Evaluation de l'activité physique dans la vie réelle - Perspectives du projet européen WEALTH

Résumé général du symposium

Objectif : L'objectif principal de ce symposium est de discuter des aspects innovants de la mesure de l'activité physique apportés par les travaux réalisés dans le cadre d'un projet de recherche européen collaboratif actuellement en cours (WEALTH).

Description : Le symposium débutera par une introduction du président (Jean-Michel Oppert, France) sur le thème de la surveillance de l'activité physique dans la vie réelle et les besoins d'une meilleure évaluation objective dans les enquêtes de surveillance de la santé au niveau national et international. La première présentation (Alan Donnelly, Irlande) donnera un aperçu du projet WEALTH dont les principaux objectifs sont de développer des techniques standardisées d'apprentissage automatique (ML) pour les données d'accéléromètre et de tester la faisabilité de l'utilisation de l'évaluation écologique momentanée (EMA) pour relier les données d'activité physique et d'alimentation. Le recrutement des participants dans quatre centres européens et le protocole de collecte des données à l'aide de quatre accéléromètres et d'une application EMA (Ecological Momentary Assessment) au cours d'une phase de suivi de 9 jours seront détaillés. La deuxième présentation (Tomas Vetrovsky, République tchèque) expliquera le protocole EMA combinant des enquêtes temporelles et événementielles pour étiqueter la mesure des données de vie libre et évaluer les contextes environnementaux, sociaux et psychologiques des comportements physiques et alimentaires. La troisième présentation (Christoph Buck, Allemagne) détaillera comment les modèles ML sont entraînés et validés en externe pour la prédiction des comportements physiques et alimentaires, sur la base de l'accélérométrie au poignet. Les informations de l'EMA sont ensuite utilisées pour affiner les classificateurs de comportements physiques. La quatrième présentation (Greet Cardon, Belgique) se concentrera sur la faisabilité et l'acceptabilité des méthodes étudiées et utilisera un outil de vote en ligne pour interagir avec le public et obtenir le point de vue du chercheur/décideur. La dernière partie du symposium, dirigée par le discutant (Sébastien Chastin, Royaume-Uni), impliquera fortement le public afin d'obtenir un retour d'information sur les méthodes et les résultats du projet et de savoir pourquoi, quand et comment ils pourraient être utilisés pour améliorer les enquêtes de surveillance de la santé.

Président : Jean-Michel Oppert, Université Sorbonne Paris Nord, France
Présentateur 1 : Alan Donnelly, Université de Limerick, Irlande
Présentateur 2 : Tomas Vetrovsky, Université de Hradec Kralove et Université Charles, République tchèque
Présentateur 3 : Christoph Buck, Institut Leibniz pour la recherche en prévention et l'épidémiologie - BIPS, Allemagne
Présentateur 4 : Greet Cardon, Université de Gand, Belgique
Discutant : Sebastien Chastin, Université Calédonienne de Glasgow, Royaume-Uni

Résumés individuels pour chaque présentateur

Présentateur 1 : ALAN DONNELLY, Université de Limerick, Irlande

Titre : Le projet WEALTH

Contexte : Le projet WEALTH (wearable sensor assessment of physical and eating behaviors) est un partenariat européen regroupant cinq pays et axé sur le développement de méthodes de mesure améliorées des comportements physiques et de leur impact sur les comportements alimentaires.

Objectif : Développer des techniques standardisées de traitement des données d'apprentissage automatique pour les données d'accéléromètres de niveau recherche et accessibles dans le commerce, et tester la faisabilité de l'utilisation de l'évaluation écologique momentanée (EMA) pour relier les comportements en matière d'activité physique et d'alimentation.

Méthodes : 600 participants adultes ont été recrutés (150 dans quatre centres européens) pour porter simultanément quatre accéléromètres, dont deux wearables (ActiGraph GTX3, ActivPAL3M, FitBit Charge 5 et Skagen Falster Gen 6) pendant neuf jours. Les comportements physiques et alimentaires ont été étiquetés à l'aide de questions EMA aléatoires et déclenchées par des événements. Les mesures anthropométriques, y compris la taille, le poids et la force de préhension, ont été enregistrées, et les participants ont répondu à trois questionnaires de rappel alimentaire de 24 heures basés sur le Web de SACANA. Les données de l'accéléromètre et de l'EMA ont été utilisées pour : 1) développer des techniques de traitement des données d'apprentissage automatique pour identifier les comportements d'activité, et 2) tester la faisabilité de l'utilisation de l'EMA déclenché pour évaluer le lien entre les comportements physiques et alimentaires. Les participants ont rempli des questionnaires de faisabilité de l'étude à la fin de la période de mesure.

Résultats : La collecte des données sera terminée en mars 2024, et le traitement et l'analyse des données sont actuellement en cours. La collecte de données à grande échelle générera une base de données qui pourra être interrogée afin de développer de nouvelles méthodes pour explorer la relation entre les comportements physiques et alimentaires.

Conclusions : Le projet WEALTH a illustré la faisabilité de l'utilisation combinée de l'accélérométrie et des questions EMA aléatoires et déclenchées par des événements pour étudier les comportements physiques et alimentaires dans de larges populations.

Implications pratiques : Les méthodes du projet WEALTH seront partagées à la fin du projet et démontreront que de telles méthodes peuvent être utilisées dans des études de surveillance nationales et internationales.

Financement : ERA-Net HDHL-INTIMIC (convention de subvention n° 727565).

Présentateur 2 : TOMAS VETROVSKY, Université de Hradec Kralove et Université Charles, République tchèque

Titre : Évaluation écologique momentanée (EMA) : L'évaluation instantanée du comportement dans la vie réelle

Contexte : Des mesures précises des comportements physiques (PB) et des comportements alimentaires (EB), ainsi que leur contexte, tels que déterminés à l'aide de l'évaluation écologique du moment (EMA), sont cruciales pour comprendre les déterminants des modes de vie sains. Le projet WEALTH vise à développer des méthodes de traitement des données d'accéléromètre en combinant l'apprentissage automatique et l'EMA.

Objectif : Rendre compte du processus de collecte de données de l'EMA entrepris dans le cadre du projet WEALTH.

Méthodes : L'étude comprenait une collecte de données sur l'EMA en vie libre pendant 9 jours à l'aide du système HealthReact. Des participants âgés de 18 à 64 ans ont été recrutés dans quatre centres (Irlande, Allemagne, France, République tchèque). Le protocole de l'EMA combinait des enquêtes auto-initiées, temporelles et événementielles pour évaluer les contextes environnementaux, sociaux et psychologiques du PB et de l'EB. Les participants ont été invités à déclarer eux-mêmes leur consommation de boissons alcoolisées après chaque repas, collation ou boisson (à l'exception de l'eau). En outre, ils ont reçu six questionnaires temporels par jour. Enfin, les enquêtes basées sur les événements ont été déclenchées par les données en temps quasi réel du tracker d'activité Fitbit après des épisodes de marche (5min, ≥60 pas/min, max. 4/jour), de course (5min, ≥140 pas/min, max. 4/jour), ou de position assise prolongée (20min, 0 pas, max. 3/jour).

Résultats : Parmi les participants inscrits (n=455), une moyenne de 4,4 rapports d'EB auto-initiés par jour a été enregistrée. En plus des six enquêtes quotidiennes basées sur le temps, les participants ont été invités à remplir, en moyenne, 4,6 enquêtes basées sur les événements par jour, dont x déclenchées par la marche, y par la course et z par la position assise prolongée. Les taux de réponse aux enquêtes temporelles et à celles déclenchées par la marche, la course et la position assise prolongée étaient respectivement de 58%, 65%, 59% et 66%.

Conclusions : Les données EMA collectées seront utiles pour développer et valider des algorithmes d'apprentissage automatique pour détecter les PB et EB et leurs contextes.

Implications pratiques : Les résultats seront applicables à la surveillance et au suivi au niveau de la population, ainsi qu'aux interventions de santé publique visant à promouvoir une PB et une EB saines.

Financement : ERA-Net HDHL-INTIMIC (convention de subvention n° 727565).

Présentateur 3 : CHRISTOPH BUCK, BIPS, Allemagne

Contexte : Le développement de nouveaux algorithmes d'apprentissage machine (ML) pour la classification du comportement crée le besoin d'une collecte supplémentaire de données de haute qualité. Basés sur des études scénarisées pour l'évaluation des données étiquetées, les récents classificateurs de comportement par apprentissage automatique montrent une grande précision la plupart du temps dans un modèle d'étude similaire, mais sont moins performants sur la base de données de vie libre.

Objectif : Développer et améliorer les modèles ML pour la classification des comportements physiques en tenant compte des données étiquetées scénarisées et libres.

Méthodes : Dans le cadre de l'étude WEALTH, nous avons recueilli des données auprès de 600 participants dans quatre pays européens, en menant une étude scénarisée de deux heures au cours de laquelle les participants ont suivi un protocole de comportement, suivi d'une évaluation des données de neuf jours de vie libre, où l'étiquetage des données a été soutenu par une évaluation écologique momentanée (EMA) afin d'identifier les horodatages de comportements similaires. Les classificateurs de comportements physiques ont été modélisés sur la base des données brutes d'accéléromètres triaxiaux provenant de trois capteurs différents, à savoir Actigraph GT3x, ActivPal et les données de la smartwatch 25hz. Nous avons utilisé plusieurs méthodes de ML allant des forêts aléatoires comme modèle de référence aux réseaux neuronaux convolutifs (CNN) comme applications d'apprentissage profond. Sur la base de l'étude scénarisée, une validation de maintien a été effectuée pour le développement du modèle, et les modèles ont été calibrés en utilisant des données de capteurs de vie libre identifiées par des étiquettes EMA.

Résultats : Nos modèles seront capables de classer les comportements physiques tels que la marche assise, le vélo et la course, avec une grande précision, alors que les premiers résultats indiquent une spécificité plus faible pour les comportements de haute intensité en raison de la grande variation dans les données brutes d'accélérométrie.

Conclusions : Sur la base des données de capteurs de vie libre étiquetées par l'EMA, le développement de modèles de ML pour les comportements physiques montrera une amélioration de la qualité des données de l'EMA.
pour la classification à partir de données de capteurs tri-axiaux basées sur des modèles d'étude de la vie en liberté.

Implications pratiques : Les modèles ML développés permettront de classer les comportements, en particulier pour les dispositifs portés au poignet faciles à appliquer, en particulier les smartwatches, qui peuvent être mises en œuvre dans des études de surveillance à grande échelle.

Financement : ERA-Net HDHL-INTIMIC (convention de subvention n° 727565).

Présentateur 4 : GREET CARDON, Université de Gand, Belgique

Titre : Faisabilité et acceptabilité d'une technologie permettant d'améliorer l'activité physique et le comportement alimentaire.

Contexte : La technologie permettant de fournir en temps réel des données valides sur l'activité physique et le comportement alimentaire offre un potentiel pour un suivi et une surveillance avancés chez les adultes. Le projet WEALTH fait progresser l'évaluation et le suivi des comportements physiques et alimentaires en maximisant l'utilisation des données collectées à partir de multiples dispositifs de mesure couramment disponibles, en normalisant l'analyse des données et en utilisant une plateforme de traitement des données d'apprentissage automatique, et en reliant le traitement avancé des données d'activité au questionnement déclenché par les évaluations écologiques momentanées.

Objectif : Nous avons cherché à évaluer la faisabilité et l'acceptabilité de ces méthodes pour l'évaluation des comportements de santé auprès des participants à l'étude, des chercheurs et des décideurs politiques.

Méthodes : Dans le cadre du projet WEALTH, un échantillon de commodité d'environ 150 participants de 4 pays (Irlande, Allemagne, France, République tchèque) a rempli un questionnaire (29 questions, échelle de likert en 5 points) après avoir porté 4 appareils (Fitbit, ActivPAL, Skagen, Actigraph) et reçu des enquêtes par téléphone intelligent (auto-initiées et basées sur le temps) pendant 9 jours.

Résultats : La collecte de données auprès des participants est actuellement en cours et sera finalisée en février 2024. Les résultats seront présentés en fonction des critères suivants : confort de port des dispositifs, facilité de manipulation, facilité de partage des données, facilité de réponse aux enquêtes par téléphone intelligent, réactivité aux enquêtes par téléphone intelligent, facilité technologique, facilité de conformité, questions relatives à la protection de la vie privée, acceptation générale de l'étude. En utilisant un outil de vote en ligne (Mentimeter) dans la présentation actuelle, le public sera en outre invité à évaluer la faisabilité et l'acceptation de la méthodologie WEALTH présentée afin d'obtenir le point de vue du chercheur/décideur politique.

Conclusions : Des conclusions seront tirées sur la faisabilité et l'acceptabilité de la méthodologie, tant du point de vue des participants à l'étude que du point de vue du chercheur/décideur politique.

Implications pratiques : Les résultats permettront d'apporter les améliorations nécessaires pour exploiter le potentiel de la technologie afin de fournir des données valables en temps réel pour le suivi et la surveillance.

Financement : ERA-Net HDHL-INTIMIC (convention de subvention n° 727565).