一项关于使用可穿戴设备和机器学习来预测自闭症患者抑郁症状的探索性研究
Shih-Ying Ni1, Chen-Chun Lu2, Chia-Tung Wu2
1Department of Psychiatry, National Taiwan University Hospital and College of Medicine, Taipei, Taiwan.
Journal of the Formosan Medical Association = Taiwan yi zhi
|November 20, 2025
概括
可穿戴设备可以使用机器学习来监测自闭症成年人的抑郁症状. 较低的活动,睡眠和心率预测抑郁症,有助于早期发现和自我护理.
科学领域:
- 神经科学是一个神经科学.
- 数字健康数字健康
- 机器学习 机器学习
背景情况:
- 自闭症成年人在沟通和表达情绪方面面临挑战,复杂化了抑郁症监测.
- 早期发现自闭症抑郁症状对于及时干预至关重要.
研究的目的:
- 利用可穿戴设备中的数字生物标志物来监测自闭症成年人的抑郁症状.
- 开发机器学习模型,以便在这个人群中早期检测抑郁症.
主要方法:
- 与17名自闭症成年人进行的前性观察研究.
- 通过智能手表不断收集生理数据 (活动,心率,睡眠).
- 机器学习 (XGBoost) 对纵向数据和自我评估的抑郁症状 (贝克抑郁 inventory) 的应用.
主要成果:
- 在识别抑郁状态时,XGBoost模型实现了84%的准确性和0.91的AUROC.
- 预测抑郁症的关键数字生物标志物包括较低的活动水平,睡眠时间减少和平均心率降低.
- 特性重要性分析将这些生理变化确定为重要指标.
结论:
- 来自可穿戴设备的数字表型显示出在自闭症成年人中检测抑郁症状的前景.
- 这种方法有可能提高临床评估,并支持情绪自我护理策略.
- 可穿戴技术为自闭症谱系障碍患者的心理健康客观监测提供了一个新的途径.
