天数，Y轴显示具有相应有效加速度计佩戴天数的参与者数量（N=271）。

表2. 以总体加速度计依从性为暴露、6分钟步行距离（6-MWD）变化为结果的线性回归模型，调整人口统计学和临床协变量（N=271）

aNYU：纽约大学。

bUMass：马萨诸塞大学。

依从性轨迹形状与6-MWD变化的关联

超越整个90天期的总体依从性，我们随后检查了精细的AI衍生依从性表型与6-MWD变化的关联。按照方法部分提供的理由，我们呈现了使用k均值聚类算法在2个分辨率下得出的依从性表型结果：低分辨率（k=2）和高分辨率（k=8）。

使用k均值（k=2）得出的加速度计依从性表型如图2所示。确定的2个聚类代表持续高依从性（平均83，标准差9有效佩戴日）表型和低且下降依从性（平均25，标准差17有效佩戴日）表型。与持续高聚类相比，低依从聚类种族更多样化（44% vs 16%非白人；P<0.001），更可能来自非NYU Langone研究地点（50% vs 36%非NYU Langone；P=0.007）（附录1中的表S2）。持续高依从聚类的6-MWD从基线时的平均400.3（标准差97.8）米改善到3个月时的443.8（标准差99.5）米（P<0.001）。相比之下，低且下降依从聚类的参与者在6-MWD上没有统计学上显著的变化，从基线时的平均373.7（标准差73.4）米增加到3个月时的388.5（标准差100.6）米（P=0.24）。在调整后的分析中，依从性表型与6-MWD变化存在微弱关联，低且下降依从聚类的参与者6-MWD改善平均比持续高依从聚类少25米（β=-24.6；95%置信区间：-49.9至0.7；P=0.06）（表3）。年龄与6-MWD变化存在微弱关联（P=0.054）。

图2. 使用k均值聚类（k=2）识别的加速度计依从性表型。两条轨迹代表每个聚类内所有依从性轨迹的平均值。X轴表示15天时间点（第1-15天；16-30天；...；76-90天）。Y轴表示每个15天窗口的依从性，作为有效佩戴天数的百分比。

表3. 以k均值聚类（k=2）加速度计依从性表型为暴露、6分钟步行距离（6-MWD）变化为结果的线性回归模型，调整人口统计学和临床协变量（N=271）

aNYU：纽约大学。

bUMass：马萨诸塞大学。

使用k均值（k=8）得出的加速度计依从性表型如图3所示，展示了参与者中更精细的依从性行为模式。对于每个聚类，我们根据其视觉外观将其标记如下：持续高依从性（n=142，98%总体依从性）、高且后期下降依从性（n=56，89%总体依从性）、上升依从性（n=9，74%总体依从性）、中等依从性（n=9，77%总体依从性）、下降后上升依从性（n=11，72%总体依从性）、低至中等依从性（n=16，64%总体依从性）、低依从性（n=18，29%总体依从性）和最低依从性（n=10，7%总体依从性）。上升、中等和下降后上升依从性聚类的总体依从性水平在10个百分点内，但具有不同的依从性轨迹形状，表明加速度计使用中未被总体依从性指标捕捉到的差异（图3）。

图3. 使用k均值聚类（k=8）识别的加速度计依从性表型。每条轨迹代表一名参与者。X轴表示15天时间点（第1-15天；16-30天；...；76-90天）。Y轴表示每个15天窗口的依从性，作为有效佩戴天数的百分比。

当检查每个聚类内的参与者分布时（附录1中的表S3），超过三分之二的参与者被分配到持续高依从性聚类（271人中的142人，52%）或高且后期下降依从性聚类（271人中的56人，21%），表明在3个月研究期内对加速度计使用的相对较高依从性。然后我们检查了每个聚类的基线、3个月和3个月内6-MWD的变化（附录1中的表S3）。持续高、高且后期下降和上升依从性聚类的参与者6-MWD显著改善，分别为46米（P<0.001）、36米（P=0.001）和87米（P<0.001）。其他聚类的参与者在3个月干预期内6-MWD没有统计学上显著的变化。一个值得注意的例外是最小依从性聚类，其总体依从性最低，但6-MWD改善呈边界显著（P=0.05）。8个聚类的详细人口统计学和临床特征也见附录1中的表S4。

接下来，我们旨在估计k=8 k均值聚类的依从性表型与6-MWD变化之间的关联，调整协变量（表4）。与持续高依从性聚类相比，低依从性聚类的6-MWD变化低39米（β=-38.47（95%置信区间-74.73至-2.21；P=0.04）。在此回归分析中，无其他人口统计学或临床协变量与结果相关。值得注意的是，最小依从性聚类在调整后的分析中不再显示与6-MWD变化的关联。

表4. 以k均值聚类（k=8）加速度计依从性表型为暴露、6分钟步行距离（6-MWD）变化为结果的线性回归模型，调整人口统计学和临床协变量。聚类按总体依从性从高到低排序（N=271）

aNYU：纽约大学。

bUMass：马萨诸塞大学。

最后，对于8个聚类中的每一个，我们计算了整个3个月干预期内的标准化加速度计衍生身体活动参数，如步数以及久坐或中高强度身体活动（MVPA）所花时间。非依从日（<100步）的加速度计指标使用方法部分"处理缺失数据"子节中提到的滚动窗口均值插补方法进行插补。8种表型的每日步数、每周MVPA和每日久坐时间见附录1中的表S5。8种表型在每日步数（P=0.008）和久坐时间上存在统计学显著差异（P=0.005）。在事后成对比较中，低依从表型（均值4800，标准差2920步）比持续高表型（均值7518，标准差3415步；P=0.03）少2718步（95%置信区间149-5286）。每周MVPA和久坐时间的成对比较均无显著性。

讨论

主要发现

可穿戴加速度计已成为mHealth-CR干预的组成部分[25]。利用RESILIENT试验的加速度测量数据，我们试图检查加速度计使用依从性是否与接受mHealth-CR的老年患者功能能力改善相关。有几个关键发现。首先，我们观察到加速度计使用的依从性相当高：271名参与者中有228名（84%）在90天测量期内至少佩戴60天。其次，我们发现一个简单的总体依从性指标——90天干预期内有效佩戴天数的百分比——在调整后的分析中与6-MWD改善存在微弱关联。第三，使用基于AI的k均值聚类算法更细致地区分加速度计使用模式，我们观察到较高依从性表型与6-MWD改善的关联比低依从性表型弱。缺乏统计显著性可能由较低依从性表型的样本量较小解释，因为少于20%的参与者被分配到较低依从性表型（无论聚类分辨率k=2或8）。先前研究发现6-MWD改善25至35米具有临床意义[26-28]。值得注意的是，在k=2和k=8聚类分析中，较高依从性表型平均改善超过40米，而较低依从性表型平均6-MWD改善低于25米，显示出加速度计使用依从性与功能能力改善之间的潜在关系。然而，一些在未调整分析中显示6-MWD显著改善的较高依从性聚类可能由于样本量小而产生偏差；因此，需要进一步研究以检查其普遍性。尽管在检测功能能力改善差异方面效能不足，我们的AI表型分析仍提供了干预过程中与加速度计使用相关的行为模式的丰富视角。基于AI的行为表型可能特别适合利用行为经济学原理来提高参与度和依从性的个性化mHealth-CR[29]。

与先前工作的比较

我们研究中老年人对加速度计使用的相对高依从性与另一项研究相似，该研究检查了SafeHeart研究中303名成年人对腕部加速度计的使用依从性，发现五分之四的参与者在6个月的研究期内佩戴其加速度计超过75%的时间[30]。其他针对老年人的研究也发现mHealth-CR的高依从性[2,31]。更广泛地说，越来越多的证据表明，在老年人中使用可穿戴设备和mHealth进行居家锻炼干预是可行的[32,33]。然而，这些发现和我们自己的发现必须放在临床研究的背景下解释，其中参与者比普通人群更具积极性；其他针对美国成年人的一般研究发现，不到一半拥有可穿戴设备的人报告每天佩戴[34]。

局限性

我们的研究有几个重要局限性。首先，我们使用了干预组参与者的便利样本，较低依从性表型中较小的参与者数量可能阻止我们看到加速度计依从性与6-MWD改善之间更强的关联。测试多种依从性模型（总体依从性、k=2聚类和k=8聚类）可能增加了I类错误的可能性。因此，来自精细8聚类分析的统计显著发现需要谨慎解释，因为较低依从性聚类的样本量小。相比之下，10名参与者的最小依从性聚类显示6-MWD改善呈边界显著趋势，与我们的预期相反。虽然这种关联在调整后的分析中消失了，但未来仍可能需要进一步研究以了解可能通过传统方法参与CR但可能不喜欢使用可穿戴设备的人群。其次，6分钟步行测试可能存在天花板效应[35]，可能无法显示功能能力相对较高或行走问题最少的人群中的显著改善。更剧烈的测试，如最大分级运动测试[36]，可能在我们的人群中揭示更大的改善，尽管这仍是推测性的。第三，先前研究表明，运动类型和速度以及Fitbit的放置会影响步数计数的准确性[37]，这可能影响了我们计算的依从性值。Fitbit设备也因佩戴不当而存在一定程度的误差[38]。100步的有效Fitbit佩戴阈值虽基于先前研究[23]，但可能未能考虑到佩戴设备的高度久坐日。虽然使用滚动窗口均值插补方法对步数、久坐时间和MVPA的估计对于8个聚类中的6个（>64%依从性；90%样本）预计是稳健的，但对于低和最小依从性聚类（<30%依从性；10%样本）可能有偏差。未来使用更严格的方法处理随机缺失数据，如链式方程多重插补[39]和自编码器[40]，可能更好地估计高度不依从参与者的这些活动指标。298名入组参与者中仅有27名（<10%）因退出或失访等原因被排除在分析之外，这一小数量不太可能改变我们的研究结果。然而，我们观察到该组比我们的研究样本种族更多样化且基线6-MWD较低，这值得在未来mHealth-CR研究中进一步调查。最后，我们的研究在65岁及以上缺血性心脏病患者中进行；因此，此人群中识别的加速度计表型可能不适用于年轻年龄组或患有不同心脏疾病的个体（如瓣膜性心脏病）的mHealth-CR[41]。

未来方向

我们的AI表型分析展示了识别关键时间窗口以进行有针对性干预的能力，这些时间窗口可能被更简单的依从性测量所遗漏。例如，在8聚类分析中，与持续高依从性表型相比，6-MWD改善显著较低的低依从性表型在30至60天窗口内显示Fitbit使用急剧下降。另一个例子是中等依从性表型，其在45至60天之间表现出明显的依从性下降，表明在2个月后增加监测和支持可能特别有益于这些患者，以保持对研究干预的参与度。考虑到RESILIENT主要试验的阴性发现，这些见解对于指导未来的mHealth-CR干预特别有用，其中可能针对参与者亚组在干预过程中给予更多或更少的关注。一个临床实施策略示例可能是3个月的标准mHealth-CR以识别患者的表型，随后是3个月的个性化mHealth-CR项目，其内容和频率基于患者的表型进行调整。在只能进行3个月mHealth-CR的环境中，未来研究可能探索使用第一个月进行表型分析，随后2个月进行个性化mHealth-CR，以在固定的3个月时间框架内结合个性化的好处。在AI和数字健康干预日益普及的时代，我们的研究结果为使用可穿戴设备和AI优化mHealth-CR参与度提供了框架，最终为接受CR的更多个体带来改善的结果。

结论

总之，在一项针对老年人mHealth-CR的多中心研究中，我们全面描述了加速度计使用依从性作为功能能力改善的指标。使用简单和AI衍生方法，我们在研究人群中观察到加速度计依从性与6-MWD改善之间存在微弱关联。我们的发现表明，加速度计可能为临床医生提供客观见解，以个性化mHealth-CR方案，为接受mHealth-CR的老年患者带来最佳益处。

致谢

本研究获得了美国国家衰老研究所（NIA；R01AG062520）的资助。JAD还获得了NIA的中期职业指导奖（K24AG080025）。SB获得了美国心脏协会第二世纪早期职业独立奖（24SCEFIA1252353）。美国国立卫生研究院和美国心脏协会在研究设计和实施；数据的收集、管理、分析和解释；手稿的准备、审查或批准；以及提交手稿发表的决定中均未发挥作用。Dodson博士和Barua博士完全接触研究中的相关数据，并对数据的完整性和数据分析的准确性负责。使用了人工智能（AI）工具（纽约大学Langone安全内部版本的OpenAI ChatGPT-4平台）来建议手稿的语法和语义改进。

【全文结束】