LINC: un marco para mantener datos pasivos de alta calidad en estudios de fenotipos digitales

Área de la Ciencia:

• Salud digital La salud digital.
• La salud móvil (mHealth)
• Ciencias del comportamiento Ciencias del comportamiento.

Sus antecedentes:

• El fenotipo digital basado en teléfonos inteligentes enfrenta desafíos en la recopilación de datos pasivos de alta calidad debido a las barreras técnicas y la baja participación del usuario.
• Los métodos existentes a menudo dependen en gran medida de la imputación de datos o enfoques basados en modelos, que pueden no reflejar con precisión el comportamiento del mundo real.

Objetivo del estudio:

• Introducir LINC (lanzar, interactuar, notificar, corregir), un marco de buenas prácticas para mejorar la recopilación de datos pasivos en la investigación de fenotipos digitales.
• Proporcionar recursos prácticos para la implementación de LINC sin requerir conocimientos técnicos especializados.

Principales métodos:

• El marco LINC sistematiza los procedimientos operativos en cuatro dominios clave: configuración de dispositivos / aplicaciones, participación de los participantes, monitoreo de datos en tiempo real y solución de problemas de interrupciones en la recopilación de datos.
• Se utilizó un amplio estudio observacional (n=373) que examinó el uso de las redes sociales y la salud mental de los jóvenes durante 2-3 semanas para demostrar la viabilidad del marco.

Principales resultados:

• El estudio logró una calidad mediana de datos pasivos basados en GPS de 0.92 (IQR: 0.59-0.98) utilizando el marco LINC.
• El 75% de los participantes superó una puntuación de calidad de datos de 0.59, y el 25% superó 0.98, lo que indica una alta calidad de datos.

Conclusiones:

• El marco LINC es un enfoque factible y efectivo para lograr datos pasivos de alta calidad en estudios de fenotipos digitales basados en teléfonos inteligentes.
• Este enfoque sistematizado ofrece una alternativa práctica a la imputación y los métodos basados en modelos, mejorando la confiabilidad de los datos en entornos de investigación del mundo real.