使用被动感知行为和生态瞬间评估进行多发性硬化症严重程度的纵向数字表型:现实世界的评估
Zongqi Xia1, Prerna Chikersal2, Shruthi Venkatesh1
1Department of Neurology, University of Pittsburgh, Pittsburgh, PA, United States.
Journal of medical Internet research
|June 3, 2025
概括
使用智能手机和健身追踪器数据的数字表型化可以预测多发性硬化症 (MS) 症状. 这项技术为MS患者提供了持续的自我监测,并有助于临床管理.
科学领域:
- 数字健康数字健康
- 机器学习在医学中的应用
- 神经学 神经学
背景情况:
- 传统的多发性硬化症 (MS) 症状跟踪依赖于不经常和主观的自我报告或临床访问.
- 数字表型化为持续的实时症状监测提供了一个有希望的替代方案,降低了患者负担.
- 来自可穿戴设备和智能手机的被动传感器数据可以捕获客观的行为数据.
研究的目的:
- 开发和评估基于机器学习 (ML) 的数字表型化方法,用于监测多发性硬化症症状的严重程度.
- 用被动传感数据预测患者报告的抑郁,全球负担,疲劳和睡眠质量等症状的短期波动.
- 评估行为背景和生态瞬间评估 (EMA) 对预测准确性的影响.
主要方法:
- 这是一项长期12至24周的研究,涉及104名多发性硬化症患者.
- 收集被动传感器数据 (呼叫活动,位置,屏幕使用) 和健身追踪器数据 (心率,睡眠,步骤).
- 使用ML模型 (SVM,AdaBoost) 预测症状严重程度,使用传感器衍生功能,有或没有EMA输入.
主要成果:
- 在预测MS症状方面,ML模型取得了显著的准确性:抑郁症状 (80.6%),全球MS症状负担 (77.3%),严重疲劳 (73.8%) 和睡眠质量差 (72.0%).
- 仅仅是被动传感器数据就足以预测症状严重程度.
- 预测抑郁症状在最小的活跃患者输入 (EMA) 时有所改善.
结论:
- 使用被动传感器的数字表型化提供了一种可行的方法,用于对MS症状的持续,现实世界的自我监测.
- 这种方法可以帮助临床医生更好地分类患者的需求,并使及时干预成为可能.
- 该方法在其他慢性神经系统疾病中具有应用潜力.
