Ifølge nyere forskning låser brugere i gennemsnit deres telefoner op 110 gange om dagen.
Smartphone og persondata
På en eller anden måde er denne gadget konstant med os, denindsamler en masse data om os. Hvis du analyserer dem korrekt, kan du forudsige næsten alt. Marketingfolk udnytter dette til at vise folk relevante, velvalgte annoncer. Nu er disse data blevet indsamlet for at forudsige risikoen for død i de kommende år.
en.freepik.com
Ny forskning offentliggjort i tidsskriftetPLOS Digital Health viste, at passiv sporing af bevægelsesdata ved hjælp af smartphone-sensorer effektivt kan forudsige en persons fem-årige dødelighedsrisiko med omkring 70 % nøjagtighed.
Analyse i fortiden
Næsten alle smartphones harFitness app. Det kan kaldes anderledes. Pointen er, at det indsamler data fra smartphone-sensorer om menneskelig aktivitet. Hvor længe han går, sidder, løber – alt registreres. Nu har forskere brugt dem til at finde ud af forholdet mellem ganghastighed og det generelle helbred.
I tidligere eksperimenter, for at opnånøjagtige forudsigelser af sundhed og dødelighed bad forskerne deltagerne om enten at bære specielle fitness-trackere 24/7 eller udføre "ganganalysetests" i laboratoriemiljøer. Nu ville forfatterne af det nye studie teste, om bevægelsesdata indsamlet ved hjælp af sensorer i almindelige smartphones var nok til at lave præcise forudsigelser.
Hvad har forskerne gjort?
Forskere analyserede et stort datasæt -100 000 mennesker har givet deres resultater til den britiske biobank. Deltagerne bar håndledsbaserede aktivitetsmonitorer i en uge og blev derefter overvåget i mindst fem år.
Dette er det hidtil største sensordatasætbevægelse tilgængelig i dag. Ifølge forskerne ligner korte udbrud af bevægelsesdata indsamlet af fitnesstrackere data, der kan hentes fra en smartphone i en persons lomme.
en.freepik.com
"Selvom disse data blev indsamlet fra monitoreraktivitet, bruger vores sensormodeller kun de inputdata, der kunne indsamles ved hjælp af billige, aktuelt tilgængelige smartphones, forklarede forskerne i undersøgelsen. "Dette blev gjort muligt af omfattende kliniske eksperimenter med billige telefoner, som udviklede meget nøjagtige prædiktive modeller af helbredet hos patienter med hjerte-lungesygdomme."
Hvordan fungerer algoritmen?
Bruger kun seks minutters data om dagen,sporing af gåintensitet, tilbyder den forudsigende algoritme fem-års dødelighedsrisikoestimater. Som undersøgelsesforfatterne bemærker, er de lige så nøjagtige som data opnået fra 24/7 bærbare enheder eller mere komplekse kliniske gangtest.
Resultaterne tilføjer et voksende antalundersøgelser om forskellige metoder til vurdering af risikoen for menneskelig dødelighed. Simple øjenscanninger, blodscreeninger eller korte balancetest er blevet foreslået som måder at screene mennesker med risiko for tidlig død.
Hvad er næste?
Forskere planlægger nu større skalaforsøg, der vil fokusere på data direkte indsamlet fra smartphones. Eksperter arbejder også på at gøre de undersøgte kohorter så forskellige som muligt for at gøre prædiktive modeller nøjagtige for forskellige populationer.
en.freepik.com
Også selvom en smartphone kan forudsigeen persons død om fem år, den færdige algoritme ligner ikke et simpelt link, hvor du kan indtaste dine data eller en praktisk applikation. Det er et komplekst kredsløb, der analyserer de indsamlede data. Detaljerede grafer udarbejdet af forskere kan findes på linket. Et eksempel på et flowdiagram er nedenfor.
Blokdiagram af algoritmen. Kredit og ophavsret: PLOS Digital Health
Men i fremtiden vil telefonapps være i stand til detoptage seks minutters uafbrudt gang i dagligdagen og derefter beregne prædiktive modeller for risikostratificering ved hjælp af befolkningsanalyse.
Hemmeligheden bag lang levetid er dog ret simpel - en aktiv livsstil. Og nu kan data fra en smartphone bruges til at spore daglig aktivitet.
Læs mere:
Starlink-signal hacket til at blive brugt som et alternativ til GPS
NASA afslørede oprindelsen af Haumea - den mest mystiske planet i solsystemet
Fysikere bryder standard kvantegrænse med 'Quantum Horror'