通过数字表型评估精神疾病

哈佛医学院MBI医学博士John Tourous及其同事回顾了关于该病的现有证据数字表型以及机器学习，以改善对患有癌症患者的护理精神分裂症研究人员写道：“数字表型在患者的症状学和可用于评估和监测精神疾病的行为之间提供了一个急需的桥梁。”。

“数字表型是使用来自智能手机和可穿戴根据作者的说法，这是为了捕捉人类行为的数字表达而在原位收集的。精神病学研究人员认为，收集和分析这类行为信息可能有助于了解重症抑郁症患者的行为方式精神病在临床或实验室之外的日常生活中发挥作用，尤其是在评估症状和预测临床复发方面。

Tourous博士及其同事确定了51项关于精神分裂症或双相情感障碍患者数字表型的研究。这篇综述侧重于使用“被动”收集数据的研究——例如加速度计读数（步进计数器）和GPS信号。其他数字表型方法使用“积极”收集的数据——例如，要求患者报告情绪的调查。

这些研究在使用的数字表型特征、数据处理、分析技术、测试的算法和报告的结果测量方面有所不同。几乎所有研究都包括双相情感障碍或精神分裂症患者。这些研究平均包括31名参与者，并对他们进行了大约四个月的监测。

大多数研究使用由加速度计和GPS收集的被动数据；其他措施包括语音通话和短信日志。研究使用了广泛的不同应用程序，以及不同的临床工具/问卷来评估患者的心理健康状况。

这些研究在报告基础数据方面表现出更高的可变性，如智能手机型号和操作系统、患者年龄和种族/族裔，以及患者是否接受过使用该技术的培训。作者建议采用标准化报告格式，以提高未来研究的可比性。

使用的研究中有16项机器学习-基于方法分析被动收集的数据。正如图罗斯博士和合著者所指出的，这些研究使用了各种不同的方法算法，并有不同的用途。最常用的算法类型是“随机森林”，它通过组合许多小而弱的决策来进行单一的强预测。例如，一项研究使用被动跟踪的行为数据来预测心理健康精神分裂症患者的得分。

其他研究使用机器学习方法，如支持向量机/支持向量回归或神经网络。这些算法以不同的方式使用行为数据来评估患者当前的心理健康状况，预测其复发风险，无论患者去哪里，是否回电话，甚至他们的语调，等等。

Tourous博士及其同事写道：“数字表型在患者的症状学和可用于评估和监测精神疾病的行为之间提供了一个急需的桥梁。”。他们呼吁开展更大规模的研究，提供更高质量的数据，同时“扩大努力，将机器学习应用于精神病早期诊断和治疗中的被动数字表型数据，包括临床高危和早期病程精神病患者。”

该报告发表于哈佛精神病学评论.