Handgelenk-Wearables zeigen in einer Metaanalyse von 44 Studien keinen Zusammenhang zwischen Schlafmetriken und Angst
Eine Metaanalyse von 44 Studien mit Wearables fand keinen Zusammenhang zwischen Schlaf und Angst, während geringe körperliche Aktivität und eine hohe Herzfrequenz nur lose mit Angst einhergingen. Wearables sind am aussagekräftigsten, wenn sie mit anderen Daten kombiniert werden.
Zusammenfassung
Forschende fassten 44 Studien (42 Artikel) zusammen, die untersuchten, ob Daten von am Handgelenk getragenen Wearables Angst bei Erwachsenen abbilden. Die Stichprobengrößen reichten von 17 bis 170.320. Gepoolte Analysen von vier Schlafparametern (Schlafeffizienz, Wachzeit nach dem Einschlafen, Gesamtschlafzeit, Einschlaflatenz) ergaben keinen signifikanten Zusammenhang mit Angst. Narrative Synthesen, die auf weniger Studien beruhten, deuteten darauf hin, dass geringere körperliche Aktivität und eine höhere Herzfrequenz mit stärkeren Angstsymptomen einhergehen. Machine-Learning-Modelle, die ausschließlich Wearable-Daten nutzten, schnitten uneinheitlich ab und verbesserten sich, wenn sie mit Selbstauskünften oder klinischen Daten kombiniert wurden. Die inferenzstatistischen Studien waren überwiegend von mittlerer Qualität und beobachtend (Querschnitts- oder Längsschnittstudien), sodass sie keine Kausalität belegen können. Wearables erscheinen vielversprechender als eine von mehreren Informationsquellen denn als eigenständige Screening-Instrumente für Angst.
Detaillierte Zusammenfassung
Angst ist weltweit die häufigste psychische Erkrankung: 2019 waren schätzungsweise 301 Millionen Menschen betroffen, und bei älteren Erwachsenen wird sie mit einem höheren Demenzrisiko in Verbindung gebracht. Die derzeitige Beurteilung stützt sich auf Selbstbeurteilungsfragebögen und klinische Interviews, die rückblickend erfolgen, ressourcenintensiv sind und nur Momentaufnahmen liefern. Passive, kontinuierliche Daten von am Handgelenk getragenen Wearables könnten diese Lücke grundsätzlich schließen. Diese Übersichtsarbeit ging daher der Frage nach, ob aus Wearables abgeleitete digitale Biomarker mit Angst assoziiert sind.
Die Autoren durchsuchten sechs Datenbanken, einschließlich grauer Literatur, bis September 2025 (PROSPERO CRD42023409995). Eingeschlossen wurden Querschnitts- oder Längsschnittstudien an Erwachsenen, in denen am Handgelenk getragene Geräte für die Forschung oder für Verbraucher verwendet wurden und Angst mit standardisierten Verfahren (Selbstbeurteilungsfragebögen oder klinische Diagnosen) erfasst wurde. Vierundvierzig Studien aus 42 Artikeln erfüllten die Kriterien: 36 nutzten inferenzstatistische Verfahren (21 zu Schlaf, 8 zu körperlicher Aktivität, 2 zur Herzfrequenzvariabilität, 5 zu mehreren Arten) und 8 maschinelles Lernen. Die Stichprobengrößen reichten von 17 bis 170.320.
Die vier Metaanalysen zum Schlaf waren allesamt nicht signifikant. Die Schlafeffizienz ergab Fisher z=-0,07 (95-%-KI -0,14 bis 0,002; P=0,06), die Wachzeit nach dem Einschlafen z=0,13 (KI -0,04 bis 0,30; P=0,11), die Gesamtschlafzeit z=0,009 (KI -0,01 bis 0,03; P=0,28) und die Einschlaflatenz z=0,04 (KI -0,07 bis 0,15; P=0,08). Die Prädiktionsintervalle waren breit (zum Beispiel -0,19 bis 0,05 für die Schlafeffizienz). Das bedeutet, dass eine zukünftige Studie plausiblerweise einen moderaten Effekt in beide Richtungen finden könnte. Es wurden Random-Effects-Modelle verwendet, mit Sensitivitätsanalysen nach Angsttyp (State- oder Trait-Angst) und Altersgruppe.
Körperliche Aktivität und Herzfrequenz konnten nicht gepoolt werden und wurden narrativ zusammengefasst. Geringere körperliche Aktivität und eine höhere Herzfrequenz waren mit stärkeren Angstsymptomen assoziiert, wobei dies auf wenigen Studien beruht. Die acht Studien zum maschinellen Lernen zeigten eine uneinheitliche Leistung, wenn ausschließlich Wearable-Daten verwendet wurden; die Vorhersage verbesserte sich, wenn Wearable-Daten mit anderen Quellen wie Selbstauskünften und klinischen Daten kombiniert wurden.
Die praktische Botschaft: Vier nicht signifikante Schlafmetriken begrenzen die Aussage, dass Schlafmaße im Stil der Aktigrafie Angst abbilden, entkräften aber nicht die Signale zu Aktivität und Herzfrequenz. Diese bleiben plausibel und sollten in besseren Studiendesigns geprüft werden. Die Autoren schließen, dass digitale Biomarker wahrscheinlich nützlicher sind, wenn sie mit anderen Informationen kombiniert werden, als wenn sie allein als Screening-Instrumente eingesetzt werden.
Die Einschränkungen sind erheblich. Die meisten inferenzstatistischen Studien wurden als von mittlerer Qualität bewertet, die Designs waren beobachtend (Querschnitt oder Längsschnitt), und die Sensitivitätsanalysen mussten zwischen State- und Trait-Angst unterscheiden. Studien, die nicht gepoolt werden konnten, wurden narrativ zusammengefasst, und eine Assoziation belegt nicht, dass Veränderungen von Aktivität oder Herzfrequenz Angst verursachen oder vorhersagen. Für Studien zum maschinellen Lernen gibt es kein validiertes Instrument zur Qualitätsbewertung, weshalb die Autoren ein modifiziertes QUADAS-2 angepasst haben.
Wichtigste Erkenntnisse
- 44 studies from 42 articles met criteria: 36 inferential (21 sleep, 8 activity, 2 HRV, 5 multiple) and 8 machine learning; N ranged 17 to 170,320
- Sleep efficiency was not significantly associated with anxiety (Fisher z=-0.07, 95% CI -0.14 to 0.002, P=.06)
- Wake after sleep onset (z=0.13, P=.11), total sleep time (z=0.009, P=.28) and sleep onset latency (z=0.04, P=.08) were all null
- Narratively, lower physical activity and higher heart rate were associated with greater anxiety symptoms, based on limited studies and not pooled
- Machine learning on wearable data alone performed variably; performance improved when combined with self-report or clinical data
- Inferential studies were mostly of fair quality on the NHLBI tool; designs were cross-sectional or longitudinal
- Prior machine learning meta-analyses reported about 82% accuracy for anxiety classification, cited as context
Methodik
Systematische Übersichtsarbeit und Metaanalyse nach PRISMA, registriert in PROSPERO, mit Recherche in 5 Datenbanken sowie in ProQuest und Google Scholar bis September 2025. Die Studien wurden von zwei Personen unabhängig voneinander gesichtet (Übereinstimmung zwischen den Beurteilenden anhand von Cohens Kappa bewertet). Das Risiko für Verzerrungen (Risk of Bias) wurde für inferenzstatistische Studien mit dem NHLBI-Instrument und für Studien zum maschinellen Lernen mit einem modifizierten QUADAS-2 bewertet. Soweit möglich, wurden für jeden digitalen Biomarker Metaanalysen mit Random-Effects-Modell durchgeführt, wobei Prädiktionsintervalle angegeben wurden; Sensitivitätsanalysen erfolgten nach Angsttyp (Zustands- oder Eigenschaftsangst) und Altersgruppe. Studien zu Aktivität, Herzfrequenz und maschinellem Lernen wurden narrativ zusammengefasst.
Studienlimitierungen
Die eingeschlossenen inferenzstatistischen Studien waren überwiegend von mittlerer Qualität und beobachtend (Querschnitts- oder Längsschnittstudien), was Rückschlüsse auf Kausalität einschränkt. Studien, die nicht gepoolt werden konnten, wurden narrativ zusammengefasst, und die Ergebnisse zu Aktivität, Herzfrequenz und maschinellem Lernen beruhen auf einer begrenzten Anzahl von Studien. Da es für Studien zum maschinellen Lernen kein validiertes Instrument zur Qualitätsbewertung gibt, wurde eine modifizierte Version von QUADAS-2 verwendet. Im bereitgestellten Text wurden keine Interessenkonflikte angegeben.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben:
