स्वास्थ्य अर्थशास्त्र मीट्रिक्स

विषय 87 / 91· उपभोक्ता स्वास्थ्य ऐप्स और उपकरण

पहनने-योग्य सत्यापन

सत्यापन-मापदंड परिमाणित करते हैं कि एक पहनने-योग्य उपकरण के माप एक नैदानिक स्वर्ण-मानक (हृदय-दर के लिए ECG, नींद के लिए पॉलीसोमनोग्राफ़ी) से कितनी अच्छी तरह सहमत हैं: MAPE, संगति-सहसंबंध, Bland-Altman सहमति — साथ ही वे संचालनात्मक मापदंड जो वास्तविक-विश्व डेटा-गुणवत्ता को द्वार देते हैं: पहनने-समय अनुपालन और डेटा-पूर्णता।

यह क्यों महत्वपूर्ण है

सत्यापन डाउनस्ट्रीम की हर चीज़ की पूर्वशर्त है: एक उपकरण जो संदर्भ-माप के साथ सहमति साबित नहीं कर सकता वह डिजिटल एंडपॉइंट को लंगर नहीं दे सकता, RPM बिलिंग का समर्थन नहीं कर सकता, या नैदानिक दावे नहीं वहन कर सकता। हृदय-दर के लिए क्षेत्र की स्वीकृत सीमाएँ: ECG के विरुद्ध MAPE ≤5% (सख़्त) या ≤10% (उदार)। साहित्य से संदर्भ-बिंदु: Oura Gen 3 आराम-HR MAPE 1.67% (CCC 0.97); Fitbit Charge 6 MAPE ~5.5% — उपभोक्ता-उपकरण अब नैदानिक-श्रेणी सीमा तक फैलते हैं, यही ठीक कारण है कि माप प्रति-उपकरण और प्रति-स्थिति मायने रखता है।

गणना विधि

MAPE = (1/n) Σ |मापा_i − संदर्भ_i| / संदर्भ_i × 100

CCC (संगति-सहसंबंध) = सहसंबंध और व्यवस्थित पूर्वाग्रह दोनों सहित सहमति
      (स्थान/स्केल-बदलाव द्वारा दंडित Pearson r)

Bland-Altman: माध्य पूर्वाग्रह ± 1.96 SD सहमति-सीमाएँ — दिखाता है कि
      क्या त्रुटि मूल्य के परिमाण पर निर्भर करती है

संचालनात्मक द्वार:
पहनने-समय अनुपालन = पहना गया समय / प्रोटोकॉल-समय × 100
डेटा-पूर्णता       = प्रेक्षित डेटा-बिंदु / अपेक्षित × 100

सत्यापन प्रति गतिविधि-स्थिति (आराम, गति, नींद) और प्रति जनसंख्या रिपोर्ट किया जाना चाहिए — PPG ऑप्टिकल सेंसिंग गति-कलाकृति, ख़राब संपर्क, और गहरे त्वचा-रंगों के साथ ख़राब होती है, एक प्रलेखित समता-प्रासंगिक विफलता-मोड।

व्यावहारिक उदाहरण

एक वर्चुअल-वार्ड कार्यक्रम एक निगरानी पहनने-योग्य उपकरण चुनता है। उम्मीदवार A: आराम MAPE 2.1%, व्यायाम MAPE 11.4%। उम्मीदवार B: आराम 3.8%, व्यायाम 6.9%।

उपयोग-मामला: घर पर बिगड़ते-रोगी का पता लगाना — अलर्ट निरंतर उच्च HR
पर ट्रिगर होते हैं, अक्सर गतिविधि के दौरान।
उम्मीदवार A की हेडलाइन (2.1%) ब्रोशर जीतती है; उम्मीदवार B उपयोग-मामला
जीतता है: अलर्ट-प्रासंगिक स्थिति (गति) पर, A की 11.4% त्रुटि HR 100
पर = ±11 bpm — पूरे अलर्ट-सीमा बैंड में फैलती हुई, झूठी वृद्धि उत्पन्न
करती है (प्रत्येक एक नर्स-कॉलआउट, ~£40) या चूक जाती है।

झूठे-अलर्ट अर्थशास्त्र: 500 रोगी × 2 अतिरिक्त झूठे अलर्ट/सप्ताह × £40
= ग़लत सत्यापन-संख्या चुनने से £2.08M/वर्ष त्रुटि-लागत।

सॉफ़्टवेयर इंजीनियरिंग से संबंध

इंजीनियर सेंसर चुनते समय सत्यापन-डेटा का उपभोग करते हैं और माप-सुविधाएँ बनाते समय इसे उत्पन्न करते हैं — दोनों भूमिकाओं को वही अनुशासन चाहिए: परिनियोजन-स्थिति पर परीक्षण करें, डेमो-स्थिति पर नहीं (सॉफ़्टवेयर-समरूप: विक्रेता के नहीं, अपने उत्पादन-कार्यभार पर बेंचमार्किंग)। पहनने-समय और पूर्णता उत्पाद-इंजीनियरिंग परिणाम हैं — आराम, बैटरी-जीवन, चार्जिंग-अनुष्ठान डिज़ाइन, और सिंक-विश्वसनीयता निर्धारित करते हैं कि क्या 30-में-16-दिन RPM बिलिंग-द्वार पूरा होता है (दूरस्थ रोगी निगरानी अर्थशास्त्र) और क्या परीक्षण-डेटासेट विश्लेषण-योग्य हैं। ग़ायबता को एक डिज़ाइन किए गए संकेत के रूप में मानें: पहले दिन से स्कीमा में "नहीं पहना गया," "पहना गया परंतु कोई संकेत नहीं," और "सिंक विफल" के बीच अंतर करें — शून्य में ढहाए गए, वे हर डाउनस्ट्रीम विश्लेषण को ज़हरीला बनाते हैं।

जोखिम बिंदु

  • समुच्चित MAPE स्थिति-विशिष्ट विफलता छिपाना — व्यावहारिक-उदाहरण का जाल।
  • सत्यापन-जनसंख्या ≠ परिनियोजन-जनसंख्या: आयु, त्वचा-रंग, कंपन, मोटापा सभी ऑप्टिकल-सेंसर त्रुटि बदलते हैं; अध्ययन-जनसांख्यिकी जाँचें।
  • जहाँ सहमति चाहिए वहाँ सहसंबंध रिपोर्ट करना: व्यवस्थित पूर्वाग्रह के साथ उच्च Pearson r अभी भी पूर्ण-सीमाओं के विरुद्ध ग़लत-वर्गीकृत करता है — CCC/Bland-Altman पर ज़ोर दें।
  • आरोपण द्वारा बढ़ाई गई पूर्णता: भरे गए अंतराल प्रेक्षित डेटा के रूप में रिपोर्ट किए गए।

स्रोत