生态瞬间评估 (EMA) 与无监督机器学习相结合,显示出对识别潜在需要精神病学评估的个体的敏感性
Julian Wenzel1, Nils Dreschke1, Esther Hanssen2
1Department of Psychiatry and Psychotherapy, Faculty of Medicine and University Hospital of Cologne, University of Cologne, Cologne, Germany.
European archives of psychiatry and clinical neuroscience
|September 16, 2023
概括
生态瞬间评估 (EMA) 和机器学习根据精神病症状轨迹确定了两个不同的子组. 一个子组,具有更高的症状负担,可能会受益于临床监测.
科学领域:
- 精神病学和心理健康 精神病学和心理健康
- 计算精神病学是一种计算精神病学.
- 数字化表型化是指数字化表型化.
背景情况:
- 生态瞬间评估 (EMA) 是捕捉精神病症状的一种可行的方法.
- 根据遗传风险和症状严重程度来区分个体对于有针对性的干预至关重要.
- 无监督机器学习为心理健康研究中识别新型子组提供了潜力.
研究的目的:
- 调查EMA与无监督机器学习相结合是否可以在精神病遗传风险连续范围内区分个人.
- 根据他们的症状概况,识别可能需要延长医疗保健的个人.
- 探索EMA作为临床监测工具的实用性.
主要方法:
- 参与者包括患有精神病障碍 (PD) 的个人,健康对照 (HC) 和患有精神病 (RE) 的亲属的HC.
- 在7天的时间里,EMA被用于捕捉纵向精神病症状评级 (幻觉,偏执思想).
- 集群分析应用于EMA数据,不依赖组分配,以确定子组.
主要成果:
- 两个集群出现了:集群1 (较高的平均EMA症状评级) 和集群2 (较低的平均EMA症状评级).
- 与集群2相比,集群1的横截面正负精神病症状 (PANSS,CAPE) 显著增加.
- 集群1主要包括患有PD的个体,而集群2包括PD,RE和HC的混合物,表明基于症状负担的分离.
结论:
- 结合集群分析,EMA有效地将精神病患者分为不同的子组,根据症状轨迹.
- 确定了一个具有高症状负担的子组 (集群1),可能受益于临床监测.
- 作为临床监测和识别需要延长医疗保健的个体的工具,EMA显示出有前途.
