健康应用越来越多地用于治疗身体和精神疾病。通常,它们不能取代传统的治疗方法,而是作为一种附加手段——例如,改善抑郁症患者的情绪。基于智能手机的干预措施在低收入或中等收入国家尤其重要,在这些国家,传统治疗方案并非总是或仅部分可用。
然而,这些应用的影响因人而异。即使是在同一个人身上,干预也会根据情况产生或强或弱的效果。巴塞尔大学心理学院的一个研究小组,由Marion Tegethoff教授和Gunther Meinlschmidt教授领导,研究了如何更准确地预测基于智能手机的干预的影响。为此,他们使用了324项基于智能手机的旨在调节情绪的干预措施的数据。
他们采用了机器学习领域的一种统计技术,这是“随机森林”方法的一种特殊形式。这种分类方法可以用于处理大量的数据。这一程序的优点在于,它允许研究人员提供决策树相关的和理论驱动的信息,比如一个受试者有多累或多焦躁。“学习森林”以多种不同的方式将这些特征相互结合,并允许比传统预测方法更有效地反映现实生活的复杂性的预测。
在描述的案例中,大约6 / 10的干预措施没有改善情绪。然而,在机器学习预测成功的干预措施中,这一数字仅为约3 / 10。因此,有了这项新技术,不成功使用的次数可以减少一半。“我们知道,许多患者在开始使用数字干预后很快就放弃了。如果一款应用在2 - 3次使用中只有1次有效,人们很快就会失去动力,觉得再使用它没什么意义。因此,新方法可能会导致患者使用基于智能手机的干预更长时间,”文章的第一作者Meinlschmidt教授解释说。此外,该研究提供了重要的信息,说明在未来如何更好地为个人量身定做个性化治疗。人们可以设想,这种方法也可以应用于其他许多应用移动应用的领域。
来源:巴塞尔大学