EUVIMEDEUVIMED entdecken
Systematische ÜbersichtScoping ReviewOpen Access · CC BY 4.0

Predicting chronic pain using wearable devices: a scoping review of sensor capabilities, data security, and standards compliance

Vorhersage chronischer Schmerzen mit Wearables: Scoping Review zu Sensorfähigkeiten, Datensicherheit und Normkonformität

Johannes C Ayena, Amina Bouayed, Myriam Ben Arous, Youssef Ouakrim, Karim Loulou, Darine Ameyed, Isabelle Savard, Leila El Kamel, Neila Mezghani

Frontiers in Digital Health · 22.05.2025 · 7

DOI: 10.3389/fdgth.2025.1581285 ↗

Auf einen Blick

Das Scoping Review fasst aktuelle Studien zu Wearables bei chronischen Schmerzen zusammen. Die Geräte zeigen Potenzial für die Korrelation mit Schmerzmarkern; prädiktive Modelle sind selten.

Fragestellung

Welche Fortschritte gibt es bei Wearables zur Erfassung schmerzbezogener Parameter und zur Vorhersage chronischer Schmerzen?

Methode

Systematische Suche in sechs großen Datenbanken; Extraktion zu Gerätetypen, Sensorqualität, Gesundheitsstandards und prädiktiven Algorithmen.

Ergebnisse

Wearables korrelieren mit physiologischen Markern chronischer Schmerzen. Random Forest und multilevel models zeigten konsistente Leistung; CNN-LSTM hatte Probleme mit Datenqualität und Rechenaufwand.

Einschränkungen

Nur wenige Studien nutzten prädiktive Modelle; multimodale Daten, Datenschutz und Privatsphäre bleiben unzureichend adressiert.

Schlussfolgerung der Autor:innen

Zukünftige Forschung soll robuste Vorhersagemodelle, standardisierte Datenprotokolle sowie Sicherheits- und Datenschutzaspekte priorisieren.

Kernaussagen

  • Wearables zeigten Potenzial für die Korrelation mit Schmerzmarkern
  • Prädiktive Modelle wurden bisher selten eingesetzt
  • Datensicherheit und multimodale Datenintegration bleiben zentrale Lücken

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Systematische Übersicht in der Zeitschrift Frontiers in Digital Health, online erschienen am 22.05.2025. Verfasst von Johannes C Ayena und 8 weiteren Autor:innen. Beteiligte Einrichtung: Applied Artificial Intelligence Institute (I2A), TELUQ University, Montreal, QC, Canada. Die Arbeit wurde bisher 20-mal zitiert (Crossref) und nennt 75 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background

Wearable devices offer innovative solutions for chronic pain (CP) management by enabling real-time monitoring and personalized pain control. Although they are increasingly used to monitor pain-related parameters, their potential for predicting CP progression remains underutilized. Current studies focus mainly on correlations between data and pain levels, but rarely use this information for accurate prediction.

Objective

This study aims to review recent advancements in wearable technology for CP management, emphasizing the integration of multimodal data, sensor quality, compliance with data security standards, and the effectiveness of predictive models in identifying CP episodes.

Methods

A systematic search across six major databases identified studies evaluating wearable devices designed to collect pain-related parameters and predict CP. Data extraction focused on device types, sensor quality, compliance with health standards, and the predictive algorithms employed.

Results

Wearable devices show promise in correlating physiological markers with CP, but few studies integrate predictive models. Random Forest and multilevel models have demonstrated consistent performance, while advanced models like Convolutional Neural Network-Long Short-Term Memory have faced challenges with data quality and computational demands. Despite compliance with regulations like General Data Protection Regulation and ISO standards, data security and privacy concerns persist. Additionally, the integration of multimodal data, including physiological, psychological, and demographic factors, remains underexplored, presenting an opportunity to improve prediction accuracy.

Conclusions

Future research should prioritize developing robust predictive models, standardizing data protocols, and addressing security and privacy concerns to maximize wearable devices’ potential in CP management. Enhancing real-time capabilities and fostering interdisciplinary collaborations will improve clinical applicability, enabling personalized and preventive pain management.

Schlagwörter

Stichwörter der Autor:innen

chronic painpredictive analyticsprivacystandardizationwearable device

Autor:innen und Institutionen

  • Applied Artificial Intelligence Institute (I2A), TELUQ University, Montreal, QC, Canada.
  • Open Innovation Laboratory in Health Technologies, CHUM Research Center, Montreal, QC, Canada.
  • Department of Computer Science and Mathematics, University of Quebec at Chicoutimi, Chicoutimi, QC, Canada.

Zitieren

APA

Ayena, J. C., Bouayed, A., Ben Arous, M., Ouakrim, Y., Loulou, K., Ameyed, D., Savard, I., El Kamel, L., & Mezghani, N. (2025). Predicting chronic pain using wearable devices: a scoping review of sensor capabilities, data security, and standards compliance. Frontiers in Digital Health, 7. https://doi.org/10.3389/fdgth.2025.1581285

Vancouver

Ayena JC, Bouayed A, Ben Arous M, Ouakrim Y, Loulou K, Ameyed D, et al. Predicting chronic pain using wearable devices: a scoping review of sensor capabilities, data security, and standards compliance. Frontiers in Digital Health. 2025;7. doi:10.3389/fdgth.2025.1581285

BibTeX
@article{Ayena2025,
  author = {Ayena, Johannes C and Bouayed, Amina and Ben Arous, Myriam and Ouakrim, Youssef and Loulou, Karim and Ameyed, Darine and Savard, Isabelle and El Kamel, Leila and Mezghani, Neila},
  title = {Predicting chronic pain using wearable devices: a scoping review of sensor capabilities, data security, and standards compliance},
  journal = {Frontiers in Digital Health},
  year = {2025},
  volume = {7},
  doi = {10.3389/fdgth.2025.1581285}
}
Kostenlos starten →