利用消费者可穿戴的数字生物标志物来个性化识别产后抑郁症,使用我们所有人的研究计划数据集:横截面研究
Eric Hurwitz1, Zachary Butzin-Dozier2, Hiral Master3
1Department of Genetics, University of North Carolina at Chapel Hill, Chapel Hill, NC, United States.
JMIR mHealth and uHealth
|May 2, 2024
概括
消费者可穿戴设备显示,使用数字生物标志物检测产后抑郁症 (PPD) 是有前途的. 个性化的机器学习模型准确地识别了PPD,超过了早期检测的传统方法.
科学领域:
- 数字健康数字健康
- 发现生物标志物的发现.
- 机器学习在医疗保健中的应用
背景情况:
- 产后抑郁症 (PPD) 是一个重要的孕产妇健康问题,目前的检测方法导致诊断不足.
- 识别PPD症状是具有挑战性的,需要用于早期识别的新方法.
研究的目的:
- 评估来自消费者可穿戴设备的机器学习 (ML) 和数字生物标志物的有效性,以识别PPD.
- 为了证明使用心率,体力活动和能量消耗数据来检测PPD的可行性.
主要方法:
- 使用"我们所有人"研究计划数据集对患有和没有PPD的女性进行计算表型化.
- 使用Fitbit数据 (心率,活动,能量消耗) 开发个体内ML模型,以区分PPD状态.
- 评估各种ML算法 (随机森林,SVM,KNN,GLM) 使用 κ统计和 mAUC,比较个性化与队列模型.
主要成果:
- 个体内随机森林模型在区分PPD状态方面取得了高性能 (mAUC=0.85; κ=0.80).
- 个性化ML模型在PPD检测方面表现优于传统的队列模型.
- 在基底代谢率期间燃烧的卡路里成为PPD最重要的预测因素.
结论:
- 消费者可穿戴设备是用于PPD识别的可行的工具.
- 使用数字生物标志物的个性化ML方法可以彻底改变PPD早期疾病检测策略.
