移动通信日志时间序列用于检测抑郁症状

科学领域:

• 数字心理健康数字心理健康
• 计算精神病学是一种计算精神病学.
• 机器学习在医疗保健中的应用

背景情况:

• 重度抑郁症 (MDD) 是一种普遍存在的精神健康状况,具有复杂,异质的症状.
• 目前的MDD评估严重依赖于自我报告,限制客观测量.
• 了解个体症状变异对于个性化MDD治疗至关重要.

研究的目的:

• 通过使用手机通信数据,研究机器学习模型对个人抑郁症状的预测能力.
• 探索来自电话和短信记录的客观行为数据与MDD的主观自我报告症状之间的关系.
• 确定哪些沟通属性对预测特定抑郁症状最有信息.

主要方法:

• 收集了300多名被诊断患有MDD的参与者的电话和短信日志.
• 通过汇总通信属性 (例如长度,数量,联系人) 在4,6,12和24小时间隔创建时间序列数据.
• 应用机器学习模型来预测九种不同的自我报告的抑郁症状.

主要成果:

• 机器学习模型在预测运动不规则方面取得了最高的准确性 (平衡准确率为0.70).
• 预测自杀念头的准确度为0.67.7.
• 出发的短信特征被确定为最有价值的症状预测数据类型.

结论:

• 来自手机日志的客观数据可以非常准确地预测个人抑郁症状.
• 这项研究支持移动健康技术的潜力,用于个性化MDD评估和干预.
• 未来的研究可以利用这些发现来开发更客观和量身定制的方法来管理MDD.