使用基于可穿戴的深度学习模型在患有急性精神疾病的住院患者中全面预测症状:开发和验证研究
Minseok Hong1,2, Ri-Ra Kang3, Jeong Hun Yang2,4
1Department of Neuropsychiatry, Seoul National University Hospital, Seoul, Republic of Korea.
Journal of medical Internet research
|November 13, 2024
概括
可穿戴式传感器和深度学习可以准确预测急性患者的精神病症状变化和严重程度. 多任务学习模型显示出在临床环境中全面预测症状的前景.
科学领域:
- 数字精神病学数字精神病学
- 机器学习在医疗保健中的应用
- 可穿戴式传感器技术的技术.
背景情况:
- 评估急性精神疾病具有挑战性,数字工具的研究有限.
- 在急性精神病房,高员工工作量和倦怠风险需要创新的解决方案.
- 可穿戴传感器和深度学习提供客观数据,以帮助临床决策.
研究的目的:
- 开发和验证基于可穿戴的深度学习模型.
- 在急性精神病房全面预测患者症状.
- 加强对精神病治疗的临床决策支持.
主要方法:
- 从4个病房招募了精神分裂症和情绪障碍患者.
- 通过手腕穿戴可穿戴设备收集心率,加速度计和位置数据.
- 开发了深度学习模型 (单对多任务学习) 来预测症状恶化和严重程度.
主要成果:
- 191名参与者被列入最终分析.
- 模型准确地分类了症状恶化 (准确度为0.73-0.75).
- 多任务学习模型在预测症状严重程度方面表现优于单任务模型 (R2高达0.74).
结论:
- 穿戴式传感器数据和深度学习有效地预测症状变化和严重程度.
- 多任务学习是一种有希望的,计算效率高的症状预测方法.
- 病房间间的差异凸显了对于局部验证或联合学习的需求,以实现通用性.
关键词:
临床决策支持系统.深度学习是一种深度学习.数字现象型数字现象型地方验证验证.精神卫生机构的精神卫生设施.心理健康监测 心理健康监测多任务学习学习智能医院 智能医院是一家智能医院.可穿戴式传感器传感器

