Akıllı saatlerin yanlış öçme sorunları..

Leiden Üniversitesi öncülüğündeki çalışma, akıllı saatlerin “stres” olarak raporladığı verilerin kullanıcıların kendi hissettikleriyle güvenilir biçimde örtüşmediğini gösteriyor. Araştırma üç ay sürdü ve 800 genç yetişkin Garmin Vivosmart 4 modelleriyle izlenerek katılımcılardan günde dört kez anlık olarak  stres, yorgunluk ve uyku durumu bildirmeleri istendi. Bu düzen, cihaz verileri ile öz-bildirimlerin doğrudan karşılaştırılmasına olanak sağladı. Elde edilen temel bulgular şunlardı: akıllı saatin ölçtüğü stres ile kullanıcıların raporladığı stres arasında hemen hemen ilişki yoktu; katılımcıların yaklaşık dörtte birinde cihazın gösterdiği stres düzeyi, kişinin hissettiği durumun tam tersini işaret etti; yorgunluk göstergeleri strese göre biraz daha yüksek uyum gösterirken, uyku süresi subjektif dinlenmişlik hissiyle daha tutarlı bir ilişki sergiledi. Ancak uyku süresinin bile uyku kalitesi hakkında doğrudan bilgi vermediği vurgulandı.

Bu sonuçların anlamını ve olası nedenlerini daha derinleştirecek olursak, birkaç katmana ayrılmış açıklama yapmak gerekir:

1)   Ölçülen biyosinyalin doğası: Garmin gibi yaygın giyilebilir cihazlar kalp atış hızını ve kalp atım değişkenliğini (HRV) genellikle PPG) adı verilen optik sensörlerle ölçer. PPG, cilt altı kan akışındaki değişiklikleri ışık yansıması ile izler; bunu kalp ritmine dönüştürmek mümkündür ancak PPG tabanlı HRV, altın standart kabul edilen elektrokardiyografiye (EKG) göre daha gürültülüdür. Hareket, kötü oturma/yerleşim, düşük sinyal kalitesi, cilt tonu, koldaki tüylülük, gevşek-kaliteli bileklik temasları ve çevresel ışık gibi faktörler PPG sinyalini bozabilir ve yanlış HR/HRV değerlerine yol açabilir.

 2) Fizyolojik arousal ile psikolojik stresin ayrımı: Kalp atış hızını ve HRV’yi kullanarak “stres” tahmini yapmak, arousal (fizyolojik uyarılma) ile duygunun valansı (olumlu/olumsuz his) arasındaki farkı gözardı etme riskini taşır. Örneğin heyecan, egzersiz, mutluluk veya kahve tüketimi kalp atışını artırabilir; bu nedenle tek başına yükselmiş bir kalp atışı mutlaka “stres” anlamına gelmez. Dolayısıyla cihazların algoritmaları arousal sinyallerini stres olarak sınıflandırdığında yanlış pozitifler/negatifler ortaya çıkar.

 3) Etiketleme ve model sorunları: Birçok ticarî cihazın stres algoritması, laboratuvar koşullarında sınırlı sayıda katılımcı ve yapay stres uyaranlarıyla eğitilmiş olabilir. Gerçek yaşamda stres, uzun süreli, tekrarlayan veya durumsal ve bireysel farklılıklar gösteren bir süreçtir; laboratuvar etiketleriyle eğitilmiş modeller günlük hayattaki karmaşıklığı yakalayamayabilir. 

4) Zamanlama ve eşleştirme sorunları: EMA bildirimleri ile cihazın sahnelediği anlık veriler arasında zaman kayması olabilir; kişi kısa süre önce stres yaşayıp sonra rahatladığında ya da tersi durumda, sensör ölçümü ile rapor arasında uyumsuzluk görülebilir.

 5) Öznellik ve raporlama hataları: Öz-bildirimler (EMA) kendileri de hatalı veya önyargılı olabilir—örneğin kişi algısal olarak stres düzeyini normalden yüksek/ düşük raporlayabilir—ancak çalışma büyük örneklem ve sık ölçüm sayesinde bu hataları kısmen dengeleme gücüne sahip.

Araştırmanın teknik dersleri: tüketici sınıfı PPG sensörleri, stres izleme için tek başına güvenilir bir biyobelirteç sunmuyor. Daha güvenilir sonuç almak için önerilen yaklaşımlar şunlar:• Multimodal veri: PPG’ye ek olarak EDA (elektrodermal aktivite/deri iletkenliği), solunum hızı, deri sıcaklığı, hareket verileri (ivmeölçer) ve tercihen EKG gibi daha doğru kalp sinyalleriyle entegrasyon.• Yerinde doğrulama ( Öz-bildirimlerin yanında biyokimyasal işaretleyiciler (ör. salivary kortizol, alfa-amilaz), laboratuvar temelli stres uyarımı (Trier Social Stress Test gibi) ve EKG ile çapraz doğrulama.• Kişiselleştirme: Tek bir eşik veya model herkese uymaz; bireysel bazda adaptif eşikler ve transfer öğrenme yöntemleri performansı artırabilir.• Zaman serisi ve bağlam kullanımı: Cihaz verisini yalnızca anlık sinyaller olarak değil, kişinin aktivite geçmişi, konum, uyku düzeni ve davranış bağlamı ile birlikte değerlendiren modeller daha doğru çıkarım yapabilir.

Pratik ve etik çıkarımlar: kullanıcılar için başlıca mesaj şu: akıllı saatler anlık eğilimleri görmek için yararlı olabilir ancak zihinsel sağlık veya stres hakkında tıbbi düzeyde kararlar almak için güvenilir değiller. Doktor veya terapist kararı gerektiren bir şüphe varsa, profesyonel değerlendirme ve/veya klinik sınıfı ölçümler tercih edilmeli. Endüstri açısından, üreticilerin stresle ilgili iddialarını sınamak ve şeffaflık sağlamak (algoritma açıklamaları, eğitim verisi açıklığı, cihaz sınıflandırması) önem taşıyor. Düzenleyiciler açısındansa, tüketici cihazlarının zihinsel sağlıkla ilgili iddiaları tıbbi cihaz düzenlemelerine tabi olabilir; bu alanda netlik ve standartlar geliştirilmesi gerekiyor.

Sonuç olarak Leiden çalışması, giyilebilir teknolojinin sunduğu potansiyeli göz ardı etmiyor ama realist bir uyarı getiriyor: tek başına optik kalp sensörleri ve kara kutu algoritmalarla stres tespiti güvenilir değil. Araştırma, cihaz üreticileri, klinisyenler ve bilim insanları için bir çağrı niteliğinde: daha sağlam doğrulama, multimodal veri kullanımı, kişiselleştirme ve şeffaf metodoloji gereklidir. Kullanıcılar ise cihaz verilerini ‘‘kendi hâllerini takip eden yardımcı bir gösterge’’ olarak kullanmalı; anlık ruhsal sağlık değerlendirmesi veya tıbbi karar aracı olarak görmekten kaçınmalıdır.