穆德蒙:通过患者驱动的语音参数提交和人工智能技术,对双相情感障碍监测的新优化

科学领域:

• 数字心理健康数字心理健康
• 医疗保健中的人工智能
• 双极性障碍研究研究

背景情况:

• 智能手机收集的行为数据为双相情感障碍 (BD) 中的人工智能驱动的精神状态评估提供了潜力.
• 波兰的MoodMon系统集成了包括语音在内的被动和主动数据,用于实时心理状态监测和警报.
• 评估患者积极参与对先进监测工具有效性的影响至关重要.

研究的目的:

• 调查积极的患者参与是否提高了MoodMon人工智能系统对双相情感障碍的预测准确度.
• 评估整合积极和被动行为数据用于心理状态监测的有效性.
• 为一个更广泛的研究倡议,在心理医疗保健移动健康的贡献.

主要方法:

• 利用智能手机和腕带收集75名双相情感障碍患者的日常活动数据.
• 通过网络应用程序,访问和电话使用标准化尺度 (汉密尔顿抑郁症,青年躁狂评分尺度) 进行临床评估.
• 在患者数据上训练了MoodMon AI系统,并将其预测与临床评估进行了比较.

主要成果:

• 穆德蒙系统表现出高警报准确度,真正比率 (灵敏度) 为86.6%,真负比率 (特异性) 为98.59%.
• 积极的患者提交语音数据显著改善了心理状态变化和稳定性的预测.
• 与临床评估相比,人工智能系统成功预测了患者的心理状态.

结论:

• 患者积极参与数据提交,提高了人工智能驱动的监测工具的有效性,如双相情感障碍的MoodMon.
• 行为标志物和移动健康应用程序显示出改善心理健康服务和患者结果的巨大潜力.
• 这项研究证实了集成的被动和主动数据对于强大的精神状态监测的实用性.