使用数字表型来捕捉抑郁症症状变化:通过被动收集的可穿戴运动和睡眠数据,在一年内检测抑郁症症状的自然变化
George D Price1,2, Michael V Heinz3,4, Seo Ho Song5
1Center for Technology and Behavioral Health, Geisel School of Medicine, Dartmouth College, Lebanon, NH, USA. George.Price.GR@dartmouth.edu.
Translational psychiatry
|December 9, 2023
概括
这项研究表明,将患者的人口统计数据,健康状况和可穿戴传感器数据结合起来,可以帮助预测重大抑郁症 (MDD) 症状的长期变化. 这种方法为了解和管理随时间变化的抑郁症变化提供了一种新的方法.
科学领域:
- 精神病学是一个精神病学.
- 计算精神病学是一种计算精神病学.
- 数字健康数字健康
背景情况:
- 大型抑郁症 (MDD) 的诊断和管理因症状随时间变化而复杂.
- 了解和预测这种症状变异性对于有效的临床干预至关重要.
- 最近的研究强调了分析抑郁症症状波动的临床重要性.
研究的目的:
- 调查社会人口统计学因素,并发症和被动收集的可穿戴数据 (运动和睡眠) 与长期抑郁症症状变异性之间的关联.
- 开发和评估用于检测长期抑郁症症状变化的机器学习模型.
- 确定关键预测因素及其对抑郁症症状波动的影响.
主要方法:
- 利用939名参与者的数据集与基线社会人口统计和并发病数据.
- 整合了纵向,被动收集的关于运动和睡眠的可穿戴数据.
- 采用集体机器学习方法,采用域驱动和详尽的特征选择,使用SHapley添加式扩展 (SHAP) 进行验证.
主要成果:
- 域驱动和详尽的纳入模型都在检测长期抑郁症症状变异性方面取得了中等的成功 (分别为r=0.33和r=0.39).
- SHAP分析提供了关于各种预测特征的重要性和方向性的见解.
- 社会人口统计学,并发症,运动和睡眠数据显示了增量预测有效性.
结论:
- 社会人口统计学,并发病率和被动收集的可穿戴数据显著有助于预测长期抑郁症症状变化.
- 整合这些多样化的数据源的机器学习模型显示出提高MDD的理解和管理的前景.
- 这项研究强调了数字健康工具在监测和预测精神病状况轨迹方面的潜力.
