评估严重精神疾病方面可能需要依靠智能手机

图罗斯博士和同事写道：“数字表型为患者的症状学和行为之间提供了非常需要的桥梁，可用于评估和监测精神病。”他们呼吁使用更高质量的数据进行更大的研究，同时要求“在将精神病的早期诊断和治疗中，包括在临床上的高风险和早期精神病患者中，将机器学习应用于被动数字表型数据的更多努力”。

哈佛医学院的MBI的John Tourous博士及其同事回顾了有关数字表型和机器学习的现有证据，以改善对精神分裂症，躁郁症和相关疾病患者的护理。研究人员写道：“数字表型为患者的症状和行为之间提供了急需的桥梁，可用于评估和监测精神疾病。”

精神分裂症和双相情感障碍的数字表型分析-迄今为止的证据

这组作者说：“数字表型是利用从智能手机和可穿戴设备中就地收集的数据来捕获人类行为的数字表达。”精神病学研究人员认为，收集和分析此类行为信息可能有助于了解患有严重精神疾病的患者在诊所或实验室外的日常生活中的机能，特别是评估症状和预测临床复发。

Tourous博士及其同事确定了精神分裂症或双相情感障碍患者的51种数字表型研究。审查的重点是使用“被动”收集的数据进行的研究，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“主动”收集的数据-例如，调查以要求患者报告其情绪。

这些研究在报告基本数据(如智能手机型号和操作系统，患者年龄和种族/种族以及患者是否接受过使用该技术的培训)的报告中存在较大的差异。作者建议采用标准化报告格式，以改善未来研究的可比性。

大多数研究都使用加速度计和GPS收集的被动数据。其他措施包括语音通话和短信记录。这些研究使用了各种各样的应用程序，以及用于评估患者心理健康状况的不同临床工具/问卷。

这些研究在所使用的数字表型特征，数据处理，分析技术，经过测试的算法以及所报告的结果度量方面有所不同。几乎所有研究都包括躁郁症或精神分裂症患者。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。

十六项研究使用了基于机器学习的方法来分析被动收集的数据。正如Tourous博士和合著者所指出的那样，研究使用了各种不同的算法，并且具有不同的目的。*常用的算法类型是“随机森林”，它通过组合许多小的弱决策来做出单个强预测。例如，一项研究使用被动跟踪的行为数据来预测精神分裂症患者的心理健康评分。

其他研究使用了机器学习方法，例如支持向量机/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，预测其复发风险等，从而使用行为数据(患者去往何处，是否正在回电话，甚至语音语调)进行评估。

原创作者：南京信帆生物技术有限公司