Smartwatches, sensors and other wearable devices make it possible to continuously monitor aspects of our health and everyday activity. But this capability raises a challenge: how can thousands of measurements collected over days, weeks, or years be transformed into indicators that can be reliably interpreted and compared?

A study led by the Barcelona Institute for Global Health (ISGlobal), a centre supported by the ”la Caixa” Foundation, and the University of Basel proposes a new framework to standardise this process. The method has been developed to be applicable to different types of digital health data and was tested using walking activity and gait data from 2,181 people. The study has been published in npj Digital Medicine. 

Digital devices can record health parameters at a frequency and over periods of time that would have been difficult to achieve only a few years ago. However, having more data does not necessarily mean having better information. To use these data in research or clinical practice, it is necessary to decide which parts are relevant and how they should be summarised. These decisions can influence how the results are subsequently interpreted.

There are currently no internationally accepted guidelines standardising how continuous, high-resolution digital health data should be aggregated, nor is there consensus on the terminology used to describe this process. A previous review cited in the study found, for example, that more than half of the studies using mobile devices that were analysed did not specify which data restrictions they had applied.

A three-step process

To address this problem, the research team used a structured expert consensus process, in which 16 specialists from different disciplines went through several rounds of proposals, assessment and discussion until agreement was reached. The panel included experts in sensor and algorithm development and evaluation, biomechanics, epidemiology, statistics and different clinical fields.

“The framework we propose follows three stages. First, we identify possible ways of summarising the data, taking into account their technical validity, clinical interpretability, sample size and distribution. We then statistically assess how stable the resulting measures are within the same individual and whether they can distinguish between relevant groups - for example between people with and without walking disabilities. Finally, experts compare these results with existing evidence, available international guidelines and practical considerations to select the most appropriate measures,” explains Sarah Koch, first author of the study and a researcher at the University of Basel and ISGlobal.

More than 2,000 people monitored for one week

To test how the framework works, the researchers applied it to data from the European Mobilise-D project. The analysis included 2,181 people, including participants with chronic obstructive pulmonary disease (COPD), multiple sclerosis, Parkinson’s disease, proximal femur fracture and congestive heart failure, as well as healthy controls. Participants wore a sensor for seven days that recorded their mobility in real-world conditions.

The team started with seven measures related to walking activity and gait —including step count, walking speed, stride length, cadence and walking bout duration— and assessed different ways of aggregating them. The process ultimately enabled the selection of 24 mobility indicators, aggregated at daily and weekly levels and related both to the amount and patterns of walking activity and to gait characteristics.

“Even when we applied the method to populations with very different mobility impairments, we obtained clinically interpretable and statistically stable indicators that can be used to compare different individuals or the same individual over time. Moreover, the framework is not designed solely to analyse mobility: its structure can be adapted to other health parameters recorded continuously over extended periods, such as heart rate or temperature,” says Judith Garcia-Aymerich, Deputy Director of ISGlobal and last author of the study.

Original article on the ISGlobal website

Reference

Koch S, Buekers J, Alvarez P, Becker C, Bonci T, Carsin AE, Caulfield B, Cobo I, Del Din S, Demeyer H, Frei A, Hausdorff JM, Ionescu A, Aminian K, Klenk J, Lemos-Portela J, Marchena J, Maetzler W, Micó-Amigo E, Piraino P, Singleton D, Sverdlov O, Troosters T, Rochester L, Garcia-Aymerich J. Aggregation framework for continuous digital health measures and application to walking activity data. npj Digit. Med. (2026). https://doi.org/10.1038/s41746-026-03222-z 

Forschungsteam entwickelt einen standardisierten Ansatz zur Zusammenfassung von Daten aus Wearables für Forschung und klinische Praxis

Die vorgeschlagene Methode befasst sich mit einer der grössten Herausforderungen, die digitale Gesundheitsgeräte mit sich bringen: die Umwandlung Tausender Messwerte in klinisch interpretierbare und statistisch stabile Indikatoren.

Smartwatches, Sensoren und andere Wearables ermöglichen die kontinuierliche Überwachung verschiedener Aspekte unserer Gesundheit und unserer alltäglichen Aktivitäten. Diese Möglichkeit bringt jedoch eine Herausforderung mit sich: Wie lassen sich Tausende von Messwerten, die überTage, Wochen oder Jahre hinweg erfasst wurden, in Indikatoren umwandeln, die zuverlässiginterpretiert und verglichen werden können?

Eine Studie unter der Leitung des Barcelona Institute for Global Health (ISGlobal), eines von der Stiftung «la Caixa» unterstützten Zentrums und dem Departement für Sport, Bewegung und Gesundheit der Universität Basel schlägt einen neuen Rahmen zur Standardisierung dieses Prozesses vor. Die Methode wurde so entwickelt, dass sie auf verschiedene Arten digitaler Gesundheitsdaten anwendbar ist, und sie wurde anhand von Daten zur Gehaktivität und zum Gangbild von 2'181 Personen getestet. Die Studie wurde in npj Digital Medicine veröffentlicht. Digitale Geräte können Gesundheitsparameter in einer Häufigkeit und über Zeiträume hinweg erfassen, die noch vor wenigen Jahren kaum zu erreichen gewesen wären. Mehr Daten bedeuten jedoch nicht zwangsläufig bessere Informationen. Um diese Daten in der Forschung oder klinischen Praxis nutzen zu können, muss entschieden werden, welche Teile relevant sind und wie sie zusammengefasst werden sollen. Diese Entscheidungen können beeinflussen, wie die Ergebnisse anschliessend interpretiert werden. Derzeit gibt es weder international anerkannte Richtlinien zur Standardisierung der Aggregation kontinuierlicher, hochauflösender digitaler Gesundheitsdaten noch einen Konsens über die Terminologie zur Beschreibung dieses Prozesses. Eine in der Studie zitierte frühere Übersichtsarbeit ergab beispielsweise, dass mehr als die Hälfte der analysierten Studien, in denen mobile Geräte zum Einsatz kamen, nicht angaben, welche Datenbeschränkungen sie angewendet hatten.

Ein dreistufiger Prozess

Um dieses Problem anzugehen, nutzte das Forschungsteam einen strukturierten Expertenkonsensprozess, in dem 16 Spezialisten aus verschiedenen Disziplinen mehrere Runden mit Vorschlägen, Bewertungen und Diskussionen durchliefen, bis eine Einigung erzielt wurde. Dem Gremium gehörten Experten für die Entwicklung und Bewertung von Sensoren und Algorithmen, für Biomechanik, Epidemiologie, Statistik sowie aus verschiedenen klinischen Fachgebieten an. «Das von uns vorgeschlagene Rahmenkonzept umfasst drei Phasen: Zunächst identifizieren wir mögliche Wege zur Zusammenfassung der Daten unter Berücksichtigung ihrer technischen Validität, klinischen Interpretierbarkeit, Stichprobengrösse und Verteilung. Anschliessend bewerten wir statistisch, wie stabil die resultierenden Messgrössen bei ein und derselben Person sind und ob sie zwischen relevanten Gruppen unterscheiden können – beispielsweise zwischen Menschen mit und ohne Gehbehinderungen. Schliesslich vergleichen die Experten diese Ergebnisse mit bestehender Evidenz, verfügbaren internationalen Leitlinien und praktischen Überlegungen, um die am besten geeigneten Messgrössen auszuwählen», erklärt SarahKoch, Erstautorin der Studie und Forscherin an der Universität Basel und am ISGlobal.

Mehr als 2'000 Personen wurden eine Woche langbeobachtet

Um zu testen, wie das Rahmenwerk funktioniert, wandten es die Forschenden auf Daten aus dem europäischen Mobilise-D-Projekt an. Die Analyse umfasste 2'181 Personen, darunter Teilnehmende mit chronisch obstruktiver Lungenerkrankung (COPD), Multipler Sklerose, Parkinson, einer proximalen Femurfraktur und Herzinsuffizienz sowie gesunde Kontrollpersonen. Die Teilnehmenden trugen sieben Tage lang einen Sensor, der ihre Mobilität unter realen Bedingungen aufzeichnete. Das Team ging zunächst von sieben Messgrössen aus, die sich auf die Gehaktivität und den Gang bezogen – darunter Schrittzahl, Gehgeschwindigkeit, Schrittlänge, Schrittfrequenz und Dauer der Gehphasen – und untersuchte verschiedene Möglichkeiten, diese zu aggregieren. Dieser Prozess ermöglichte schliesslich die Auswahl von 24 Mobilitätsindikatoren, die auf Tages- und Wochenebene aggregiert wurden und sich sowohl auf das Ausmass und die Muster der Gehaktivität als auch auf Gangmerkmale bezogen. «Selbst als wir die Methode auf Populationen mit sehr unterschiedlichen Mobilitätseinschränkungen anwendeten, erhielten wir klinisch interpretierbare und statistisch stabile Indikatoren, die zum Vergleich verschiedener Personen oder derselben Person im Zeitverlauf herangezogen werden können. Darüber hinaus ist das Rahmenkonzept nicht ausschliesslich auf die Analyse der Mobilität ausgelegt: Seine Struktur lässt sich an andere Gesundheitsparameter anpassen, die über längere Zeiträume kontinuierlich erfasst werden, wie beispielsweise Herzfrequenz oder Temperatur», sagt Judith Garcia-Aymerich, stellvertretende Direktorin vom ISGlobal und Letztautorin der Studie.

Original-Artikel auf der Website des ISGlobal

Referenz

Koch S, Buekers J, Alvarez P, Becker C, Bonci T, Carsin AE, Caulfield B, Cobo I, Del Din S, Demeyer H, Frei A, Hausdorff JM, Ionescu A, Aminian K, Klenk J, Lemos-Portela J, Marchena J, Maetzler W, Micó-Amigo E, Piraino P, Singleton D, Sverdlov O, Troosters T, Rochester L, Garcia- Aymerich J. Aggregationsrahmen für kontinuierliche digitale Gesundheitsmessungen und Anwendung auf Daten zur Gehaktivität. npj Digit. Med. (2026). https://doi.org/10.1038/s41746-026-03222-z