ウェアラブルの数字はどこまで信じられるか｜平均バイアスと一致限界は別物

ウェアラブル端末は、心拍数・睡眠段階・心拍変動（HRV）を毎日表示します。では、その数字はどれだけ正確なのでしょうか。

この問いには、2段階の答えが必要です。第一に、そもそも大半の機能は検証されていません。第二に、検証された機能でも「集団の平均として正確であること」と「あなた個人の今日の数字が信頼できること」は別のことです。

後者は統計の読み方の問題であり、この領域を理解するうえで最も重要な区別です。順に見ていきます。

そもそも、どれだけ検証されているのか

Doherty C, et al. Keeping Pace with Wearables: A Living Umbrella Review of Systematic Reviews Evaluating the Accuracy of Consumer Wearable Technologies in Health Measurement. Sports Medicine. 2024. DOI: 10.1007/s40279-024-02077-2

消費者向けウェアラブルの精度を評価した系統的レビュー・メタ分析を集めた「living（継続更新型）」アンブレラレビューです。904件から24の系統的レビューが適格となり、それらには249の重複しない検証研究・430,465名（女性43%）が含まれていました（PROSPERO CRD42023402703）。

この研究が最初に報告している数字が、この領域の全体像を決定づけます。

つまり「この端末のこの機能は検証されていない」というのが、既定の状態です。検証されているほうが例外だ、ということになります。

指標ごとの精度

身体活動の強度の平均絶対誤差が29〜80%という数字は、注目に値します。歩数（−9〜12%）とは桁が違います。「今日は中強度の運動を何分した」という表示は、この誤差の上に成り立っています。

著者らの結論は次のとおりです。「消費者向けウェアラブルは健康モニタリングにおいて有望性を示すものの、研究のアウトカムと方法論に広く行き渡った異質性のために、その精度についての確定的な評価は妨げられている。」

より古い、しかし大規模な系統的レビューも同じ方向です。9つの市販ブランドについて158の出版物を検討したものでは、実験室環境において Fitbit・Apple Watch・Samsung は歩数を正確に測定したとされます。心拍数はより変動が大きく、Apple Watch と Garmin が最も正確で Fitbit は過小評価の傾向がありました。そして「エネルギー消費量については、どのブランドも正確ではなかった」と結論しています（Fuller ら, 2020, JMIR mHealth and uHealth）。

睡眠段階：一致率とκ係数の違い

ここから、統計の読み方の話に入ります。

Miller DJ, et al. A Validation of Six Wearable Devices for Estimating Sleep, Heart Rate and Heart Rate Variability in Healthy Adults. Sensors. 2022;22(16):6317. DOI: 10.3390/s22166317

53名（女性26・男性27、25.4±5.9歳）が睡眠実験室で一晩（23:00〜08:00、9時間）を過ごし、6つの端末を同時装着したうえで、睡眠はポリソムノグラフィ（PSG）、心拍は心電図といういずれもゴールドスタンダードと比較したものです。

2状態分類の一致率は86〜89%。数字だけ見れば優秀です。しかしκ係数は 0.30〜0.51 にとどまります。

この乖離には理由があります。睡眠実験室で9時間ベッドにいれば、その大半は睡眠です。したがって「ずっと睡眠」と答えるだけの端末でも、一致率は高く出ます。κ係数は偶然による一致を補正した指標なので、この水増しが剥がれます。

Apple Watch の κ = 0.30 は、一般的な目安では「まずまず（fair）」の水準です。一致率88%という数字とは、印象がかなり違います。

そして多状態分類（レム睡眠・深睡眠などの段階を当てる）では、一致率そのものが50〜65%まで落ちます。著者らの結論は明確です。

より大規模な多施設研究も同じ結論です。韓国の三次病院と睡眠専門クリニックで75名を対象に、11の消費者向け睡眠トラッカー（ウェアラブル5・ニアラブル3・エアラブル3）を PSG と比較したものでは、3,890時間の睡眠記録と543時間の PSG 記録、349,114エポックが解析されました。睡眠段階分類のエポック単位の一致はマクロF1スコアで最高 0.69、最低 0.26と大きく変動しています（Lee ら, 2023, JMIR mHealth and uHealth）。

同研究は端末の種類による傾向の違いも報告しています。ウェアラブルは睡眠効率に比例バイアスが大きく、ニアラブルは入眠潜時に比例バイアスが大きい。そして BMI・睡眠効率・無呼吸低呼吸指数によってマクロF1が変動する一方、男女差は最小限でした。

なぜκが低くなるのか：感度と特異度の非対称

一致率が高いのにκが低い理由は、感度と特異度を分けて見るとはっきりします。

Roberts DM, et al. Detecting Sleep Using Heart Rate and Motion Data from Multisensor Consumer-Grade Wearables, Relative to Wrist Actigraphy and Polysomnography. Sleep. 2020;43(7):zsaa045. DOI: 10.1093/sleep/zsaa045

8名がそれぞれ4夜を睡眠実験室で過ごし、PSG と複数のウェアラブルを同時装着したものです。エポック単位の睡眠・覚醒判定について、次の結果が報告されています。

感度は0.9前後と非常に高い一方、特異度は0.37〜0.65程度しかありません。つまり眠っているときに「眠っている」と判定するのは得意だが、目が覚めているときに「起きている」と判定するのは苦手だということです。

これが、前節の「一致率は高いのにκは低い」という現象の正体です。夜間の大半は睡眠なので、感度が高ければ一致率は高くなります。しかし覚醒を取りこぼすため、偶然を補正したκは伸びません。

実務的には、「夜中に何度も目が覚めた」という自覚があるのにアプリが良好な睡眠を表示することがありうる、ということになります。

なお著者らは肯定的な結論も出しています。「多センサー消費者ウェアラブルのデータは、エポック水準で参照機器と強く相関しており、既存の研究機器に匹敵する睡眠覚醒モデルの開発に使用できる。」センサーが取得する生データの質と、メーカーのアルゴリズムが出力する結果の質は、別の問題だという示唆です。

心拍変動：心拍数が正確でも HRV は正確とは限らない

ここが実務上、最も誤解されやすい点です。

O’Grady B, et al. The Validity of Apple Watch Series 9 and Ultra 2 for Serial Measurements of Heart Rate Variability and Resting Heart Rate. Sensors. 2024;24(19):6220. DOI: 10.3390/s24196220

健康成人39名から14日間で316回の HRV 測定を収集し、Polar H10 チェストストラップ＋Kubios HRV ソフトウェアを基準として検証したものです。

同じ端末が、安静時心拍数は MAPE 5.91% で測れるのに、HRV は MAPE 28.88%です。しかも安静時心拍数の食い違いは HRV の差に有意な影響を与えていませんでした（p = 0.156）。

これは、心拍数と HRV が別の計算を経て出てくるためです。心拍数は1分間の拍数の平均なので、多少の拍の取りこぼしがあっても平均は安定します。一方 HRV は拍と拍の間隔のばらつきなので、1拍の誤検出が値を大きく動かします。

著者らの結論は「安静時心拍数が正確であるにもかかわらず、これらの所見は、消費者向けウェアラブルにおける HRV アルゴリズムの改善の必要性と、臨床またはパフォーマンス監視のために HRV データを解釈する際の慎重さを強調する」というものです。

ただし端末差が非常に大きい

Dial MB, et al. Validation of nocturnal resting heart rate and heart rate variability in consumer wearables. Physiological Reports. 2025. DOI: 10.14814/phy2.70527

健康成人13名（女性6名）が心電図と複数のウェアラブルを睡眠中に同時装着し、合計536夜のデータを収集したものです。

端末間の精度は有意に異なりました（p < 0.05）。Oura の HRV は MAPE 6%前後である一方、Polar は 16.32% で、しかも標準偏差が 24.39% と平均を上回っています。ばらつきが平均より大きいということは、夜によって大きく外れることがあるという意味です。

なお前述の O’Grady らは Apple Watch で MAPE 28.88% を報告しており、Dial らの研究には Apple Watch が含まれていません。端末ごとに、そして世代ごとに、別々に検証する必要があるということになります。

平均バイアスが小さいことは、正確さを意味しない

この領域を読むうえで、最も重要な統計の区別です。

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

9つのデータベースを2025年9月24日まで検索し、Apple Watch の健康指標を基準法と比較した82研究・14指標・430,052名（統合平均年齢41.3±13.3歳）を対象とした living 系統的レビューです（PROSPERO CRD42023481841）。

心拍数の平均バイアスは −0.27 bpm。ほぼゼロです。ここだけ見れば「極めて正確」に見えます。

しかし一致限界は −7.19 〜 6.64 bpm。これはおよそ95%の測定がこの範囲に収まるという意味であり、裏を返せばある1回の測定は、真値から7 bpm ずれていてもおかしくないということです。

なぜこうなるかというと、過大評価と過小評価が打ち消し合うからです。平均バイアスは集団としての偏りを示す指標であって、個々の測定の信頼性を示す指標ではありません。

血中酸素飽和度でも同じ構図です。平均バイアス −0.04% に対し、一致限界は −4.00 〜 3.94%。SpO2 で4ポイントの差は、臨床的には無視できない大きさです。

同レビューは他の指標についても報告しています。心房細動の検出は、感度より特異度が高い（特異度 0.91、感度 0.79）。つまり「検出しなかった」ことは「ない」ことを意味しません。睡眠と歩数の精度は中程度、エネルギー消費量の誤差は一貫せずしばしば大きいとされています。

著者らの結論は「測定の精度は、指標によって、測定条件によって、そして個人の生理によって変動した。臨床実践と政策に情報を提供するには、バイタルサインを含む主要な臨床指標の縦断的検証が必要である」というものでした。

実験室の外では、さらに落ちる

ここまでの多くは、実験室で安静または一定の運動をしている条件での結果です。日常生活ではどうなるでしょうか。

Gielen J, et al. Accuracy of Optical Heart Rate Measurements for 10 Commercial Wearables in Different Climate Conditions and Activities: Instrument Validation Study. JMIR Formative Research. 2026. DOI: 10.2196/85186

健康成人45名（21〜68歳、平均34±12歳）が、気候制御室で中立（23℃）・高温（36℃）・低温（10℃）の3条件下、安静・認知的ストレス（Montreal Imaging Stress Task）・一定歩行・断続的歩行という課題を行ったものです。10端末を心電図由来の心拍数（Zephyr BioHarness チェストストラップ）と比較しています。

この研究の重要な所見は2つです。

著者らは「中程度の気候は性能を損なわなかったが、不規則な動きは精度を低下させた」と結論しています。一定のペースで歩くときより、止まったり歩いたりを繰り返すときのほうが不正確になる——これは日常生活そのものの条件です。

光学式心拍計（手首で緑色光の反射を測る方式）は、原理上、動きによるノイズに弱く、装着のずれや皮膚との接触状態にも影響されます。断続的な動きで誤差が増えるのは、この原理から予想される結果でもあります。

なお、24時間の生態学的に妥当な条件で検証した研究もあります。1名の参加者が心電図と Apple Watch 3・Fitbit Charge 2 を同時装着し、座位・歩行・走行・日常生活動作・睡眠の5条件で102,740拍を収集したものでは、Apple Watch 3 は平均差 −1.80 bpm・平均絶対誤差率 5.86%・一致度95%、Fitbit Charge 2 は −3.47 bpm・5.96%・91% でした。ただしこれは単一被験者デザインであり、著者ら自身が「初期的な評価」と位置づけています（Nelson & Allen, 2019, JMIR mHealth and uHealth）。

では、どう使えばよいのか

ここまでの知見から、実務的な使い分けが導けます。

もうひとつ、原理的に重要な注意点があります。これらの検証はすべて、特定の世代の特定のモデルについてのものです。Doherty らが「living（継続更新型）」レビューという形式を採ったのも、端末とアルゴリズムが検証の速度より速く更新されていくためです。Fuller らも「端末は常にアップグレードされ新モデルに再設計されており、より現在に近いレビューと研究の必要性を示唆する」と述べています。

ある世代で検証された精度が、次の世代でも成り立つ保証はありません。そしてファームウェアの更新によってアルゴリズムが変わることもあります。

いま言えること

• 市販ウェアラブルのうち、少なくとも1指標について検証されているのは約11%。実施された検証研究は、包括的評価に必要な数の3.5%にすぎない
• 心拍数の平均バイアスは ±3% 程度だが、Apple Watch の統合では一致限界が −7.19〜6.64 bpm。平均バイアス −0.27 bpm という数字と、個々の測定の信頼性はまったく別
• 血中酸素飽和度も同様。平均バイアス −0.04% に対し一致限界 −4.00〜3.94%
• 睡眠の2状態分類（睡眠か覚醒か）の一致率は86〜89%だが、κ係数は 0.30〜0.51。ベッドにいる時間の大半が睡眠であるため、一致率は水増しされる
• 睡眠段階の多状態分類は一致率50〜65%、κ 0.20〜0.52。全端末が「改善を要する」
• 11端末・349,114エポックの多施設研究では、マクロF1が 0.69〜0.26 と大きく変動
• 安静時心拍数が正確でも HRV が正確とは限らない。Apple Watch で安静時心拍数 MAPE 5.91% に対し HRV は MAPE 28.88%、平均 8.31 ms 過小評価、±10 ms の等価性マージンを満たさず
• HRV の端末差は極端。536夜の検証で Oura Gen 4 は MAPE 5.96%、Polar Grit X Pro は 16.32 ± 24.39%
• 気候（10〜36℃）は精度に有意な影響を与えないが、断続的な歩行は複数の端末で誤差を増大させる
• 同じ研究内で、端末間の MAE は 4.5 bpm から 14 bpm まで、CCC は 0.93 から 0.45 まで開いた
• 最大酸素摂取量は 9.83〜15.24% 過大評価。身体活動の強度分類は平均絶対誤差 29〜80%
• エネルギー消費量は「どのブランドも正確ではなかった」
• 心房細動検出は特異度 0.91 > 感度 0.79。検出されなかったことは、ないことを意味しない

この領域の結論を一言でまとめるなら、ウェアラブルは「変化の方向」を見る道具であって、「値そのもの」を読む道具ではないということになります。

同じ端末を同じ条件で使い続けたときの相対的な変化——先週より睡眠時間が短い、この1か月で安静時心拍数が上がってきた——は、系統誤差が一定であれば意味を持ちます。一方、ある1日の絶対値——今日の HRV は 42 ms だった、深睡眠が1時間12分だった——は、示された誤差の大きさからすると、そのまま解釈するには無理があります。

そして最後に、この記事で扱ったすべての数字には共通の限界があります。検証研究の大半は健康な若年〜中年成人を対象とした短期間の測定であり、疾患のある人、高齢者、肌の色、体毛、手首の太さ、タトゥーといった要因による違いは、ほとんど検討されていません。Lambe らが「精度は個人の生理によって変動した」と述べているのは、この点です。

出典

1. Doherty C, et al. Keeping Pace with Wearables: A Living Umbrella Review of Systematic Reviews Evaluating the Accuracy of Consumer Wearable Technologies in Health Measurement. Sports Medicine. 2024. DOI: 10.1007/s40279-024-02077-2
2. Fuller D, et al. Reliability and Validity of Commercially Available Wearable Devices for Measuring Steps, Energy Expenditure, and Heart Rate: Systematic Review. JMIR mHealth and uHealth. 2020;8(9):e18694. DOI: 10.2196/18694
3. Miller DJ, et al. A Validation of Six Wearable Devices for Estimating Sleep, Heart Rate and Heart Rate Variability in Healthy Adults. Sensors. 2022;22(16):6317. DOI: 10.3390/s22166317
4. Lee T, et al. Accuracy of 11 Wearable, Nearable, and Airable Consumer Sleep Trackers: Prospective Multicenter Validation Study. JMIR mHealth and uHealth. 2023;11:e50983. DOI: 10.2196/50983
5. O’Grady B, et al. The Validity of Apple Watch Series 9 and Ultra 2 for Serial Measurements of Heart Rate Variability and Resting Heart Rate. Sensors. 2024;24(19):6220. DOI: 10.3390/s24196220
6. Dial MB, et al. Validation of nocturnal resting heart rate and heart rate variability in consumer wearables. Physiological Reports. 2025. DOI: 10.14814/phy2.70527
7. 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
8. Gielen J, et al. Accuracy of Optical Heart Rate Measurements for 10 Commercial Wearables in Different Climate Conditions and Activities: Instrument Validation Study. JMIR Formative Research. 2026. DOI: 10.2196/85186
9. Nelson BW, Allen NB. Accuracy of Consumer Wearable Heart Rate Measurement During an Ecologically Valid 24-Hour Period: Intraindividual Validation Study. JMIR mHealth and uHealth. 2019;7(3):e10828. DOI: 10.2196/10828
10. Roberts DM, et al. Detecting Sleep Using Heart Rate and Motion Data from Multisensor Consumer-Grade Wearables, Relative to Wrist Actigraphy and Polysomnography. Sleep. 2020;43(7):zsaa045. DOI: 10.1093/sleep/zsaa045

この記事は公表された検証研究の要約であり、診断や治療の助言ではありません。特定の製品を推奨または非推奨とするものでもありません。ウェアラブル端末の表示は医療機器としての診断を目的としたものではなく、健康上の懸念がある場合は表示値にかかわらず医療機関にご相談ください。