Digital Phenotyping a budoucnost zdravotnictví: analýza inovačních trendů a rizik

1 Úvod

S nástupem digitálních technologií prochází zdravotnictví zásadní proměnou. Tradiční nárazová péče založená na návštěvách lékaře je postupně doplňována a v některých případech i nahrazována kontinuálním monitoringem pomocí nositelných technologií (wearables) a chytrých telefonů. Tento fenomén, označovaný jako digital phenotyping (digitální fenotypizace), slibuje revoluci zejména v oblasti duševního zdraví, kde objektivní biomarkery v klinické praxi často chybí.

Současný nástup umělé inteligence a senzorů do spotřební elektroniky však přináší nejen klinické benefity, ale i nová, dosud neprobádaná rizika. Hranice mezi zdravotnickým prostředkem a lifestylovým doplňkem se stírá, což vytváří legislativní šedou zónu. Data, která dříve zůstávala v chráněném prostředí nemocnic, se nyní stávají komoditou obchodovatelnou na globálním trhu.

Cílem této práce je analyzovat inovační trendy v oblasti digital phenotyping a wearables s využitím metod Competitive Intelligence (CI). Prostřednictvím kvantitativní patentové analýzy v nástroji Lens.org práce identifikuje klíčové hráče, technologické směřování a geografické rozložení inovací. Hlavním výzkumným záměrem je posoudit, jakým způsobem vstup technologických gigantů (Big Tech) do zdravotnictví mění přístup k bezpečnosti (OpSec) a jaká rizika pro ochranu soukromí z tohoto trendu vyplývají.

2 Teoretický kontext

Digital phenotyping je definován jako “moment-by-moment quantification of the individual-level human phenotype in-situ using data from smartphones and other personal digital devices.” (Torous et al., 2016). Z metodologického hlediska se sběr dat dělí na dvě základní kategorie:

• Aktivní data: Vyžadují vědomou interakci uživatele. Typickým příkladem jsou digitální dotazníky (Ecological Momentary Assessment – EMA), hlasové záznamy nebo kognitivní testy prováděné přímo v aplikaci. Ačkoliv poskytují cenný subjektivní vhled, jsou náchylná ke zkreslení a únavě respondenta.
• Pasivní data: Jsou sbírána kontinuálně na pozadí bez nutnosti zásahu uživatele. Moderní nositelná zařízení (wearables) a smartphony umožňují sledovat nejen fyziologické funkce (srdeční tep, spánek, elektrodermální aktivitu), ale i behaviorální vzorce (lokaci pomocí GPS, rychlost psaní na klávesnici, sociální interakce skrze metadata hovorů).

Právě posun k masivnímu využívání pasivních dat představuje hlavní inovační trend, ale zároveň největší výzvu z hlediska operační bezpečnosti (OpSec), neboť uživatel si často není vědom rozsahu a hloubky informací, které o svém duševním stavu poskytuje.

3 Metodika a datové zdroje

Tato kapitola popisuje postup sběru a zpracování dat, který byl zvolen pro analýzu inovačních trendů v oblasti digital phenotyping. Jako primární nástroj pro Competitive Intelligence (CI) v oblasti duševního vlastnictví byla zvolena platforma Lens.org, která integruje data z více než 95 patentových úřadů po celém světě.

3.1 Rešeršní strategie a vyhledávací dotaz

Pro identifikaci relevantních patentových dokumentů byla sestavena komplexní vyhledávací strategie (search string), která kombinuje tři klíčové sémantické oblasti:

• Hardware (senzor): Zařízení umožňující sběr dat (wearables, smartwatches, smart rings).
• Metoda: Způsob měření a analýzy (aktigrafie, digital phenotyping).
• Klinická aplikace: Cílové diagnózy duševního zdraví (deprese, úzkost, bipolární porucha).

Výsledný vyhledávací dotaz (Query) použitý v nástroji Lens.org měl následující syntaxi:

(wearable OR smartwatch OR “smart ring” OR “activity tracker”) AND (actigraphy OR sleep OR “digital biomarker” OR “digital phenotyping” ) AND ( “mental health” OR depression OR anxiety OR “bipolar disorder” OR stress OR schizophrenia OR “cognitive decline”) AND (class_cpc.symbol:A61B* OR class_cpc.symbol:G06N* )

3.2 Filtrování a parametry výběru

Pro zvýšení relevance datového souboru byly aplikovány následující filtry:

• Klasifikace CPC (ve vyhledávacím dotazu): Omezení na třídy A61B (Diagnostika; chirurgie; identifikace) a G06N (Počítačové systémy založené na specifických výpočetních modelech), což zajistilo zaměření na medicínské a algoritmické aspekty.
• Časové období: 2015-01-01 – 2025-12-02. Toto desetileté okno bylo zvoleno pro zachycení nástupu moderních wearables a dopadů pandemie COVID-19.
• Právní status: Active a Pending. Analýza se zaměřuje na živé patenty a probíhající řízení, nikoliv na expirované technologie, což lépe reflektuje aktuální hrozby a trendy.

3.3 Limity

Vyhledávání vygenerovalo dataset o velikosti 18 337 patentových rodin (k datu 2. 12. 2025). Data byla následně vizualizována pomocí analytických nástrojů Lens.org.

Při interpretaci výsledků je nutné zohlednit následující limity:

• Publikační zpoždění: Patentové přihlášky jsou obvykle zveřejňovány až 18 měsíců po podání, což může vést k podhodnocení aktivity v posledních dvou letech (2024–2025).
• Klasifikace: Výběr konkrétních CPC kódů může opomenout relevantní inovace, které byly zařazeny do méně obvyklých tříd.

4 Patentová analýza inovačního prostředí

Tato kapitola předkládá kvantitativní a kvalitativní analýzu globálního patentového prostředí v oblasti wearables a digital phenotyping. Analýza vychází z datasetu 18 337 patentových dokumentů získaných prostřednictvím platformy Lens.org. Sledované období zahrnuje roky 2015–2025, přičemž vyhledávací strategie se zaměřila na průnik technologií (wearables, smartwatches), metod (aktigrafie, digitální biomarkery) a klinických aplikací v duševním zdraví. Cílem této části je identifikovat klíčové inovační trendy, geografické rozložení sil a dominantní hráče na trhu, což následně poslouží jako datový základ pro diskuzi o bezpečnostních rizicích (OpSec).

4.1 Dynamika vývoje v čase

Graf na Obr. 1 ilustruje vývoj inovační aktivity. Zatímco do roku 2018 byl růst pozvolný, zlom nastává v období 2019–2020. Tento skokový nárůst silně koreluje s dopady pandemie COVID-19, která akcelerovala potřebu vzdáleného monitorování pacientů a decentralizovaných klinických studií. Jak uvádí Torous (2025), pandemie odhalila limity tradiční prezenční psychiatrie a vytvořila bezprecedentní poptávku po digitálních nástrojích schopných pasivního sběru dat. Pokles v posledním sledovaném roce je nutné interpretovat s opatrností, neboť je pravděpodobně způsoben administrativním zpožděním zveřejňování patentových přihlášek, nikoliv skutečným útlumem R&D aktivit. Integrace funkcí umělé inteligence do nositelných zařízení ukazuje, že výzkum již nepředstavuje pouze okrajovou inovaci, ale stává se stabilním pilířem digitálního zdravotnictví (Zhang, 2025).

4.2 Geografická dominance a jurisdikce

Analýza jurisdikcí (Obr. 2) potvrzuje dominanci Spojených států amerických, kde je podáno přibližně 14 000 patentů. Tato dominance USA má zásadní implikace pro globální standardy nakládání s daty. Většina technologií pro digital phenotyping je vyvíjena pod americkým legislativním rámcem, který se v přístupu k soukromí liší od evropského GDPR. To vytváří potenciální třecí plochy pro nasazení těchto technologií v EU, zejména s ohledem na předávání biometrických dat (Wang et al., 2023). Vysoký podíl mezinárodních přihlášek (WIPO) nicméně naznačuje snahu klíčových hráčů o globální ochranu duševního vlastnictví.

Rozdíl mezi americkým a evropským legislativním rámcem představuje zásadní bezpečnostní riziko v kontextu Competitive Intelligence. Zatímco v EU podléhají data ze všech nositelných zařízení (wearables) přísné regulaci GDPR, která je definuje jako citlivé údaje o zdravotním stavu bez ohledu na to, kdo je sbírá (Doherty et al., 2025), v USA je situace odlišná. Americký zákon HIPAA (Health Insurance Portability and Accountability Act) se vztahuje pouze na tzv. „covered entities“ (nemocnice, pojišťovny). Jak upozorňují Suleman et al. (2024), data sbíraná spotřebními zařízeními výrobců jako Fitbit nebo Apple přímo od uživatelů do tohoto rámce nespadají. Tato data jsou považována za komerční informace a mohou být legálně prodávána datovým makléřům (data brokers) nebo využívána pro marketingové profilování, aniž by uživatel musel dát explicitní souhlas ve smyslu klinického standardu (AuditPeak, 2025). Tento legislativní „loophole“ v USA vytváří asymetrii v ochraně soukromí a umožňuje korporacím v USA budovat rozsáhlé databáze digitálních fenotypů, které by v Evropě byly nelegální.

Ačkoliv Čína zaujímá pozici globálního lídra v digitálních technologiích, v analýze jurisdikcí (Obr. 2) není explicitně zastoupena. Tato anomálie je primárně způsobena specifiky tamního systému ochrany duševního vlastnictví, v němž firmy pro rychlou ochranu inovací na domácím trhu preferují tzv. užitné vzory (Utility Models) před standardními patenty. Jak uvádí Wininger (2025), v roce 2024 bylo v Číně podáno přibližně 3,18 milionu přihlášek užitných vzorů oproti 1,8 milionu standardních patentových přihlášek. Tento výrazný nepoměr objasňuje, proč zůstává značná část čínské inovační aktivity při standardním patentovém vyhledávání neviditelná. Lze předpokládat, že čínské inovace s globálním potenciálem jsou v datovém souboru zahrnuty pod kategorií mezinárodních přihlášek WIPO (WO), kde čínské technologické korporace patří k nejaktivnějším žadatelům.

4.3 Analýza klíčových žadatelů

Graf nejvýznamnějších přihlašovatelů (Obr. 3) odhaluje zásadní strukturální změnu trhu. V čele žebříčku nefigurují pouze tradiční zdravotnické firmy (jako Medtronic či Dexcom), ale dominují zde giganti spotřební elektroniky – Samsung Electronics a Apple. Tato konvergence „Big Tech“ a „MedTech“ znamená, že zařízení primárně určená pro zábavu a komunikaci se stávají de facto zdravotnickými pomůckami. Samsung se například agresivně zaměřuje na patenty pro detekci duševních stavů a stresu (Patent Forecast, 2020), zatímco Apple buduje ekosystém, který integruje data z hodinek přímo do zdravotních záznamů. Zdravotní data tedy opouštějí uzavřené a regulované klinické prostředí a přesouvají se do komerčních cloudových ekosystémů, což zvyšuje riziko jejich zneužití pro profilování uživatelů (OpSec riziko).

4.4 Technologické zaměření

Detailní dekompozice technologického zaměření patentů (Obr. 4) odhaluje zásadní trend v oblasti digital phenotypingu: posun přidané hodnoty od samotného hardwaru k softwarové analýze a algoritmům. Dominantní postavení zaujímají třídy ze skupiny G16H (Healthcare Informatics), konkrétně kódy G16H50/20 (počítačem podporovaná diagnostika) a G16H40/67 (dálkový monitoring). Tato převaha indikuje, že těžiště inovací spočívá v masivním nástupu umělé inteligence a strojového učení (ML), nikoliv pouze ve vývoji senzoriky.

Významnou roli však stále hrají i medicínské měřicí kódy, jako jsou A61B5/1118 (měření pohybu/aktigrafie) či A61B5/681 (měření fyziologických signálů pomocí nositelných zařízení). Právě kombinace těchto sběrných technologií s diagnostickými algoritmy (G16H) definuje podstatu moderního digital phenotypingu: využití pasivních dat z wearables pro klinickou inferenci. Jak uvádí Linardon (2025), obor se tak posouvá od prostého záznamu fyzické aktivity k sofistikovaným prediktivním modelům, které z dat dokáží odvodit riziko deprese či úzkosti.

Tato silná orientace na softwarové zpracování však s sebou nese specifická bezpečnostní rizika. Algoritmická povaha diagnostiky (G16H) zvyšuje kritičnost ochrany datových toků oproti fyzické ochraně zařízení. S nástupem AI se navíc objevuje tzv. „black box“ problém, kdy je obtížné zpětně auditovat diagnostický proces, a roste riziko re-identifikace uživatelů i z anonymizovaných datových sad, na což ve své studii upozorňují Wang et al. (2023).

4.5 Shrnutí analytických zjištění

Z provedené patentové analýzy vyplývají čtyři klíčové poznatky, které definují současný stav digital phenotypingu:

• Akcelerace a zralost: Obor prošel po roce 2019 fází rapidního růstu a nyní se stabilizuje, přičemž inovace se přesouvají od vývoje hardwaru k softwarové integraci AI.
• Geografická asymetrie: Dominance USA v patentových přihláškách určuje globální standardy, zatímco skrytá aktivita Číny představuje „slepé místo“ v běžných analýzách.
• Konvergence trhu: Hranice mezi spotřební elektronikou a zdravotnickými prostředky se stírá; trh ovládají technologičtí giganti (Big Tech) spíše než tradiční farmaceutické firmy.
• Algoritmická podstata: Převaha kódů G16H potvrzuje, že hlavní přidaná hodnota, a zároveň hlavní bezpečnostní riziko, spočívá v datech a prediktivních modelech, nikoliv v senzorech samotných.

5 Diskuze

Výsledky patentové analýzy odhalily zásadní transformaci v oblasti digitálního zdravotnictví. Technologie se přesouvá z rukou lékařů a regulovaných institucí do ekosystémů technologických gigantů a z chráněných klinických systémů do cloudových úložišť spotřební elektroniky. Tato kapitola diskutuje tři klíčové oblasti rizik, které z tohoto trendu vyplývají: konvergenci Big Tech a MedTech, legislativní asymetrii mezi USA a EU a limity anonymizace v éře umělé inteligence.

5.1 Komerční využití zdravotních dat: Technologické firmy jako noví strážci

Analýza klíčových žadatelů (Obr. 3) prokázala dominanci firem spotřební elektroniky – Samsung Electronics, Apple a Fitbit (Google) – nad tradičními medicínskými hráči jako Medtronic či Philips. Tento posun má zásadní důsledky pro povahu zdravotních dat. Zatímco lékařské přístroje podléhají přísnému schvalovacímu procesu (např. FDA v USA, CE v EU) a data z nich jsou chráněna lékařským tajemstvím, spotřební wearables nejsou klasifikovány jako zdravotnické prostředky (Martinez-Martin et al., 2021). Právě tato šedá zóna vytváří asymetrii v ochraně soukromí.

Uživatelé těchto zařízení fakticky vyměňují soukromí za pohodlí (convenience-privacy trade-off). Jak upozorňují Martinez-Martin et al. (2021), digital phenotyping má potenciál vytvářet citlivá zdravotní data mimo kontexty pokryté HIPAA, například prostřednictvím spotřebitelských zařízení či aplikací. Tato data mohou být následně prodávána datovým makléřům nebo využívána pro sekundární účely bez explicitního informovaného souhlasu ve smyslu klinických standardů. Perez-Pozuelo et al. (2021) dále varují, že s rostoucí penetrací digital phenotypingu se zvyšuje riziko diskriminačního použití dat – například pro diskriminaci na pracovním trhu nebo nespravedlivé kreditní skórování.

Z pohledu Competitive Intelligence je tento vývoj zvlášť znepokojivý. Zdravotní data, která dříve zůstávala pouze v uzavřených systémech nemocnic, se postupně mění v obchodní zboží na volném trhu. Díky tomu se k citlivým informacím o duševním stavu lidí mohou dostat nejen soukromé firmy, ale za určitých podmínek i státní instituce, aniž by musely přímo pronikat do interních zdravotnických databází.

5.2 Rozdíly v legislativě: Bezpečnostní rizika HIPAA a GDPR

Geografická analýza (Obr. 2) ukázala, že přibližně 76 % patentů v oblasti digital phenotypingu pochází z USA. Tato koncentrace inovací v USA má kritické implikace pro globální ochranu soukromí, neboť americký a evropský legislativní rámec se fundamentálně liší.

V Evropské unii chrání GDPR všechna osobní data týkající se zdraví bez ohledu na to, kdo je sbírá – ať už nemocnice, nebo Apple Watch (Doherty et al., 2025). Americký zákon HIPAA (Health Insurance Portability and Accountability Act) naproti tomu reguluje pouze tzv. covered entities – zdravotnická zařízení, pojišťovny a zpracovatele jednající jejich jménem. Jak detailně dokumentují Suleman et al. (2024), data sbíraná spotřebními wearables přímo výrobcem nespadají pod HIPAA. Tyto údaje jsou klasifikovány jako komerční informace a mohou být legálně prodávány třetím stranám, agregovány pro marketingové účely nebo využity pro profilování uživatelů (AuditPeak, 2025).

Tato legislativní mezera vytváří prostředí, ve kterém mohou americké korporace budovat rozsáhlé databáze digitálních fenotypů, které by v Evropě byly považovány za nelegální. Pro evropské uživatele to znamená, že i přes existenci GDPR zůstávají jejich data zranitelná, pokud používají služby amerických firem, které data zpracovávají v cloudech mimo EU nebo je předávají partnerským organizacím v USA. Tento problém ilustruje základní geopolitické napětí v oblasti ochrany dat: technologická dominance USA koliduje s evropskými hodnotami soukromí.

5.3 Skrytá rizika algoritmů: Re-identifikace a „black box“ diagnostika

Analýza CPC klasifikačních kódů (Obr. 4) potvrdila, že těžiště inovací se přesunulo od hardwaru k softwaru. Dominance tříd G16H (Healthcare Informatics) signalizuje masivní nástup algoritmů strojového učení do klinické inference. Tento posun však s sebou přináší dvě zásadní bezpečnostní rizika.

Zaprvé, moderní digital phenotyping již nestojí na pouhém měření fyzické aktivity, ale na prediktivních modelech, které z pasivních dat (rychlost chůze, variabilita srdeční frekvence, vzorce použití telefonu) odvozují pravděpodobnost psychiatrických diagnóz (Linardon et al., 2025). Tyto algoritmy však často fungují jako tzv. „black box“ – není možné zpětně auditovat, na základě jakých přesně rysů systém dospěl k diagnóze. Nedostatek transparentnosti ztěžuje identifikaci systematických chyb (bias) a může vést k falešně pozitivním nebo negativním výsledkům s dopadem na léčbu pacienta (Martinez-Martin et al., 2021).

Zadruhé, anonymizace biometrických dat se ukazuje jako nedostatečná. Wang et al. (2023) ve své studii demonstrovali, že i z údajně anonymizovaných datových sad lze uživatele re-identifikovat na základě unikátních vzorců chování zaznamenaných senzory. Systematický přehled 72 studií provedený Chikwetu et al. (2023) dokonce ukázal, že míra správné identifikace (correct identification rate) dosahuje typicky 86–100 % a k re-identifikaci stačí pouhých 1–300 sekund záznamu z nositelných zařízení. To znamená, že i v případě dodržení tradičních postupů anonymizace (odstranění jména, adresy) zůstává riziko zneužití dat vysoké.

Tento poznatek má přímý dopad na OpSec: citlivé informace o duševním zdraví jedince mohou být extrahovány z údajů, které na první pohled působí jako neškodná metadata. V kontextu Competitive Intelligence to vytváří novou útočnou plochu – konkurenční firmy, pojišťovny nebo státní aktéři mohou získat přístup k psychologickým profilům klíčových osob (manažerů, politiků, vyjednavačů) bez jejich vědomí.

5.4 Shrnutí diskuze

Patentová analýza v kombinaci s přehledem současné odborné literatury potvrzuje, že digital phenotyping představuje zásadní střet mezi technologickou inovací a ochranou soukromí. Zatímco potenciál pro zlepšení diagnostiky a léčby duševních onemocnění je nesporný, současný regulatorní rámec (zejména v USA) nedokáže držet krok s tempem vývoje. Výsledkem je prostředí, ve kterém jsou citlivá zdravotní data generována, sbírána a obchodována mimo tradiční ochranné mechanismy zdravotnictví. Z perspektivy Competitive Intelligence to znamená, že digital phenotyping není pouze klinickým nástrojem, ale potenciálně i nástrojem strategické surveillance s dopadem na jednotlivce i celé populace.

6 Závěr

Předložená práce analyzovala inovační prostředí v oblasti digital phenotyping a wearables s cílem identifikovat bezpečnostní rizika plynoucí z komoditizace zdravotních dat. Patentová analýza 18 337 dokumentů potvrdila, že obor prochází fází dynamického růstu, taženého zejména integrací umělé inteligence a strojového učení (třídy G16H).

Klíčovým zjištěním práce je identifikace zásadní asymetrie na trhu. Inovační aktivitu dominují technologičtí giganti z USA (Apple, Samsung, Google), zatímco tradiční zdravotnické firmy hrají sekundární roli. Tento posun má kritické důsledky pro ochranu soukromí. Protože většina inovací vzniká pod americkým legislativním rámcem, který neklasifikuje data ze spotřebních wearables jako chráněné zdravotní údaje (HIPAA loophole), dochází ke globálnímu oslabení standardů ochrany dat.

Diskuze prokázala, že moderní digital phenotyping již není pouhým monitorovacím nástrojem, ale sofistikovaným systémem pro psychologické profilování. Rizika re-identifikace uživatelů z anonymizovaných dat a možnost zneužití algoritmických diagnóz pro diskriminaci představují vážnou výzvu pro operační bezpečnost (OpSec).

Lze konstatovat, že technologie v tomto případě předběhla legislativu. Pro budoucnost oboru Competitive Intelligence to znamená nutnost vnímat nositelná zařízení nejen jako zdroj inovací, ale jako potenciální vektor úniku citlivých informací. Bezpečná budoucnost digitálního zdravotnictví bude vyžadovat nejen technologický pokrok, ale především sjednocení globálních standardů pro nakládání s biometrickými daty, které překlene propast mezi GDPR a americkým tržním modelem.

Deklarace o využití nástrojů umělé inteligence

Prohlašuji, že při tvorbě této práce byl jako doplňkový nástroj využit konverzační model umělé inteligence Gemini (společnost Google). Nástroj sloužil výhradně jako asistent pro brainstorming struktury práce, rešerši doplňkových odborných zdrojů a stylistické úpravy textu za účelem zvýšení jeho srozumitelnosti. Veškerý obsah, analytické závěry a argumentační linie jsou mým vlastním autorským dílem a za správnost všech uvedených informací nesu plnou odpovědnost.

Zdroje

AuditPeak. (2025, April 7). Why your smartwatch and wearables aren’t HIPAA-Protected. Audit Peak | Cybersecurity & Advisory Services. https://www.auditpeak.com/why-your-smartwatch-and-wearables-arent-hipaa-protected/

Doherty, C., Baldwin, M., Lambe, R., Altini, M., & Caulfield, B. (2025). Privacy in consumer wearable technologies: a living systematic analysis of data policies across leading manufacturers. NPJ digital medicine, 8(1), 363. https://doi.org/10.1038/s41746-025-01757-1

Chikwetu, L., Miao, Y., Woldetensae, M. K., Bell, D., Goldenholz, D. M., & Dunn, J. (2023). Does deidentification of data from wearable devices give us a false sense of security? A systematic review. The Lancet. Digital health, 5(4), e239–e247. https://doi.org/10.1016/S2589-7500(22)00234-5

Lens.org. (2025). Patent search results for wearables, digital biomarkers, and mental health (2015–2025) [Data set]. Cambia. Načteno 2. prosince 2025 z https://tinyurl.com/4xpyckmf

Linardon, J., Chen, K., Gajjar, S., Eadara, A., Wang, S., Flathers, M., Burns, J., & Torous, J. (2025). Smartphone digital phenotyping in mental health disorders: A review of raw sensors utilized, machine learning processing pipelines, and derived behavioral features. Psychiatry Research, 348, 116483. https://doi.org/10.1016/j.psychres.2025.116483

Martinez-Martin, N., Greely, H. T., & Cho, M. K. (2021). Ethical Development of Digital Phenotyping Tools for Mental Health Applications: Delphi Study. JMIR mHealth and uHealth, 9(7), e27343. https://doi.org/10.2196/27343

Mental State Detection: Samsung Capitalizes while Apple Lags – Patent Forecast. (2020, October 22). https://www.patentforecast.com/2020/10/22/mental-state-detection-samsung-capitalizes-while-apple-lags/?utm_source=rss&utm_medium=rss&utm_campaign=mental-state-detection-samsung-capitalizes-while-apple-lags

Perez-Pozuelo, I., Spathis, D., Gifford-Moore, J., Morley, J., & Cowls, J. (2021). Digital phenotyping and sensitive health data: Implications for data governance. Journal of the American Medical Informatics Association : JAMIA, 28(9), 2002–2008. https://doi.org/10.1093/jamia/ocab012

Sifaoui, A., & Eastin, M. S. (2024). “Whispers from the Wrist”: Wearable Health Monitoring Devices and Privacy Regulations in the U.S.: The Loopholes, the Challenges, and the Opportunities. Cryptography, 8(2), 26. https://doi.org/10.3390/cryptography8020026

Torous, J., Kiang, M. V., Lorme, J., & Onnela, J. (2016). New Tools for New Research in Psychiatry: A scalable and customizable platform to empower data driven smartphone research. JMIR Mental Health, 3(2), e16. https://doi.org/10.2196/mental.5165

Torous, J., Linardon, J., Goldberg, S. B., Sun, S., Bell, I., Nicholas, J., Hassan, L., Hua, Y., Milton, A., & Firth, J. (2025). The evolving field of digital mental health: current evidence and implementation issues for smartphone apps, generative artificial intelligence, and virtual reality. World psychiatry : official journal of the World Psychiatric Association (WPA), 24(2), 156–174. https://doi.org/10.1002/wps.21299

Wang, Z., Rucker, M., Toner, E. R., Larrazabal, M. A., Boukhechba, M., Teachman, B. A., & Barnes, L. E. (2023). Understanding Privacy Risks versus Predictive Benefits in Wearable Sensor-Based Digital Phenotyping: A Quantitative Cost-Benefit Analysis. … International Conference on Wearable and Implantable Body Sensor Networks, 2023, 10.1109/bsn58485.2023.10331378. https://doi.org/10.1109/bsn58485.2023.10331378

Wininger, A. (2025, July 16). 2024 Annual China filing statistics released: Utility model grants continue to drop while utility model applications continue to increase. China IP Law Update. https://www.chinaiplawupdate.com/2025/07/2024-annual-china-filing-statistics-released-utility-model-grants-continue-to-drop-while-utility-model-applications-continue-to-increase/

Zhang, Y., Wang, J., Zong, H., Singla, R. K., Ullah, A., Liu, X., Wu, R., Ren, S., & Shen, B. (2025). The comprehensive clinical benefits of digital phenotyping: from broad adoption to full impact. NPJ digital medicine, 8(1), 196. https://doi.org/10.1038/s41746-025-01602-5