Sleep & RecoveryArticolo di ricercaAccesso aperto

I dispositivi indossabili da polso non mostrano alcun legame tra le metriche del sonno e l'ansia in una meta-analisi di 44 studi

Una meta-analisi di 44 studi sui dispositivi indossabili non ha trovato alcun legame tra sonno e ansia, mentre una bassa attività fisica e una frequenza cardiaca elevata sono risultate associate all'ansia solo in modo debole. I dispositivi indossabili funzionano meglio se abbinati ad altri dati.

venerdì 20 novembre 2026 2 visualizzazioni
Pubblicato in J Med Internet Res
a person's wrist wearing a fitness smartwatch showing heart rate, resting on a bedside table beside a notebook

Riepilogo

Un gruppo di ricercatori ha aggregato 44 studi (42 articoli) per verificare se i dati dei dispositivi indossabili da polso permettano di monitorare l'ansia negli adulti. La numerosità campionaria variava da 17 a 170.320 partecipanti. Le analisi aggregate di quattro misure del sonno (efficienza del sonno, tempo di veglia dopo l'addormentamento, durata totale del sonno, latenza di addormentamento) non hanno rilevato alcuna associazione significativa con l'ansia. Le sintesi narrative, basate su un numero minore di studi, suggeriscono che una minore attività fisica e una frequenza cardiaca più alta si associno a sintomi d'ansia più marcati. I modelli di machine learning che utilizzavano solo i dati dei dispositivi indossabili hanno mostrato prestazioni disomogenee, migliorando quando venivano combinati con dati autoriferiti o clinici. Gli studi inferenziali erano per lo più di qualità discreta e di tipo osservazionale (trasversali o longitudinali), quindi non possono dimostrare un rapporto di causa-effetto. I dispositivi indossabili appaiono più promettenti come una fonte di informazioni tra le altre che come strumenti autonomi per lo screening dell'ansia.

Riepilogo Dettagliato

L'ansia è la condizione di salute mentale più diffusa al mondo, con circa 301 milioni di persone colpite nel 2019, e negli adulti più anziani è stata associata a un rischio più elevato di demenza. La valutazione attuale si basa su questionari di autovalutazione e colloqui clinici, che sono retrospettivi, richiedono molte risorse e offrono solo istantanee. I dati passivi e continui provenienti da dispositivi indossabili da polso potrebbero, in linea di principio, colmare questa lacuna: questa revisione si è quindi chiesta se i biomarcatori digitali derivati da dispositivi indossabili siano associati all'ansia.

Gli autori hanno cercato in sei database, inclusa la letteratura grigia, fino a settembre 2025 (PROSPERO CRD42023409995). Hanno incluso studi trasversali o longitudinali su adulti che utilizzavano dispositivi da polso di livello di ricerca o consumer, con l'ansia misurata tramite valutazioni standardizzate (questionari di autovalutazione o diagnosi cliniche). Sono risultati idonei quarantaquattro studi tratti da 42 articoli: 36 hanno utilizzato la statistica inferenziale (21 sul sonno, 8 sull'attività fisica, 2 sulla variabilità della frequenza cardiaca, 5 su più tipi di dati) e 8 il machine learning. La numerosità dei campioni andava da 17 a 170.320.

Le quattro metanalisi sul sonno hanno dato tutte risultati nulli. L'efficienza del sonno ha dato una z di Fisher = -0,07 (IC 95% da -0,14 a 0,002; P=0,06), la veglia dopo l'addormentamento z=0,13 (IC da -0,04 a 0,30; P=0,11), il tempo totale di sonno z=0,009 (IC da -0,01 a 0,03; P=0,28) e la latenza di addormentamento z=0,04 (IC da -0,07 a 0,15; P=0,08). Gli intervalli di predizione erano ampi (ad esempio da -0,19 a 0,05 per l'efficienza del sonno), il che significa che un futuro studio potrebbe plausibilmente riscontrare un effetto modesto in entrambe le direzioni. Sono stati utilizzati modelli a effetti casuali, con analisi di sensibilità per tipo di ansia (di stato o di tratto) e per fascia d'età.

L'attività fisica e la frequenza cardiaca non hanno potuto essere aggregate e sono state sintetizzate in modo narrativo. Una minore attività fisica e una frequenza cardiaca più alta sono risultate associate a sintomi d'ansia più intensi, anche se ciò si basa su pochi studi. Gli otto studi di machine learning hanno mostrato prestazioni variabili quando si usavano i soli dati dei dispositivi indossabili, e la previsione migliorava quando questi dati venivano combinati con altre fonti, come l'autovalutazione e i dati clinici.

Il messaggio pratico è che un risultato nullo su quattro parametri del sonno limita l'affermazione che le misure del sonno di tipo actigrafico riflettano l'ansia, ma non scarta i segnali relativi ad attività e frequenza cardiaca, che restano plausibili e meritano di essere verificati con disegni di studio migliori. Gli autori concludono che i biomarcatori digitali sono probabilmente più utili se integrati con altre informazioni che se usati da soli come strumenti di screening.

I limiti sono rilevanti. La maggior parte degli studi inferenziali è stata giudicata di qualità discreta, i disegni erano osservazionali (trasversali o longitudinali) e le analisi di sensibilità hanno dovuto tenere conto della distinzione tra ansia di stato e di tratto. Gli studi che non potevano essere aggregati sono stati sintetizzati in modo narrativo, e un'associazione non dimostra che le variazioni di attività o frequenza cardiaca causino o predicano l'ansia. Non esiste uno strumento validato per la valutazione della qualità degli studi di machine learning, perciò gli autori hanno adattato una versione modificata di QUADAS-2.

Risultati Principali

  • 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

Metodologia

Revisione sistematica e meta-analisi condotta secondo le linee guida PRISMA e registrata in PROSPERO, con ricerca in 5 database, oltre a ProQuest e Google Scholar, fino a settembre 2025 e con selezione indipendente in doppio (concordanza tra valutatori misurata con il kappa di Cohen). Il rischio di bias è stato valutato con lo strumento NHLBI per gli studi inferenziali e con una versione modificata di QUADAS-2 per gli studi di machine learning. Dove possibile, sono state eseguite meta-analisi a effetti casuali per ciascun biomarcatore digitale, riportando gli intervalli di predizione e conducendo analisi di sensibilità in base al tipo di ansia (di stato o di tratto) e alla fascia d'età. Gli studi su attività fisica, frequenza cardiaca e machine learning sono stati sintetizzati in forma narrativa.

Limitazioni dello Studio

Gli studi inferenziali inclusi erano per lo più di qualità discreta e di tipo osservazionale (trasversali o longitudinali), il che limita l'inferenza causale. Gli studi che non potevano essere aggregati sono stati sintetizzati in forma narrativa, e i risultati relativi ad attività, frequenza cardiaca e machine learning si basano su un numero limitato di studi. Poiché non esiste uno strumento validato per valutare la qualità degli studi di machine learning, è stato utilizzato un QUADAS-2 modificato. Nel testo fornito non sono stati segnalati conflitti di interesse.

Ti è piaciuto questo riepilogo?

Ricevi ogni settimana le ultime ricerche sulla longevità direttamente nella tua casella email.

Inserisci la tua email per iscriverti: