使用智能手机传感器和人口统计数据,低负荷检测身体形障碍的临床恶化

科学领域:

• 精神病学是一个精神病学.
• 数字健康数字健康
• 机器学习 机器学习

背景情况:

• 身体形障碍 (BDD) 涉及令人痛苦的外表关注,功能障碍和自杀念头 (SI).
• 目前的监测方法 (自我报告,临床医生评估) 有局限性,如不频繁的使用和回忆偏差.
• 通过智能手机进行实时监控,为早期检测临床恶化提供了一种低负担的方法.

研究的目的:

• 测试使用智能手机传感器和人口统计数据来预测BDD患者每日临床敏度的可行性.
• 开发和评估用于实时监测BDD症状严重程度的机器学习模型.

主要方法:

• 有BDD的82名参与者完成了为期28天的SI,避免和BDD相关时间的生态瞬间评估 (EMA).
• 在三个月内收集了智能手机传感器数据 (GPS,加速度计) 和人口统计数据.
• 随机森林 (RF) 机器学习模型被训练来预测当天的临床结果.

主要成果:

• 射频模型在预测SI,避免和花在BDD相关行为上的时间方面明显优于基线模型.
• 强大的预测性能观察到与BDD相关的时间 (r=.74-.75) 和平均/最大SI (r=.70-.73).
• 步数和人口因素是关键的预测特征.

结论:

• 智能手机传感器和人口统计数据可以有效地监测BDD的实时临床恶化,而不会增加患者负担.
• 这种方法有可能开发及时干预措施,以防止症状升级.
• 需要进一步的研究来验证这些模型在现实环境中,并将其整合到临床实践中.