双极性障碍的数字表型:使用纵向的Fitbit数据和个性化的机器学习来预测情绪症状

科学领域:

• 数字健康数字健康
• 机器学习在医学中的应用
• 精神病学是一个精神病学.

背景情况:

• 双极性障碍 (BD) 治疗需要及时识别情绪发作.
• 来自个人设备的被动传感器数据显示了情绪事件检测的潜力.
• 现有的方法缺乏广泛适用于情绪症状学预测.

研究的目的:

• 评估一种新的,个性化的机器学习方法,用于检测BD患者的心情症状.
• 为了评估仅在被动Fitbit数据上训练的模型的准确性,使用最小的过.
• 确定在 BD 中广泛应用情绪预测的可行性.

主要方法:

• 在9个月内分析了54名患有BD的成年人的数据,包括Fitbit数据和每两周一次的自我报告.
• 机器学习 (ML) 模型应用于两周的聚合Fitbit数据.
• 使用已建立的临床切线 (PHQ-8,ASRM) 检测抑郁和 (低) 躁狂症状.

主要成果:

• 二元混合模型 (BiMM) 森林算法展示了最高的预测性能 (ROC-AUC).
• 在测试组中,ROC-AUC为抑郁症的86.0%,为 (hypo) mania的85.2%.
• 优化值为抑郁症检测提供了80.1%的准确率,为 (低) 躁狂检测提供了89.1%的准确率.

结论:

• 通过使用广泛适用的方法,在BD患者中精确检测情绪症状.
• 这些发现支持使用Fitbit数据来准确预测情绪症状.
• 这项研究引入了BiMM森林用于情绪预测,为更广泛的患者群体推进了个性化算法.