Pengumpulan Data Sensor Longitudinal — Pemantauan Berbasis Sensor Berkelanjutan Seiring Waktu
- Diperkenalkan oleh
- Emerging from ambulatory assessment and wearable technology research communities
- Tahun
- 1990s–2000s (accelerated with IoT and wearable devices from ~2010)
- Jenis
- Longitudinal quantitative/mixed data collection technique
- Keluarga
- Data collection
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Pengumpulan data sensor longitudinal menerapkan sensor fisik atau digital untuk merekam fenomena secara terus-menerus atau pada interval teratur sepanjang periode studi yang diperpanjang — hari, bulan, atau tahun.
Berbeda dengan pengukuran satu kali, struktur temporal yang berulang menangkap perubahan, lintasan, dan variabilitas dalam hasil seperti aktivitas fisik, paparan lingkungan, tidur, atau keadaan fisiologis. Pendekatan ini menggabungkan validitas ekologis dari penginderaan dunia nyata dengan kekuatan analitis desain longitudinal.
Intuisi di balik metode
Bayangkan memasangkan peserta dengan akselerometer yang dikenakan di pergelangan tangan selama enam bulan untuk melacak aktivitas fisik saat mereka menjalani program rehabilitasi jantung. Sensor mencatat setiap gerakan sepanjang waktu tanpa meminta peserta untuk mengingat atau melaporkan — sensor hanya merekam. Dengan memeriksa bagaimana pola aktivitas berkembang dari minggu ke minggu, peneliti dapat mendeteksi siapa yang membaik, siapa yang kambuh, dan faktor kontekstual apa (cuaca, suasana hati, acara sosial) yang memprediksi lintasan tersebut. Dimensi longitudinal adalah yang mengubah potret menjadi cerita perubahan.
Sejarah
Pengumpulan data ambulatori berbasis sensor berakar pada monitor tekanan darah ambulatori tahun 1960-an dan perangkat aktigrafi yang dikembangkan pada tahun 1970-an–80-an untuk penelitian tidur. Integrasi desain longitudinal dengan sensor elektronik dipercepat pada tahun 1990-an dengan metodologi penilaian momental ekologis (EMA) yang diformalkan oleh Stone dan Shiffman. Proliferasi smartphone setelah tahun 2007 dan pelacak kebugaran wearable setelah tahun 2010 secara dramatis menurunkan biaya dan meningkatkan resolusi penginderaan longitudinal, menjadikannya rutin dalam penelitian perilaku kesehatan, uji klinis, dan epidemiologi lingkungan.
Kapan digunakan
Gunakan pengumpulan data sensor longitudinal ketika pertanyaan penelitian berkaitan dengan perubahan, lintasan, atau paparan kumulatif dari waktu ke waktu dan ketika laporan diri yang diingat tidak dapat diandalkan atau memberatkan. Sangat cocok untuk penelitian perilaku kesehatan (aktivitas fisik, tidur, kepatuhan), ilmu lingkungan (paparan polusi), komputasi afektif, dan studi rehabilitasi atau intervensi. Metode ini sesuai ketika peserta dapat mengenakan atau berinteraksi dengan perangkat di seluruh jendela studi, infrastruktur data institusional untuk penyimpanan yang aman ada, dan anggaran penelitian mencakup perangkat keras sensor dan pemeliharaan. Jangan gunakan ketika fenomena yang diminati tidak dapat dioperasionalkan sebagai sinyal sensor, ketika beban peserta dari pemantauan berkelanjutan tidak dapat diterima, ketika jendela studi sangat pendek (satu sesi), atau ketika data cross-sectional sudah cukup untuk menjawab pertanyaan.
Batasan dan pertimbangan
- Perangkat keras sensor, infrastruktur cloud, dan manajemen data menambah biaya yang signifikan dibandingkan dengan survei kertas atau online.
- Kepatuhan perangkat dan atrisi adalah ancaman yang persisten: peserta dapat melepas perangkat, gagal mengisi dayanya, atau keluar, menciptakan data yang hilang secara sistematis.
- Aliran data sensor mentah memerlukan keahlian pra-pemrosesan yang substansial; kesalahan dalam pembersihan atau penurunan epok merambat ke semua analisis hilir.
- Desain longitudinal menimbulkan kekhawatiran etis seputar pengawasan berkelanjutan, keamanan data, dan hak untuk menarik diri — proses persetujuan berdasarkan informasi harus secara eksplisit membahas semua ini.
- Validitas sensor bervariasi berdasarkan kualitas perangkat dan populasi; perangkat wearable kelas konsumen mungkin tidak memenuhi persyaratan akurasi kelas penelitian.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menangkap perilaku dan fisiologi dunia nyata tanpa bergantung pada laporan diri retrospektif, secara substansial mengurangi bias ingatan.
- Resolusi temporal tinggi mengungkapkan variabilitas dalam diri individu, pola diurnal, dan perubahan tingkat mikro yang tidak terlihat oleh survei mingguan atau bulanan.
- Perekaman berkelanjutan atau mendekati berkelanjutan memaksimalkan kepadatan data relatif terhadap jumlah kontak pengumpulan data dengan peserta.
- Validitas ekologis tinggi — data mencerminkan perilaku dalam konteks alami daripada kondisi laboratorium yang terkontrol.
- Dapat diskalakan: setelah diterapkan, sensor dapat melacak kohort besar secara bersamaan dengan beban peneliti minimal per peserta per hari.
Penerapan
- Melacak lintasan aktivitas fisik harian dan perilaku sedenter selama program rehabilitasi jantung.
- Memantau arsitektur tidur secara longitudinal dalam studi pengobatan insomnia atau hasil kesehatan kerja shift.
- Mengukur paparan polusi udara pribadi selama berbulan-bulan dalam kohort epidemiologi lingkungan perkotaan.
- Menangkap data glukosa dan variabilitas detak jantung berkelanjutan dalam penelitian manajemen mandiri diabetes.
- Mencatat pola mobilitas GPS selama berbulan-bulan untuk mempelajari lintasan isolasi sosial pada orang dewasa yang lebih tua.
- Merekam indikator stres fisiologis (konduktansi kulit, kortisol melalui patch wearable) selama satu semester akademik dalam penelitian kesejahteraan mahasiswa.
Cara kerjanya
Cara kerjanya
Peneliti menentukan durasi studi, resolusi pengambilan sampel (streaming berkelanjutan vs. epok tetap seperti setiap 60 detik), jenis sensor (akselerometer, monitor detak jantung, GPS, sensor lingkungan, dll.), dan desain temporal (panel, kohort, atau pengukuran berulang intensif). Protokol etika termasuk minimalisasi data dan prosedur penarikan diri peserta ditetapkan sebelum penerapan.
Sensor dikalibrasi, diinisialisasi, dan dikeluarkan kepada peserta (atau dipasang di lingkungan). Peserta menerima instruksi untuk mengenakan atau memelihara perangkat, jadwal pengisian daya, dan prosedur untuk menangani malfungsi. Data demografis dasar dan data kontekstual dikumpulkan pada tahap ini untuk mendukung analisis kovariat selanjutnya.
Sensor merekam data secara otonom sepanjang jendela studi. Bergantung pada konektivitas, data dapat ditransmisikan ke server pusat secara hampir real-time melalui tautan Bluetooth atau seluler, atau terakumulasi secara lokal untuk pengunduhan berkala selama kunjungan pemeriksaan. Pemantauan kepatuhan — memeriksa bahwa perangkat dikenakan dan berfungsi — dilakukan sepanjang periode lapangan.
Aliran data sensor mentah disimpan dalam basis data bertanda waktu. Metadata asal data (ID perangkat, versi firmware, status baterai, ID peserta, epok) dicatat bersama dengan pengukuran. Penyimpanan yang aman dan redundan dengan kontrol akses sangat penting mengingat sifat data fisiologis dan lokasi yang sensitif secara pribadi.
Output sensor mentah dibersihkan: artefak yang disebabkan oleh pelepasan perangkat atau malfungsi diidentifikasi dan dihapus atau diimputasi; sinyal dikalibrasi terhadap nilai referensi produsen atau laboratorium; metrik ringkasan tingkat epok (misalnya, jumlah rata-rata aktivitas per jam, jumlah langkah per hari) diturunkan. Pola data yang hilang didokumentasikan dan ditangani secara transparan.
Data sensor longitudinal yang dibersihkan dianalisis dengan metode yang sesuai untuk data terstruktur waktu pengukuran berulang — model multilevel, model efek campuran, model kurva pertumbuhan laten, atau pendekatan deret waktu. Lintasan perubahan diperkirakan, perbedaan individu dalam lintasan dimodelkan, dan asosiasi dengan kovariat (usia, status klinis, kondisi intervensi) diuji.
Kesalahan umum
- Meremehkan data yang hilang: waktu non-pakai sering disamakan dengan aktivitas rendah; peneliti harus menerapkan algoritma non-pakai yang tervalidasi dan mendokumentasikan asumsi secara transparan.
- Mengabaikan penyimpangan kalibrasi: akurasi sensor dapat menurun selama periode studi yang panjang; pemeriksaan kalibrasi ulang berkala diperlukan untuk studi yang berlangsung lebih dari beberapa minggu.
- Mengumpulkan berlebihan tanpa rencana analisis: menyimpan aliran sensor yang luas tanpa rencana analisis yang telah ditentukan sebelumnya mengarah pada penjelajahan data dan peningkatan tingkat positif palsu; daftarkan hipotesis dan pilihan analitis sebelum pengumpulan data.
- Memperlakukan semua peserta sebagai setara: perbedaan individu dalam cara peserta mengenakan perangkat (penempatan, kekencangan, jenis kulit) menciptakan heterogenitas pengukuran sistematis yang harus dimodelkan atau dikendalikan.
- Mengabaikan beban peserta: bahkan penginderaan pasif menimbulkan beban kognitif dan gaya hidup; persyaratan kepatuhan yang berlebihan mengurangi retensi dan menimbulkan bias atrisi.
Pertanyaan yang sering diajukan
Berapa lama studi sensor longitudinal perlu dijalankan?
Durasi sepenuhnya tergantung pada pertanyaan penelitian. Studi yang menguji ritme harian atau mingguan mungkin hanya memerlukan dua hingga empat minggu; studi yang melacak perubahan perilaku melalui intervensi sering berjalan tiga hingga enam bulan; studi kohort tentang lintasan penyakit kronis dapat mencakup bertahun-tahun. Kriteria kuncinya adalah apakah jendela studi cukup panjang untuk mengamati variasi yang bermakna dalam fenomena yang diminati.
Bagaimana cara menangani waktu non-pakai dalam data sensor saya?
Waktu non-pakai harus dibedakan dari periode aktivitas rendah yang sebenarnya. Algoritma yang tervalidasi (misalnya, algoritma Choi atau Troiano untuk akselerometri) menggunakan jendela hitungan nol berturut-turut dengan durasi tertentu untuk mengklasifikasikan epok sebagai non-pakai. Epok ini kemudian dikecualikan dari analisis atau ditangani dengan imputasi yang berprinsip. Algoritma deteksi non-pakai, ambang batas yang digunakan, dan proporsi waktu pakai yang valid yang diperlukan per hari harus dilaporkan di bagian metode.
Berapa ukuran sampel yang saya butuhkan?
Perhitungan kekuatan untuk studi sensor longitudinal harus memperhitungkan ukuran efek yang diharapkan dalam hasil lintasan, jumlah pengamatan berulang per peserta, korelasi intrakelas (pengelompokan pengamatan dalam diri individu), dan tingkat atrisi yang diantisipasi. Alat kekuatan multilevel seperti Optimal Design atau paket R longpower sesuai. Studi dengan resolusi temporal yang sangat tinggi per peserta terkadang dapat mencapai kekuatan yang memadai dengan N yang lebih kecil, tetapi pertukarannya harus dibenarkan.
Apakah perangkat wearable konsumen (Fitbit, Apple Watch) dapat diterima untuk penelitian?
Perangkat konsumen menawarkan kenyamanan dan keakraban peserta tetapi biasanya memiliki akurasi yang lebih rendah daripada perangkat kelas penelitian, algoritma yang proprietary dan buram, serta akses data yang terbatas. Perangkat ini sesuai ketika: pertanyaan penelitian berkaitan dengan perubahan relatif daripada nilai terkalibrasi absolut, perangkat telah divalidasi terhadap standar emas untuk populasi dan hasil yang diminati, dan ekspor data cukup granular untuk rencana analisis. Selalu kutip studi validasi untuk perangkat dan metrik spesifik yang digunakan.
Bagaimana ini berbeda dari penilaian momental ekologis (EMA)?
EMA adalah metode laporan diri yang meminta peserta untuk mencatat pengalaman mereka sendiri pada saat-saat acak atau bergantung pada peristiwa dalam kehidupan sehari-hari. Pengumpulan data sensor longitudinal sebagian besar pasif — perangkat merekam secara otomatis tanpa memerlukan masukan aktif dari peserta. Keduanya sering digabungkan: aliran sensor memberikan konteks perilaku atau fisiologis objektif bersama dengan keadaan psikologis yang dilaporkan sendiri dari prompt EMA.
Metode terkait
Sumber
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.]
Buka referensi publikasiDisalin.Stone, A. A., & Shiffman, S. (2002). Capturing momentary, self-report data: A proposal for reporting guidelines. Annals of Behavioral Medicine, 24(3), 236–243.
Buka referensi DOIDisalin.