使用数字生物标志物,对患有严重抑郁症的患者进行个性化复发预测

科学领域:

• 精神病学和心理健康 精神病学和心理健康
• 计算神经科学是一种神经科学.
• 数字健康数字健康

背景情况:

• 重度抑郁症 (MDD) 是一种慢性疾病,具有显著的复发率,影响患者的发病率和死亡率.
• 早期预测MDD复发对于实施有效的"预测和抢先"临床策略至关重要.
• 目前的复发预测方法往往缺乏个性化和实时可操作的见解.

研究的目的:

• 开发和评估一种新的个性化 (N-of-1) 框架,用于预测MDD患者近期复发.
• 将被动感应 (动图) 与主动症状报告相结合,以提高复发预测的准确性.
• 在独立研究中评估开发框架的通用性和临床实用性.

主要方法:

• 开发了一个个性化的编码-解码异常检测框架,将多变量动画特征与自我报告的抑郁和焦虑症状相结合.
• 该框架在两个独立的纵向观察性试验中得到了验证,其中包括持续的活动监测和每周的症状评估.
• 来自可穿戴传感器的数据被分析,以检测引发并发性自我报告症状问卷的异常,以预测复发.

主要成果:

• 综合的被动-主动复发预测框架在预测MDD复发时实现了≥71%的平衡准确性.
• 该系统的虚假报警率很低 (≤2.3个报警/患者/年).
• 在这两组研究群体中,检测到复发的中位数是临床发病前2-3周的预先时间.

结论:

• 拟议的个性化N-of-1预测框架是可概括的,并且有效地预测大多数MDD复发.
• 该框架允许可操作的,短期的复发预测,对患者和提供者来说负担相对较低.
• 这种方法具有显著的潜力,可以改善MDD管理中的临床护理和患者结果.