HRV เป็น “ข้อมูลนิรนาม” หรือไม่ — ความแปรปรวนของหัวใจและความเสี่ยงในการระบุตัวบุคคลซ้ำ

หากลบชื่อและอีเมลออก ความแปรปรวนของอัตราการเต้นหัวใจ (HRV) จะกลายเป็นข้อมูลสุขภาพนิรนามหรือไม่ การตรวจสอบภายในซ้ำด้วยข้อมูลสาธารณะแสดงว่า ช่วง HRV ที่แบ่งออกจากระเบียนเดียวกันอาจเชื่อมโยงกันได้ภายในกลุ่มผู้สมัคร 202 คน โดยไม่เปิดเผยรายละเอียดการนำไปใช้ เช่น วิธีสร้างช่วงข้อมูล

อย่างไรก็ตาม ผลนี้ไม่ได้หมายความว่า “ใครก็ยืนยันตัวตนจาก Apple Watch ได้” หรือ “ใช้แทนลายนิ้วมือได้” การทดสอบค้นหาภายในกลุ่มผู้สมัครแบบปิดจาก session การวัดเดียวกัน และยังไม่ได้ตรวจสอบว่าจะติดตามคนเดิมข้ามวันหรือข้ามอุปกรณ์ได้หรือไม่ แบบจำลองภายในอีกแบบที่ทดสอบข้ามภาวะหลับและตื่นก็ไม่ผ่านเกณฑ์เช่นกัน

งานวิจัยนี้ตรวจสอบอะไร

HRV เป็นการสรุปความเปลี่ยนแปลงของช่วงเวลาระหว่างการเต้นแต่ละครั้ง ในงานด้านสุขภาวะอาจแสดง HRV เชื่อมโยงกับการนอนหรือการฟื้นตัว แต่ HRV ไม่ได้วัดสิ่งเหล่านั้นโดยตรง อายุ รูปร่าง การควบคุมหัวใจโดยระบบประสาทอัตโนมัติ การหายใจ ท่าทาง พฤติกรรมการใช้ชีวิต และเงื่อนไขการวัดล้วนมีผลซ้อนกัน จึงอาจมีลักษณะบางอย่างที่ปรากฏค่อนข้างคงที่ในคนคนเดียว

งานวิจัยจึงตรวจสอบคำถามต่อไปนี้

การเปรียบเทียบเพื่อการวิจัยที่ใช้ข้อมูลจาก HRV จะเชื่อมโยงช่วงที่แบ่งจากระเบียน ECG ขณะพักเดียวกันกับบุคคลในกลุ่มผู้สมัครได้หรือไม่

นี่ไม่ใช่การทดลองยืนยันตัวตนเพื่อปลดล็อกรหัส แต่เป็นการทดลองความสามารถในการเชื่อมโยงภายในระเบียนเดียวกัน เพื่อดูว่าชิ้นส่วนระเบียนที่ทำให้ไม่ระบุตัวตนแล้วเชื่อมเข้าหากันได้หรือไม่ เป็นคำถามที่อยู่ก่อนขั้นการระบุตัวบุคคลซ้ำถึงระดับชื่อ

ข้อมูลและวิธีการ

Paper 3 ทั้งหมดรวบรวมระเบียนของผู้เข้าร่วม 1,227 คน จาก 6 cohort สาธารณะ ได้แก่ Autonomic Aging, Fitbit PMData, MMASH, Fantasia, MIT-BIH Normal Sinus Rhythm และ CinC 2018 ข้อมูลประกอบด้วย ECG ขณะพัก ช่วง RR ระหว่างเดิน ระเบียนเกี่ยวกับการนอนหลับ และระเบียนระยะยาวจากอุปกรณ์สวมใส่

งานวิจัยสร้างข้อมูลจาก HRV หลายรายการ และแบ่งข้อมูลตามผู้เข้าร่วม เพื่อไม่ให้ระเบียนของคนเดียวกันปะปนอยู่ทั้งฝั่งฝึกและฝั่งประเมิน

การตรวจสอบซ้ำเพื่อเผยแพร่ใช้ cohort Autonomic Aging จาก 211 คนที่กันออกจากการฝึก มี 202 คน ที่ผ่านเกณฑ์คุณสมบัติซึ่งกำหนดไว้ล่วงหน้า การวิเคราะห์ใช้คนละช่วงจากระเบียนเดียวกัน แต่ไม่เปิดเผยกฎการแบ่ง คัดเลือก และเปรียบเทียบโดยละเอียด

การเปรียบเทียบเพื่อการวิจัยใช้ข้อมูลจาก HRV คำว่า “top-5” หมายถึงสัดส่วนที่คำตอบถูกต้องอยู่ในผู้สมัคร 5 คนที่แสดง ไม่เปิดเผยรายละเอียดการนำไปใช้ เช่น การออกแบบคุณลักษณะ วิธีสร้างช่วง เกณฑ์คุณภาพและการคัดเลือก การประมวลผลล่วงหน้า หรือสูตรเปรียบเทียบ ด้วยเหตุนี้ การที่บุคคลภายนอกไม่สามารถทำซ้ำการวิเคราะห์เดียวกันได้ทั้งหมดจึงเป็นข้อจำกัดของงานวิจัยด้วย

ผลหลัก

การประเมิน	ผลที่วัดได้	โอกาสจากการจัดอันดับแบบสุ่ม	ช่วง Wilson 95%
top-1	62 / 202 (30.69%)	0.50%	24.74–37.36%
top-5	112 / 202 (55.45%)	2.48%	48.55–62.13%
top-10	133 / 202 (65.84%)	4.95%	59.06–72.03%

ในการวิเคราะห์ความไวที่กลับทิศทางการเปรียบเทียบ top-5 เท่ากับ 55.94% เช่นกัน การทดสอบที่สลับเฉพาะคู่คำตอบที่ถูกต้องทำ 20,000 ครั้ง สำหรับจำนวนครั้งนี้ หน่วยรายงานต่ำสุดของค่า p แบบด้านเดียวคือ 0.00005 ไฟล์สรุปที่เผยแพร่ไม่ได้บันทึกจำนวนครั้งที่ได้ค่าเท่ากับหรือสูงกว่าค่าที่สังเกต จึงไม่สามารถคำนวณค่า p ที่สังเกตซ้ำจากไฟล์นั้นเพียงอย่างเดียว

ในการทำ bootstrap โดยตรึงผู้สมัคร 202 คนไว้และสุ่มใหม่เฉพาะคนที่ใช้สอบถาม ช่วงมีเงื่อนไข 95% ของ top-5 คือ 48.51–61.88% ซึ่งใกล้กับช่วง Wilson แต่ทั้งสองค่าไม่ได้รับประกันประสิทธิภาพสำหรับผู้ใช้ในอนาคตหรือการใช้งานจริง

ผลล้มเหลวที่สำคัญ — ไม่ได้ผลแบบเดียวกันระหว่างภาวะหลับกับตื่น

แบบจำลองอีกแบบใน Paper 3 ที่ยังไม่ผ่านการประเมินโดยผู้ทรงคุณวุฒิ ไม่ผ่านเงื่อนไขประเมินที่กำหนดไว้ล่วงหน้าว่า “ลักษณะเฉพาะบุคคลจะยังคงอยู่เมื่อข้ามระหว่างหลับกับตื่น” แบบจำลองนี้ไม่สามารถเปรียบเทียบโดยตรงกับวิธีข้างต้น ในข้อมูล MMASH 15 คนที่มีทั้งสองภาวะ ได้ผลดังนี้

• ลงทะเบียนด้วยข้อมูลช่วงหลับ แล้วจับคู่ด้วยข้อมูลช่วงตื่น: top-5 56.13%
• ลงทะเบียนด้วยข้อมูลช่วงตื่น แล้วจับคู่ด้วยข้อมูลช่วงหลับ: top-5 42.99%

ผลไม่ถึงเกณฑ์ภายในที่กำหนดไว้ล่วงหน้า โดยไม่เปิดเผยค่าของเกณฑ์และกฎตัดสินโดยละเอียด ระหว่างหลับกับตื่น เงื่อนไขหลายอย่างเปลี่ยนไป เช่น การหายใจ ท่าทาง กิจกรรม และการควบคุมอัตราการเต้นหัวใจโดยระบบประสาท ผลนี้จึงไม่ยืนยันความสามารถในการเชื่อมโยงที่คงที่ข้ามภาวะ และไม่อาจกล่าวได้ว่ามี “ลายนิ้วมือจากหัวใจ” ที่ไม่เปลี่ยนแปลงตลอดเวลา

สิ่งที่ทราบและยังไม่ทราบเกี่ยวกับ Apple Watch

งานวิจัยนี้ไม่ได้ตรวจสอบ Apple Watch โดยตรง แม้ 6 cohort จะมีเงื่อนไขการเก็บข้อมูลต่างกัน เช่น ECG ช่วง RR ระเบียนเกี่ยวกับการนอน และระเบียนระยะยาวจาก Fitbit แต่ไม่มีข้อมูล Apple Watch ที่เก็บล่วงหน้าด้วยโพรโทคอลเดียวกัน

จึงไม่สามารถเปลี่ยนไปกล่าวอ้างดังต่อไปนี้ได้

• “HRV จาก Apple Watch ระบุตัวบุคคลได้แม่นยำสูง”
• “ทำไบโอเมตริกซ์จาก Apple Watch ได้”
• “Feelmo ใช้การเต้นหัวใจระบุตัวผู้ใช้”

ใน Apple Watch เซ็นเซอร์แสง จังหวะการเก็บตัวอย่าง ข้อมูลขาดหายจากการเคลื่อนไหว และการประมวลผลฝั่ง OS ล้วนมีผลต่อผลลัพธ์ หากต้องการทราบประสิทธิภาพโดยตรง จำเป็นต้องตรวจสอบเชิงคาดการณ์ล่วงหน้าสำหรับ Apple Watch โดยเฉพาะ พร้อมควบคุมอุปกรณ์ ท่าทาง และช่วงเวลาให้เหมือนกัน

เหตุใดเรื่องนี้จึงสำคัญต่อความเป็นส่วนตัว

ความสามารถในการเชื่อมโยงอาจเป็นปัญหาได้แม้ไม่ถึง 100% เพราะหากใช้ชิ้นส่วนระเบียนจำกัดกลุ่มผู้สมัคร แล้วรวมกับข้อมูลอื่น เช่น เวลานอน อายุ บันทึกกิจกรรม หรือตำแหน่ง ก็อาจลดจำนวนผู้สมัครลงได้อีก อย่างไรก็ตาม ค่า 55.45% ครั้งนี้เพียงอย่างเดียวไม่เพียงพอจะสรุปว่าในการใช้งานจริงสามารถจำกัดผู้สมัครข้ามวันหรือข้ามอุปกรณ์ได้

ผลนี้สนับสนุนหลักป้องกันไว้ก่อนอย่างน้อยดังต่อไปนี้

• อย่าถือว่าช่วง RR ที่ละเอียดหรือคุณลักษณะ HRV เป็น “ข้อมูลนิรนาม” เพียงเพราะลบชื่อแล้ว
• ไม่เพียงช่วงการเต้นหัวใจดิบ แต่เวกเตอร์คุณลักษณะและ embedding ของ AI ก็ควรได้รับการดูแลในฐานะข้อมูลสุขภาพที่อาจใช้แยกแยะบุคคลได้
• เก็บเฉพาะช่วงเวลาและความละเอียดที่จำเป็น และลบเมื่อไม่จำเป็น
• ประมวลผลบนอุปกรณ์เท่าที่ทำได้ และลดการส่งไปเซิร์ฟเวอร์หรือการแชร์กับบุคคลที่สาม
• ในการเผยแพร่งานวิจัย ไม่ควรแจก embedding รายบุคคล ตารางเพื่อนบ้านใกล้ที่สุด หรือลำดับเวลาที่นำไปจับคู่ได้โดยตรง
• ใส่เงื่อนไขห้ามจับคู่และห้ามระบุตัวบุคคลซ้ำในข้อตกลงแบ่งปันข้อมูล

นำไปใช้กับการออกแบบ Feelmo อย่างไร

Feelmo ปฏิบัติต่อข้อมูลร่างกาย เช่น HRV และการนอนหลับ ในฐานะข้อมูลอ่อนไหวที่อาจเชื่อมโยงกับเจ้าของข้อมูล ไม่ใช่เพียงตัวเลขสำหรับแสดงผล โดยค่าเริ่มต้นจะประมวลผลและจัดเก็บบนอุปกรณ์ และไม่ส่งไปยังเซิร์ฟเวอร์ของผู้ให้บริการโดยอัตโนมัติ อ่านรายละเอียดได้ที่ข้อมูลและความเป็นส่วนตัว

สิ่งที่งานวิจัยนี้สนับสนุนไม่ใช่ฟังก์ชัน “ทายว่าใครเป็นเจ้าของ HRV” แต่ตรงกันข้าม คือหลักการออกแบบที่ว่า ยิ่งข้อมูลวิเคราะห์ได้มากเท่าไร ยิ่งควรเก็บไว้ใช้ให้เกิดประโยชน์ในอุปกรณ์ของเจ้าของ แทนการส่งออกไปภายนอก

ข้อจำกัดและการตรวจสอบครั้งต่อไป

• เป็นการวิเคราะห์ข้อมูลทุติยภูมิภายในที่ยังไม่ผ่านการประเมินโดยผู้ทรงคุณวุฒิ และต้องมีนักวิจัยอิสระทำซ้ำ
• เซ็นเซอร์ สภาพแวดล้อมการวัด และการประมวลผลล่วงหน้าต่างกันในแต่ละ cohort สาธารณะ
• ค่าหลักมาจากคนละช่วงของระเบียน ECG ขณะพักเดียวกัน จึงไม่แสดงว่าคงอยู่ข้ามวัน
• จาก 211 คนที่กันไว้ มี 9 คนถูกตัดออกเพราะไม่ผ่านเกณฑ์คุณสมบัติที่กำหนดไว้ล่วงหน้า โดยไม่เปิดเผยเกณฑ์คัดเลือกโดยละเอียด
• cohort สาธารณะใช้วิธีเก็บข้อมูลต่างกัน เช่น lead ที่ใช้บันทึก ซึ่งอาจกระทบผล
• การประเมินภายในอีกแบบก็ไม่ถึงเกณฑ์ และไม่ได้แสดงความคงที่ข้ามภาวะหลับกับตื่น
• เป็น top-5 ในกลุ่มแบบปิด ไม่ได้ประเมินการยืนยันตัวตนในการใช้งานจริง
• ไม่ได้ตรวจสอบโดยตรงด้วย Apple Watch
• ในอนาคตจำเป็นต้องมีข้อมูลเชิงคาดการณ์ล่วงหน้าสำหรับ Apple Watch โดยเฉพาะ cohort ภายนอก การประเมินแยกตามภาวะ และการประเมินแบบกลุ่มเปิดที่มีบุคคลไม่รู้จัก

เอกสารการวิจัย

• การตรวจสอบซ้ำเพื่อเผยแพร่: JSON สรุปที่ไม่มีข้อมูลส่วนบุคคล ซึ่งไม่มี ID บุคคล อันดับรายบุคคล คุณลักษณะ โค้ดประมวลผลล่วงหน้า หรือขั้นตอนเปรียบเทียบ
• การวิเคราะห์ภายใน: Paper 3 (ยังไม่ผ่านการประเมินโดยผู้ทรงคุณวุฒิและยังไม่เปิดเผยต่อสาธารณะ) ไม่เปิดเผยการออกแบบคุณลักษณะ เงื่อนไขคุณภาพ การประมวลผลล่วงหน้า สูตรเปรียบเทียบ อาร์เรย์ระดับบุคคล หรือผลผลิตระหว่างทาง
• ขนาดการวิเคราะห์: 6 cohort, 1,227 คน
• ค่าหลักที่เผยแพร่: จาก 211 คนของ Autonomic Aging ที่กันไว้ มี 202 คนผ่านเกณฑ์คุณสมบัติ; top-5 ภายในระเบียนเดียวกัน 55.45% (112/202)
• ข้อมูลหลัก: Schumann A, Bär KJ. Autonomic Aging. บทความ doi:10.1038/s41597-022-01202-y・ข้อมูล doi:10.13026/2hsy-t491
• ข้อมูลแยกตามภาวะ: Rossi A, et al. A Public Dataset of 24-h Multi-Levels Psycho-Physiological Responses in Young Healthy Adults. Data. 2020;5(4):91. doi:10.3390/data5040091・MMASH v1.0.0 doi:10.13026/cerq-fc86
• สถานะงานวิจัย: ยังไม่ผ่านการประเมินโดยผู้ทรงคุณวุฒิ เป็นการวิเคราะห์ข้อมูลทุติยภูมิภายในด้วยข้อมูลสาธารณะ

※ งานวิจัยภายในนี้ไม่ได้ทดสอบประสิทธิผลของแอป Feelmo