Skip to content
Retour aux résultats

Collecte de données longitudinales par capteurs — Surveillance continue basée sur des capteurs au fil du temps

Introduite par
Emerging from ambulatory assessment and wearable technology research communities
Année
1990s–2000s (accelerated with IoT and wearable devices from ~2010)
Type
Longitudinal quantitative/mixed data collection technique
Famille
Data collection

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La collecte de données longitudinales par capteurs déploie des capteurs physiques ou numériques pour enregistrer des phénomènes en continu ou à intervalles réguliers sur une période d'étude prolongée — jours, mois ou années.

Contrairement à une mesure ponctuelle, la structure temporelle répétée capture le changement, la trajectoire et la variabilité des résultats tels que l'activité physique, l'exposition environnementale, le sommeil ou l'état physiologique. L'approche combine la validité écologique de la détection en situation réelle avec la puissance analytique de la conception longitudinale.

L’intuition derrière la méthode

Imaginez équiper des participants d'un accéléromètre porté au poignet pendant six mois pour suivre leur activité physique pendant un programme de réadaptation cardiaque. Le capteur enregistre chaque mouvement 24 heures sur 24 sans demander aux participants de se souvenir ou de rapporter — il enregistre simplement. En examinant comment les schémas d'activité évoluent semaine après semaine, les chercheurs peuvent détecter qui s'améliore, qui rechute et quels facteurs contextuels (météo, humeur, événements sociaux) prédisent ces trajectoires. La dimension longitudinale est ce qui transforme un instantané en une histoire de changement.

Histoire

La collecte de données ambulatoires basée sur des capteurs trouve ses racines dans les tensiomètres ambulatoires des années 1960 et les dispositifs d'actigraphie développés dans les années 1970-80 pour la recherche sur le sommeil. L'intégration des conceptions longitudinales avec les capteurs électroniques s'est accélérée dans les années 1990 avec la méthodologie d'évaluation écologique momentanée (EEM) formalisée par Stone et Shiffman. La prolifération des smartphones après 2007 et des traqueurs d'activité portables après 2010 a considérablement réduit le coût et augmenté la résolution de la détection longitudinale, la rendant courante dans la recherche sur les comportements de santé, les essais cliniques et l'épidémiologie environnementale.

Quand l’utiliser

Utilisez la collecte de données longitudinales par capteurs lorsque la question de recherche concerne le changement, la trajectoire ou l'exposition cumulative au fil du temps et lorsque le rappel par auto-déclaration serait peu fiable ou fastidieux. Elle est bien adaptée à la recherche sur les comportements de santé (activité physique, sommeil, observance), aux sciences de l'environnement (exposition à la pollution), à l'informatique affective et aux études de réadaptation ou d'intervention. La méthode est appropriée lorsque les participants peuvent porter ou interagir avec des appareils pendant la période d'étude, qu'une infrastructure de données institutionnelle pour un stockage sécurisé existe et que le budget de recherche couvre le matériel et la maintenance des capteurs. Ne l'utilisez pas lorsque le phénomène d'intérêt ne peut pas être opérationnalisé comme un signal de capteur, lorsque la charge du participant due à la surveillance continue est inacceptable, lorsque la fenêtre d'étude est très courte (une seule session) ou lorsque des données transversales suffiraient à répondre à la question.

Limites et points d’attention

  • Le matériel des capteurs, l'infrastructure cloud et la gestion des données ajoutent un coût significatif par rapport aux enquêtes papier ou en ligne.
  • La conformité des appareils et l'attrition sont des menaces persistantes : les participants peuvent retirer les appareils, ne pas les charger ou abandonner, créant des données manquantes systématiques.
  • Les flux de données brutes des capteurs nécessitent une expertise substantielle en prétraitement ; les erreurs de nettoyage ou de dérivation d'époque se propagent à toutes les analyses en aval.
  • Les conceptions longitudinales soulèvent des préoccupations éthiques concernant la surveillance continue, la sécurité des données et le droit de retrait — les processus de consentement éclairé doivent aborder explicitement tous ces points.
  • La validité des capteurs varie en fonction de la qualité de l'appareil et de la population ; les dispositifs portables grand public peuvent ne pas répondre aux exigences de précision de qualité recherche.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Capture le comportement et la physiologie du monde réel sans dépendre de l'auto-déclaration rétrospective, réduisant considérablement le biais de rappel.
  • La haute résolution temporelle révèle la variabilité intra-personnelle, les schémas diurnes et le changement au micro-niveau, invisibles aux enquêtes hebdomadaires ou mensuelles.
  • L'enregistrement continu ou quasi continu maximise la densité des données par rapport au nombre de contacts de collecte de données avec les participants.
  • La validité écologique est élevée — les données reflètent le comportement dans des contextes naturels plutôt que dans des conditions de laboratoire contrôlées.
  • Évolutif : une fois déployés, les capteurs peuvent suivre de grandes cohortes simultanément avec une charge minimale pour le chercheur par participant et par jour.

Applications

  • Suivi des trajectoires quotidiennes d'activité physique et de comportement sédentaire pendant les programmes de réadaptation cardiaque.
  • Surveillance longitudinale de l'architecture du sommeil dans les études sur le traitement de l'insomnie ou les résultats de santé liés au travail posté.
  • Mesure de l'exposition personnelle à la pollution atmosphérique sur plusieurs mois dans des cohortes d'épidémiologie environnementale urbaine.
  • Capture de données continues sur le glucose et la variabilité de la fréquence cardiaque dans la recherche sur l'autogestion du diabète.
  • Enregistrement des schémas de mobilité GPS sur plusieurs mois pour étudier les trajectoires d'isolement social chez les personnes âgées.
  • Enregistrement des indicateurs de stress physiologique (conductance cutanée, cortisol via des patchs portables) sur un semestre universitaire dans la recherche sur le bien-être étudiant.

Comment ça marche

Comment ça marche

1

Le chercheur spécifie la durée de l'étude, la résolution d'échantillonnage (flux continu vs. époques fixes comme toutes les 60 secondes), le type de capteur (accéléromètre, moniteur de fréquence cardiaque, GPS, capteur environnemental, etc.) et la conception temporelle (panel, cohorte ou mesures répétées intensives). Des protocoles éthiques, y compris la minimisation des données et les procédures de retrait des participants, sont établis avant le déploiement.

2

Les capteurs sont calibrés, initialisés et remis aux participants (ou installés dans les environnements). Les participants reçoivent des instructions pour le port ou l'entretien des appareils, les calendriers de charge et les procédures de gestion des dysfonctionnements. Des données démographiques et contextuelles de base sont collectées à ce stade pour soutenir l'analyse ultérieure des covariables.

3

Les capteurs enregistrent les données de manière autonome pendant toute la durée de l'étude. Selon la connectivité, les données peuvent être transmises à un serveur central en temps quasi réel via Bluetooth ou des liaisons cellulaires, ou s'accumuler localement pour un déchargement périodique lors des visites de contrôle. Le suivi de la conformité — vérification que les appareils sont portés et fonctionnent — est effectué tout au long de la période sur le terrain.

4

Les flux de données brutes des capteurs sont stockés dans des bases de données horodatées. Les métadonnées de provenance des données (ID de l'appareil, version du micrologiciel, état de la batterie, ID du participant, époque) sont enregistrées avec les mesures. Un stockage sécurisé et redondant avec des contrôles d'accès est essentiel étant donné la nature personnellement sensible des données physiologiques et de localisation.

5

La sortie brute du capteur est nettoyée : les artefacts causés par le retrait ou le dysfonctionnement de l'appareil sont identifiés et supprimés ou imputés ; les signaux sont calibrés par rapport aux valeurs de référence du fabricant ou du laboratoire ; des métriques récapitulatives au niveau de l'époque (par exemple, nombre moyen d'activités par heure, nombre de pas par jour) sont dérivées. Les schémas de données manquantes sont documentés et traités de manière transparente.

6

Les données longitudinales nettoyées des capteurs sont analysées avec des méthodes adaptées aux données structurées dans le temps à mesures répétées — modèles multiniveaux, modèles à effets mixtes, modèles de courbes de croissance latentes ou approches de séries chronologiques. Les trajectoires de changement sont estimées, les différences individuelles dans les trajectoires sont modélisées et les associations avec les covariables (âge, état clinique, condition d'intervention) sont testées.

Pièges courants

  • Sous-estimer les données manquantes : le temps de non-port est fréquemment confondu avec une faible activité ; les chercheurs doivent mettre en œuvre des algorithmes de non-port validés et documenter les hypothèses de manière transparente.
  • Ignorer la dérive de calibration : la précision des capteurs peut se dégrader sur une longue période d'étude ; des vérifications périodiques de re-calibration sont nécessaires pour les études de plus de quelques semaines.
  • Sur-collecter sans plan d'analyse : stocker de vastes flux de capteurs sans plan d'analyse préspécifié conduit à des « pêches aux informations » et à des taux de faux positifs gonflés ; enregistrez les hypothèses et les choix analytiques avant la collecte des données.
  • Traiter tous les participants comme équivalents : les différences individuelles dans la façon dont les participants portent les appareils (placement, serrage, type de peau) créent une hétérogénéité de mesure systématique qui doit être modélisée ou contrôlée.
  • Négliger la charge du participant : même la détection passive impose une charge cognitive et de style de vie ; des exigences de conformité excessives réduisent la rétention et introduisent un biais d'attrition.

Questions fréquentes

Combien de temps une étude longitudinale par capteurs doit-elle durer ?

La durée dépend entièrement de la question de recherche. Les études examinant les rythmes quotidiens ou hebdomadaires peuvent n'avoir besoin que de deux à quatre semaines ; celles qui suivent le changement de comportement à travers une intervention durent souvent de trois à six mois ; les études de cohorte sur les trajectoires de maladies chroniques peuvent s'étendre sur des années. Le critère clé est de savoir si la fenêtre d'étude est suffisamment longue pour observer une variation significative du phénomène d'intérêt.

Comment gérer le temps de non-port dans mes données de capteur ?

Le non-port doit être distingué des périodes de faible activité réelle. Des algorithmes validés (par exemple, les algorithmes de Choi ou Troiano pour l'accélérométrie) utilisent des fenêtres de comptage nul consécutives d'une durée spécifiée pour classer les époques comme non-port. Ces époques sont ensuite exclues des analyses ou traitées par imputation basée sur des principes. L'algorithme de détection du non-port, les seuils utilisés et la proportion de temps de port valide requis par jour doivent être rapportés dans la section des méthodes.

De quelle taille d'échantillon ai-je besoin ?

Le calcul de la puissance pour les études longitudinales par capteurs doit tenir compte de la taille d'effet attendue sur le résultat de la trajectoire, du nombre d'observations répétées par participant, de la corrélation intra-classe (regroupement des observations au sein des personnes) et du taux d'attrition anticipé. Des outils de puissance multiniveaux tels que Optimal Design ou le package R longpower sont appropriés. Les études avec une très haute résolution temporelle par participant peuvent parfois atteindre une puissance adéquate avec un N plus petit, mais le compromis doit être justifié.

Les dispositifs portables grand public (Fitbit, Apple Watch) sont-ils acceptables pour la recherche ?

Les appareils grand public offrent commodité et familiarité aux participants, mais ont généralement une précision inférieure à celle des appareils de qualité recherche, des algorithmes propriétaires et opaques, et un accès restreint aux données. Ils sont appropriés lorsque : la question de recherche concerne le changement relatif plutôt que des valeurs absolues calibrées, l'appareil a été validé par rapport à un étalon-or pour la population et le résultat d'intérêt, et l'exportation des données est suffisamment granulaire pour le plan d'analyse. Citez toujours l'étude de validation pour l'appareil et la métrique spécifiques utilisés.

En quoi cela diffère-t-il de l'évaluation écologique momentanée (EEM) ?

L'EEM est une méthode d'auto-déclaration qui invite les participants à enregistrer leurs propres expériences à des moments aléatoires ou contingents à des événements dans la vie quotidienne. La collecte de données longitudinales par capteurs est largement passive — l'appareil enregistre automatiquement sans nécessiter d'entrée active du participant. Les deux sont souvent combinées : les flux de capteurs fournissent un contexte comportemental ou physiologique objectif parallèlement aux états psychologiques auto-déclarés à partir des invites EEM.

Méthodes associées

Sources

  1. Lanza, S. T., Collins, L. M., Lemmon, D. R., & Schafer, J. L. (2005). PROC LCA: A SAS procedure for latent class analysis. Structural Equation Modeling, 14(4), 671–694. [For longitudinal intensive repeated-measures designs context, see also: Shiffman, S., Stone, A. A., & Hufford, M. R. (2008). Ecological momentary assessment. Annual Review of Clinical Psychology, 4, 1–32.]

    Ouvrir la référence de la publication
    Copié.
  2. Stone, A. A., & Shiffman, S. (2002). Capturing momentary, self-report data: A proposal for reporting guidelines. Annals of Behavioral Medicine, 24(3), 236–243.

    Ouvrir la référence DOI
    Copié.