Faktori koji utiču na kvalitet podataka o nosivim uređajima koje generišu osobe i povezani izazovi: brzi sistematski pregled.
JMIR mHealth and uHealth
Sažetak istraživanja
Pozadina Sve je veći interes za ponovno korištenje podataka o nosivim uređajima koje generira osoba u istraživačke svrhe, što izaziva zabrinutost za kvalitet podataka. Međutim, količina literature o izazovima kvaliteta podataka, posebno onih za podatke o nosivim uređajima koje stvaraju osobe, je rijetka.
Cilj Ova studija ima za cilj da sistematski pregleda literaturu o faktorima koji utiču na kvalitet podataka o nosivim uređajima koje generiše osoba i sa njima povezanim unutrašnjim izazovima kvaliteta podataka za istraživanje.
Metode Literatura je pretražena u bazama podataka PubMed, Asocijacije za računarske mašine, Instituta inženjera elektrotehnike i elektronike i Google Scholar koristeći termine za pretragu koji se odnose na nosive uređaje i kvalitet podataka. Koristeći PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-analyses) smjernice, studije su pregledane kako bi se identifikovali faktori koji utiču na kvalitet podataka o nosivim uređajima. Studije su bile prihvatljive ako su uključivale sadržaj o kvaliteti podataka nosivih uređaja, kao što su fitnes trackeri i monitori za spavanje. U pregled su uključeni i nosivi uređaji za istraživanje i za potrošače. Relevantni sadržaj je označen i iterativno kategoriziran u semantički slične faktore sve dok nije postignut konsenzus. Ako su u studiji spomenuti izazovi u pogledu kvaliteta podataka, i ti su sadržaji izdvojeni i kategorizirani.
Rezultati U pregled je uključeno ukupno 19 radova. Identifikovali smo tri faktora visokog nivoa koji utiču na faktore koji se odnose na kvalitet podataka - uređaj i tehnički, faktore koji se odnose na korisnike i faktore vezane za upravljanje podacima. Faktori vezani za uređaj i tehnički uključuju probleme sa hardverom, softverom i vezom uređaja; faktori povezani sa korisnikom uključuju neistrošenost uređaja i grešku korisnika; a faktori vezani za upravljanje podacima uključuju nedostatak standardizacije. Identifikovani faktori mogu potencijalno dovesti do intrinzičnih izazova kvaliteta podataka, kao što su nepotpuni, netačni i heterogeni podaci. Iako su nedostajući i netačni podaci općepoznati izazovi kvaliteta podataka za nosive uređaje, heterogenost podataka je još jedan aspekt kvaliteta podataka koji treba uzeti u obzir za nosive uređaje. Heterogenost u podacima o nosivim uređajima postoji na tri nivoa: heterogenost u podacima koje generiše jedna osoba koristeći jedan uređaj (heterogenost unutar osobe); heterogenost podataka koje generiše više ljudi koji koriste istu marku, model i verziju uređaja (heterogenost između osoba); i heterogenost u podacima generisanim od više ljudi koji koriste različite uređaje (heterogenost između osoba), što bi se posebno odnosilo na podatke prikupljene u okviru politike „donesi svoj uređaj“.
Zaključci Naša studija identifikuje potencijalne intrinzične izazove kvaliteta podataka koji bi se mogli pojaviti prilikom analize podataka o nosivim uređajima za istraživanje i tri glavna faktora koji doprinose tim izazovima. Kako loš kvalitet podataka može ugroziti pouzdanost i tačnost rezultata istraživanja, potrebno je dalje istraživanje o tome kako se suočiti s izazovima kvaliteta podataka nosivih uređaja.
Prikaži originalni naslov i sažetak na engleskom
Factors Affecting the Quality of Person-Generated Wearable Device Data and Associated Challenges: Rapid Systematic Review.
Background There is increasing interest in reusing person-generated wearable device data for research purposes, which raises concerns about data quality. However, the amount of literature on data quality challenges, specifically those for person-generated wearable device data, is sparse.
Objective This study aims to systematically review the literature on factors affecting the quality of person-generated wearable device data and their associated intrinsic data quality challenges for research.
Methods The literature was searched in the PubMed, Association for Computing Machinery, Institute of Electrical and Electronics Engineers, and Google Scholar databases by using search terms related to wearable devices and data quality. By using PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines, studies were reviewed to identify factors affecting the quality of wearable device data. Studies were eligible if they included content on the data quality of wearable devices, such as fitness trackers and sleep monitors. Both research-grade and consumer-grade wearable devices were included in the review. Relevant content was annotated and iteratively categorized into semantically similar factors until a consensus was reached. If any data quality challenges were mentioned in the study, those contents were extracted and categorized as well.
Results A total of 19 papers were included in this review. We identified three high-level factors that affect data quality-device- and technical-related factors, user-related factors, and data governance-related factors. Device- and technical-related factors include problems with hardware, software, and the connectivity of the device; user-related factors include device nonwear and user error; and data governance-related factors include a lack of standardization. The identified factors can potentially lead to intrinsic data quality challenges, such as incomplete, incorrect, and heterogeneous data. Although missing and incorrect data are widely known data quality challenges for wearable devices, the heterogeneity of data is another aspect of data quality that should be considered for wearable devices. Heterogeneity in wearable device data exists at three levels: heterogeneity in data generated by a single person using a single device (within-person heterogeneity); heterogeneity in data generated by multiple people who use the same brand, model, and version of a device (between-person heterogeneity); and heterogeneity in data generated from multiple people using different devices (between-person heterogeneity), which would apply especially to data collected under a bring-your-own-device policy.
Conclusions Our study identifies potential intrinsic data quality challenges that could occur when analyzing wearable device data for research and three major contributing factors for these challenges. As poor data quality can compromise the reliability and accuracy of research results, further investigation is needed on how to address the data quality challenges of wearable devices.
Izvorni podaci
- DOI
- 10.2196/20738
- PMID
- 33739294
- PMCID
- PMC8294465
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom