Quanto è accurata la misurazione del sonno di Apple Watch?

In breve, Apple Watch può offrire un riferimento per rivedere la distinzione sonno–veglia e le tendenze generali della durata del sonno. Non può però stabilire, per una singola notte, quanti minuti di “sonno profondo” ci siano stati con la stessa accuratezza di una PSG (polisonnografia).

È importante non confondere questi 3 tipi di numeri:

1. i risultati della validazione Apple della propria funzione delle fasi del sonno;
2. i risultati di studi indipendenti che hanno confrontato un Apple Watch in commercio con la PSG;
3. i risultati di Paper 17 di Feelmo, che ha valutato un modello di ricerca basato su informazioni cardiache e contesto temporale (i dettagli di progettazione delle caratteristiche, pre-elaborazione e architettura del modello non sono pubblici).

I dati ufficiali di sviluppo di Apple comprendono 1,171 notti. I dati pubblici appaiati Apple Watch–PSG usati in Paper 17 riguardano invece 31 persone. Anche se alcuni numeri possono sembrare simili, i dati di sviluppo del produttore e l’analisi interna di Feelmo appartengono a studi distinti.

Che cos’è una PSG?

La PSG registra contemporaneamente attività cerebrale, movimenti oculari, attività muscolare, ECG, respirazione e altri segnali. Specialisti assegnano una fase del sonno ogni 30 secondi. È il riferimento nei confronti delle fasi del sonno.

Apple Watch stima il sonno con piccoli sensori al polso. È pratico per misure ripetute, ma non osserva gli stessi segnali di una PSG.

Che cosa ha mostrato la validazione ufficiale di Apple?

Secondo il documento tecnico Apple del 2025, il classificatore standard delle fasi del sonno usa l’accelerometro come input. Non decide usando soltanto l’HRV. Dal segnale di accelerazione, compresi piccoli movimenti del polso legati alla respirazione, classifica ogni 30 secondi veglia, REM, sonno leggero (“Core”) o sonno profondo.

Gruppo nel documento ufficiale Apple	Persone	Registrazioni	Risultato principale
Dati di sviluppo	858	1,171 notti	Usati per sviluppare il modello; non è una valutazione indipendente
Dati di validazione non inclusi nello sviluppo	166	299 notti	Versione precedente a 4 fasi: κ medio 0.63 (SD 0.13)
Versione aggiornata watchOS 26 sugli stessi dati di validazione	166	299 notti	κ mediano a 4 fasi 0.68 (SD 0.11)
Altra popolazione clinica con PSG, versione aggiornata	236	390 sessioni Watch	κ mediano a 4 fasi 0.66 (SD 0.16)

κ (kappa) misura la concordanza dopo aver sottratto quella attesa per caso. Più è vicino a 1, maggiore è l’accordo; 0 corrisponde circa al caso. Numeri basati su media o mediana, popolazioni o versioni del sistema operativo diverse non sono però direttamente confrontabili.

Il documento è importante per ampiezza, ma resta un rapporto di validazione del produttore. I dati grezzi di apprendimento e il modello non sono pubblici e Apple non destina le fasi del sonno all’uso clinico.

Che cosa hanno trovato gli studi indipendenti da Apple?

In uno studio del 2024, 35 adulti senza disturbi del sonno hanno partecipato a 1 notte di PSG; erano disponibili dati analizzabili di Apple Watch Series 8 per 29 persone. Rispetto alla PSG, la concordanza sonno–veglia a 2 classi era 93%, κ=0.60; per 4 fasi era 75.0%, κ=0.60.

In media, Apple Watch stimava però 43 minuti in meno di sonno profondo e 45 minuti in più di sonno leggero rispetto alla PSG. Il campione era piccolo e limitato a 1 notte in adulti sani, quindi non è direttamente generalizzabile ad altre età o a persone con disturbi del sonno. Lo studio non era di Apple, ma era finanziato da Oura Ring Inc., produttore di un prodotto concorrente, e il primo autore faceva parte del Medical Advisory Board di Oura. Vanno considerati risultati, finanziamento e conflitti di interesse.

Anche una revisione sistematica pubblicata nel 2026 ha concluso che Apple Watch distingue relativamente bene sonno e veglia, mentre separa fasi simili con capacità da moderata a bassa. La durata totale del sonno e i minuti di ciascuna fase non hanno quindi la stessa certezza.

Che cosa ha valutato Paper 17?

Paper 17 non ha cercato di riprodurre la funzione standard di Apple. Era uno studio interno di fattibilità non sottoposto a revisione tra pari: un modello di ricerca con informazioni cardiache e contesto temporale da coorti pubbliche doveva stimare le 5 fasi della PSG. La progettazione concreta delle caratteristiche, gli intervalli di riferimento, la pre-elaborazione e l’architettura del modello non sono pubblici.

Modello interno Feelmo	Popolazione	macro AUROC	κ	Risultato
Dati pubblici Apple Watch／PSG di Walch	31 persone	0.708	0.221	Obiettivo interno non raggiunto
Dati clinici PSG HMC (5-fold per soggetto)	35 persone	0.711	0.244	Obiettivo interno non raggiunto neppure nella stessa coorte
Dati clinici PSG HMC＋CAP＋SLPDB (LODO)	67 registrazioni totali	media 0.639 (SD 0.013)	media 0.132 (SD 0.028)	Risultato ancora più basso su coorti sconosciute

L’AUROC misura la capacità di ordinare ciascuna fase rispetto alle altre; κ valuta la concordanza delle fasi finali. Nella suddivisione per soggetto entro HMC, l’AUROC era 0.711, ma κ per le 5 fasi era soltanto 0.244. Nel LODO, dove si valuta un’intera coorte non usata nell’apprendimento, le medie scendevano a AUROC 0.639 e κ 0.132. Non bisogna mescolare come un’unica prestazione numeri prodotti da metodi di valutazione diversi.

Dalle fasi previste in 3 coorti, per un totale di 67 registrazioni, sono stati calcolati 5 indicatori del sonno. Le loro correlazioni di Pearson con la PSG erano comprese tra −0.007 e 0.417; nessuna raggiungeva gli obiettivi interni fissati in anticipo. In un’altra analisi esplorativa, la correlazione massima saliva a 0.545 per la quota di sonno profondo, ma tutti e 5 gli indicatori restavano sotto gli obiettivi interni rivisti. In un’analisi separata, aumentando i dati eterogenei da 53 a 101 registrazioni, κ passava da 0.336 a 0.330: aggiungere dati senza altro non ha risolto il problema. La progettazione delle caratteristiche, gli intervalli di riferimento, la pre-elaborazione e l’architettura del modello di ricerca non sono pubblici in quanto tecnologia proprietaria.

Come leggere i risultati ogni mattina?

• Osserva tendenze di più settimane con lo stesso dispositivo e le stesse impostazioni, non una sola notte
• Non attribuire la stessa certezza alla durata totale e ai minuti di REM, sonno leggero e profondo
• Non concludere che ci sia una malattia o un recupero insufficiente da 1 sola indicazione di “poco sonno profondo”
• Un aggiornamento del sistema operativo può cambiare l’algoritmo; presta attenzione a salti prima e dopo l’aggiornamento
• Se persistono forte sonnolenza, russamento, pause respiratorie o insonnia, non decidere soltanto in base all’orologio e consulta un professionista sanitario

Riferimenti

1. Apple. Estimating Sleep Stages from Apple Watch. October 2025. Documento tecnico ufficiale
2. Robbins R, et al. Accuracy of Three Commercial Wearable Devices for Sleep Tracking in Healthy Adults. Sensors. 2024;24:6532. doi:10.3390/s24206532
3. Lambe R, et al. The accuracy of Apple Watch measurements: a living systematic review and meta-analysis. npj Digital Medicine. 2026. doi:10.1038/s41746-025-02238-1
4. Walch O, et al. Sleep stage prediction with raw acceleration and photoplethysmography heart rate data derived from a consumer wearable device. Sleep. 2019;42(12):zsz180. doi:10.1093/sleep/zsz180
5. Walch O. Motion and heart rate from a wrist-worn wearable and labeled sleep from polysomnography, version 1.0.0. PhysioNet. doi:10.13026/hmhs-py35

※ Questa spiegazione di ricerca non convalida l’efficacia dell’app Feelmo.