Những hạn chế phổ biến của ứng dụng sức khỏe

Vì vậy, các hạn chế phổ biến thường không tồn tại riêng lẻ. Dữ liệu thiếu hoặc sai có thể làm thuật toán tính toán sai; thuật toán chính xác trong điều kiện thử nghiệm có thể hoạt động kém với một nhóm người khác; còn một ứng dụng đo khá tốt vẫn có thể ít hữu ích nếu người dùng bỏ theo dõi sau vài tuần hoặc không biết kết quả có ý nghĩa gì.

Dữ liệu đầu vào có thể thiếu, sai hoặc không đại diện cho tình trạng thực tế

Hạn chế đầu tiên nằm ngay ở dữ liệu mà ứng dụng nhận được. Nhiều ứng dụng không trực tiếp “đo sức khỏe” mà thu thập các tín hiệu thay thế như số bước, chuyển động cổ tay, nhịp tim quang học, thời gian sử dụng điện thoại hoặc dữ liệu do người dùng tự nhập. Chất lượng của kết quả vì thế bị giới hạn bởi chất lượng của nguồn đầu vào.

Với dữ liệu tự khai báo, sai số có thể xuất hiện khi người dùng quên ghi bữa ăn, ước lượng khẩu phần không chính xác, nhập sai triệu chứng hoặc chỉ ghi dữ liệu vào những ngày họ có động lực theo dõi. Khoảng trống này không phải dữ liệu ngẫu nhiên: người dùng có thể ngừng ghi chép chính vào những thời điểm sức khỏe hoặc hành vi thay đổi mạnh nhất.

Dữ liệu cảm biến cũng chịu ảnh hưởng của cách sử dụng. Thiết bị đeo quá lỏng, vị trí đeo thay đổi, chuyển động mạnh, màu da, hình xăm, nhiệt độ môi trường hoặc loại hoạt động đều có thể ảnh hưởng đến một số phép đo quang học và chuyển động. Với số bước, sai lệch vài phần trăm có thể ít quan trọng nếu mục tiêu chỉ là quan sát xu hướng vận động dài hạn; nhưng cùng mức sai lệch đó trở nên đáng chú ý hơn nếu người dùng xem từng con số như một phép đo chính xác tuyệt đối.

Một vấn đề khác là tính đại diện. Dữ liệu trong điện thoại hoặc đồng hồ chỉ phản ánh những thời điểm thiết bị được mang theo và hoạt động đúng. Một ngày có 8 giờ dữ liệu không nhất thiết đại diện cho toàn bộ 24 giờ. Vì thế, trước khi đánh giá một chỉ số, cần biết ứng dụng đã thu được bao nhiêu dữ liệu và phần bị thiếu nằm ở đâu.

Độ chính xác phụ thuộc vào cảm biến, thuật toán và điều kiện sử dụng

Ứng dụng sức khỏe thường tạo ra kết quả qua nhiều lớp: cảm biến ghi tín hiệu, phần mềm lọc nhiễu, thuật toán nhận diện trạng thái, sau đó hệ thống chuyển kết quả thành các chỉ số mà người dùng nhìn thấy. Sai số ở bất kỳ lớp nào cũng có thể truyền sang đầu ra cuối cùng.

Điều này giải thích vì sao hai thiết bị có thể đưa ra số bước, lượng calo tiêu hao hoặc thời gian ngủ khác nhau dù được sử dụng cùng lúc. Chúng có thể dùng cảm biến khác nhau, tần suất lấy mẫu khác nhau hoặc tiêu chí thuật toán khác nhau để xác định một chuyển động là “bước chân” hay một khoảng bất động là “ngủ”.

Mức chênh khoảng 5–10% đôi khi không làm thay đổi ý nghĩa của một xu hướng dài hạn, nhưng có thể trở nên quan trọng nếu người dùng đang so sánh các thay đổi nhỏ giữa hai ngày. Sai số cũng không nhất thiết cố định: một thiết bị có thể khá chính xác khi đi bộ đều nhưng sai nhiều hơn khi đẩy xe, chạy trên máy, tập sức mạnh hoặc thực hiện các động tác cổ tay bất thường.

Các chỉ số suy luận thường có thêm một lớp bất định. “Lượng calo tiêu hao”, “mức căng thẳng”, “điểm phục hồi” hay các giai đoạn ngủ thường không được đo trực tiếp mà được ước tính từ nhiều tín hiệu. Một giá trị hiển thị đến hàng đơn vị có thể tạo cảm giác rất chính xác dù bản chất phía sau chỉ là ước lượng.

Vì vậy, độ chính xác cần được đánh giá theo mục đích. Một ứng dụng có thể đủ tốt để nhận biết xu hướng vận động tăng hoặc giảm nhưng chưa chắc đủ chính xác để thay thế thiết bị y tế hoặc phép đo chuyên môn. Không phải mọi ứng dụng sức khỏe đều là thiết bị y tế, và mức độ kiểm chứng của chúng cũng không giống nhau.

Dữ liệu từ nhiều ứng dụng và thiết bị chưa phải lúc nào cũng liên thông tốt

Người dùng thường không theo dõi sức khỏe bằng một nguồn duy nhất. Điện thoại có thể ghi số bước, đồng hồ đo nhịp tim, cân thông minh lưu cân nặng, còn một ứng dụng khác quản lý dinh dưỡng. Khi các hệ thống không đồng bộ hoàn toàn, dữ liệu dễ bị chia nhỏ hoặc ghi nhận trùng lặp.

Một ví dụ phổ biến là cùng một buổi đi bộ được hai thiết bị ghi lại rồi cùng chuyển vào kho dữ liệu trung tâm. Nếu ứng dụng không xử lý nguồn ưu tiên đúng cách, tổng số bước hoặc năng lượng tiêu hao có thể bị cộng hai lần. Ngược lại, quyền đồng bộ bị tắt hoặc kết nối gián đoạn có thể tạo ra những khoảng dữ liệu trống.

Ngay cả khi dữ liệu được chuyển thành công, ý nghĩa của các trường dữ liệu chưa chắc tương đương. Hai nền tảng có thể cùng sử dụng nhãn “giấc ngủ” nhưng khác nhau về cách xác định thời điểm ngủ, thức hoặc các giai đoạn ngủ. Ghép các con số có cùng tên nhưng được tạo bằng phương pháp khác nhau có thể tạo ra một chuỗi dữ liệu nhìn có vẻ liên tục nhưng không hoàn toàn đồng nhất.

Hạn chế này đặc biệt quan trọng khi người dùng đổi thiết bị. Một thay đổi đột ngột trong chỉ số có thể phản ánh thuật toán mới chứ không phải cơ thể thay đổi. Khi theo dõi dài hạn, việc duy trì cùng thiết bị, cùng vị trí đeo và cùng cách ghi nhận thường có giá trị hơn việc so sánh tuyệt đối giữa nhiều nền tảng.

Quyền riêng tư và bảo mật trở thành vấn đề khi dữ liệu sức khỏe được thu thập liên tục

Dữ liệu sức khỏe có tính nhạy cảm vì khi kết hợp theo thời gian, nó có thể tiết lộ nhiều hơn một chỉ số đơn lẻ. Lịch vận động có thể cho thấy thời gian một người ở nhà; dữ liệu giấc ngủ thể hiện thói quen sinh hoạt; thông tin chu kỳ, triệu chứng hoặc vị trí có thể tạo ra hồ sơ cá nhân rất chi tiết.

Rủi ro không chỉ nằm ở việc dữ liệu bị đánh cắp. Một câu hỏi quan trọng hơn là dữ liệu được thu thập bao nhiêu, lưu trong bao lâu, chia sẻ với bên nào và có được sử dụng cho mục đích khác ngoài tính năng người dùng đang sử dụng hay không. Chính sách quyền riêng tư dài hoặc khó hiểu có thể khiến người dùng đồng ý mà không thực sự biết phạm vi xử lý dữ liệu.

Đồng thời, không nên mặc định rằng mọi ứng dụng có chức năng sức khỏe đều chịu cùng mức quy định như bệnh viện hoặc hồ sơ y tế điện tử. Mức bảo vệ pháp lý phụ thuộc vào loại dữ liệu, nhà cung cấp, chức năng của ứng dụng và khu vực pháp lý. Một ứng dụng chăm sóc sức khỏe tiêu dùng có thể hoạt động trong khuôn khổ khác với phần mềm được cung cấp trực tiếp bởi cơ sở y tế.

Ý nghĩa thực tế là người dùng nên xem quyền truy cập như một phần của chất lượng ứng dụng, không phải một thủ tục cài đặt. Nếu một chức năng đếm bước yêu cầu những dữ liệu không cần thiết cho việc đếm bước, đó là lý do hợp lý để xem lại quyền truy cập và mục đích thu thập.

Trải nghiệm sử dụng kém có thể làm dữ liệu mất giá trị dù công nghệ đo tốt

Một hệ thống theo dõi chỉ hữu ích khi người dùng duy trì nó đủ lâu. Ứng dụng yêu cầu nhập quá nhiều trường, gửi quá nhiều thông báo hoặc bắt người dùng thực hiện những thao tác lặp lại có thể tạo “gánh nặng theo dõi”. Khi việc ghi dữ liệu trở thành một nhiệm vụ riêng, tỷ lệ bỏ sót thường tăng.

Đây là lý do trải nghiệm sử dụng có quan hệ trực tiếp với chất lượng dữ liệu. Nếu người dùng chỉ ghi chế độ ăn trong ba ngày đầu tuần nhưng bỏ trống bốn ngày sau, biểu đồ tổng hợp có thể rất chi tiết về mặt giao diện mà vẫn không phản ánh đúng hành vi cả tuần.

Các cơ chế tạo động lực cũng có trade-off. Chuỗi ngày liên tục, huy hiệu và mục tiêu hằng ngày có thể giúp một số người duy trì thói quen, nhưng cũng có thể khiến người khác tập trung quá mức vào việc “đạt điểm”. Một ngày nghỉ cần thiết có thể bị nhìn như thất bại đơn giản vì ứng dụng thiết kế mục tiêu theo một ngưỡng cố định.

Khả năng tiếp cận cũng là một phần của trải nghiệm. Chữ nhỏ, biểu đồ khó đọc, tương phản thấp, quá nhiều thuật ngữ chuyên môn hoặc yêu cầu thao tác phức tạp có thể làm giảm giá trị của ứng dụng đối với người lớn tuổi hoặc người có hạn chế thị giác và vận động. Một hệ thống có nhiều dữ liệu nhưng người dùng không hiểu được thông tin quan trọng vẫn chưa hoàn thành tốt chức năng theo dõi.

Thuật toán có thể không hoạt động tốt như nhau với mọi nhóm người

Nhiều thuật toán sức khỏe được xây dựng từ dữ liệu của một tập người dùng hoặc một môi trường thử nghiệm nhất định. Nếu dữ liệu phát triển không đại diện đầy đủ cho tuổi, giới, đặc điểm cơ thể, tình trạng sức khỏe và hành vi của người sử dụng thực tế, hiệu suất có thể giảm khi ứng dụng được triển khai rộng hơn.

Vấn đề này thường khó nhận ra vì giao diện vẫn trả về một con số cho mọi người. Sự tồn tại của kết quả không chứng minh rằng độ chính xác giống nhau giữa các nhóm. Một mô hình có sai số trung bình chấp nhận được trên toàn bộ mẫu vẫn có thể sai nhiều hơn đáng kể trong một nhóm nhỏ.

Các thuật toán cá nhân hóa cũng cần dữ liệu nền đủ dài. Một cảnh báo “nhịp tim cao hơn bình thường” sẽ có ý nghĩa hơn khi hệ thống đã xây dựng được mức nền ổn định của chính người dùng. Trong những ngày đầu sử dụng, sau khi đổi thiết bị hoặc khi dữ liệu bị gián đoạn, mức nền này có thể chưa đủ đáng tin cậy.

Do đó, các chỉ số cá nhân hóa nên được hiểu trong phạm vi mà thuật toán thực sự quan sát được. Nếu ứng dụng không công bố rõ cách một chỉ số được tạo, mức độ kiểm chứng hoặc giới hạn sử dụng, người dùng khó đánh giá liệu con số đó là phép đo, ước lượng hay chỉ số tổng hợp độc quyền.

Chỉ số sức khỏe dễ bị hiểu quá mức khi thiếu bối cảnh lâm sàng

Một trong những hạn chế quan trọng nhất không nằm ở khả năng thu thập dữ liệu mà ở khoảng cách giữa “đo được” và “hiểu đúng”. Nhịp tim tăng, ngủ ít hoặc mức vận động giảm có thể xuất phát từ nhiều nguyên nhân. Một ứng dụng quan sát được tín hiệu nhưng thường không có toàn bộ thông tin về bệnh sử, thuốc đang dùng, triệu chứng, xét nghiệm và hoàn cảnh lâm sàng để xác định nguyên nhân.

Điều này tạo ra hai rủi ro đối nghịch. Người dùng có thể lo lắng quá mức trước một cảnh báo không đặc hiệu, hoặc ngược lại yên tâm vì ứng dụng không phát hiện bất thường. Không có cảnh báo không đồng nghĩa với không có vấn đề sức khỏe, đặc biệt khi chức năng đó chưa được thiết kế hoặc kiểm chứng để phát hiện tình trạng đang được quan tâm.

Các điểm số tổng hợp càng cần thận trọng. Một “điểm sức khỏe 82/100” hay “điểm phục hồi 74” có thể hữu ích để so sánh chính người dùng theo thời gian, nhưng không tự động mang ý nghĩa lâm sàng như huyết áp, đường huyết hoặc một xét nghiệm đã có ngưỡng chẩn đoán được chuẩn hóa.

Cách sử dụng hợp lý hơn là xem ứng dụng như công cụ nhận biết xu hướng và hỗ trợ ghi chép. Những thay đổi lặp lại, kéo dài hoặc đi kèm triệu chứng có thể trở thành thông tin hữu ích để trao đổi với chuyên gia y tế. Ứng dụng có thể bổ sung cho quá trình theo dõi, nhưng khả năng bổ sung đó không đồng nghĩa với khả năng thay thế đánh giá chuyên môn.

Hạn chế ứng dụng sức khỏe vì thế không thể đánh giá chỉ bằng câu hỏi “đo có chính xác không”. Giá trị của kết quả phụ thuộc vào toàn bộ chuỗi từ dữ liệu đầu vào, cảm biến và thuật toán đến khả năng đồng bộ, bảo vệ thông tin, mức độ duy trì sử dụng và cách người dùng diễn giải con số.

Một ứng dụng vẫn có thể hữu ích dù không đạt độ chính xác của thiết bị lâm sàng nếu mục tiêu là quan sát xu hướng cá nhân trong điều kiện sử dụng nhất quán. Ngược lại, giao diện chuyên nghiệp và nhiều chỉ số không bù được cho dữ liệu thiếu, thuật toán không rõ giới hạn hoặc kết quả bị hiểu như một chẩn đoán. Điểm quan trọng nhất là xác định mỗi chỉ số đang đo trực tiếp, ước tính hay suy luận, và mức độ tin cậy đó có phù hợp với quyết định mà người dùng định dựa vào hay không.