使用大型语言模型从用户生成的日记文本数据检测抑郁症作为数字心理健康查的新方法:仪器验证研究

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.
• 自然语言处理自然语言处理.

背景情况:

• 抑郁症带来了重大的全球挑战,影响了生产力和增加了残疾人.
• 目前的抑郁查工具缺乏客观性和准确性.
• 新兴的客观指标包括图像分析,生物标志物和生态瞬间评估 (EMA).

研究的目的:

• 通过大语言模型 (LLM) 使用用户生成的日记文本来检测抑郁症.
• 验证半结构化日记文本数据作为一种有价值的EMA抑郁症评估来源.

主要方法:

• 参与者完成了抑郁症 (PHQ) 和自杀风险 (BSI) 评估.
• 实施了为期2周的日记写作周期.
• 评估了LLM (GPT-3.5,GPT-4) 的表现,使用微调,零射击和日记文本上的思维链提示.

主要成果:

• 通过GPT-3.5的微调,实现了高精度 (0.902) 和特异性 (0.955).
• 没有微调的GPT-3.5显示出最高的平衡精度 (0.844) 与强烈的回忆 (0.929).
• 无论是GPT-3.5还是GPT-4,都显示出有效的抑郁风险识别.

结论:

• 用户生成的文本数据对于抑郁症检测具有显著的临床潜力.
• 在分析心理健康的定性数字表达方面,LLM显得有前途.
• 未来的研究应该将定性数字表达与活动数据等定量措施相结合.