数字表型化数据和异常检测方法用于评估跨诊断临床样本的情绪和焦虑症状的变化

科学领域:

• 数字健康数字健康
• 计算精神病学是一种计算精神病学.
• 行为数据科学行为数据科学

背景情况:

• 情绪和焦虑的临床评估通常依赖于主观的自我报告尺度或临床评估.
• 智能手机数字表型提供了一个可扩展的方法来客观地跟踪行为标记,如睡眠模式,以补充传统的症状评分.
• 这项研究研究了智能手机主动和被动传感器数据的整合,以评估情绪和焦虑的波动.

研究的目的:

• 探索基于智能手机的数字表型设计的潜力,以评估情绪和焦虑变化.
• 评估这个数字表型法在不同患者队列中的初步可靠性和有效性.
• 评估智能手机组合主动和被动数据中的异常检测是否可以预测情绪和焦虑得分的变化.

主要方法:

• 参与了两组 (每组n=76) 患有抑郁症/焦虑症和精神分裂症的患者.
• 参与者使用mindLAMP平台收集活动数据 (情绪/焦虑调查) 和被动智能手机数据 (地理位置,加速度计,屏幕状态) 超过一个月.
• 应用了异常检测算法来识别组合数据中的统计异常,以预测自我报告的情绪/焦虑得分的变化.

主要成果:

• 异常检测模型可靠地预测了症状变化 (在PHQ-9/GAD-7上≥4分),AUC为0.65 (抑郁症) 和0.80 (焦虑症).
• 这些预测能力保持在至少7天的提前检测显著的症状变化.
• 活动数据单独解释了分别在抑郁症/焦虑症和精神分裂症队列中的52%和75%的症状变化.

结论:

• 使用智能手机数字表型数据检测异常可用于预测跨诊断患者群体的症状变化.
• 研究结果表明,这种方法在不同患者群体,国家和研究地点都是可靠和有效的.
• 未来的研究应该专注于这些统计异常检测方法在临床环境中的未来应用.