利用智能手机传感器与大型语言模型评估青少年快感缺失行为激活治疗：一项概念验证研究

本研究针对青少年抑郁症治疗中行为激活（BA）机制难以实时监测的问题，开发了基于智能手机传感器（GPS、加速度计）和大型语言模型（GPT-4o）的客观评估方法。研究发现，LLM衍生的激活评分与被动感知指标（活动地点数量、离家时间）显著相关，且能预测日常情绪改善和每周症状减轻。该技术为数据驱动的心理治疗提供了实时监测和个性化干预新途径。

　　

青少年抑郁症已成为重大公共卫生问题，其中快感缺失（Anhedonia）作为核心症状，预示着更差的病程和治疗结局。行为激活治疗（Behavioral Activation, BA）通过减少回避行为、增加奖励性活动来靶向这一症状，但其核心机制——日常生活中的“激活”水平——长期缺乏客观、低负担的监测方法。传统自评问卷存在回忆偏差和社会赞许性局限，难以捕捉实时动态变化。随着数字技术的发展，智能手机被动感知和自然语言处理为破解这一难题提供了新思路。

这项发表在《NPP—Digital Psychiatry and Neuroscience》的研究，创新性地整合了智能手机传感器数据和大型语言模型（LLM）分析，首次在青少年BA治疗中实现了对行为激活的客观、连续监测。研究团队从美国波士顿地区招募了38名13-18岁患有快感缺失的青少年，在接受12周BA治疗期间，通过生态瞬时评估（EMA）收集日常情绪自评和自由文本描述，并利用GPT-4o模型对文本进行行为激活评分（1-5分）。同时，13名参与者的智能手机持续采集被动传感数据（加速度计活动强度、GPS衍生的居家时间、活动半径等）。

关键技术方法包括：1）使用OpenAI的GPT-4o模型通过标准化提示词对EMA文本进行行为激活评分，与人工评分一致性高达0.77（加权Cohen's k）；2）通过Beiwe平台和DPphone软件包提取智能手机被动传感特征（如每日活动地点数量、居家时间百分比）；3）采用多水平模型（MLM）分析日内和周间变化，控制个体基线差异。

研究结果揭示了三方面重要发现：

收敛效度：激活指标间的关联

被动传感与GPT评分显示显著日内关联：当日活动地点增多（Est.=0.045, p=0.021）或加速度计活动评分升高（Est.=0.178, p=0.024）时，GPT评分显著上升；而居家时间延长则预测较低的激活水平（Est.=-0.007, p=0.012）。在周水平上，GPT评分与自评行为激活量表（BADS-SF）得分显著正相关（Est.=2.05, p=0.005），被动传感指标中活动地点数量和居家时间也与BADS分数呈现类似关联模式（p<0.01）。

效标效度：与日常情绪和每周症状的关联

GPT评分展现出对日常情绪的强预测力：当日激活评分升高时，正性情绪（PA）显著提升（Est.=0.16, p<0.001），负性情绪（NA）降低（Est.=-0.09, p<0.001）。被动传感特征中，仅活动半径与当日正性情绪相关（Est.=0.002, p=0.024）。而在症状预测方面，被动传感表现出更显著的周水平关联：每周活动地点增多预示快感缺失（SHAPS）和抑郁症状（CES-D）减轻（p<0.05），居家时间延长则与症状恶化相关（p<0.001）。

个体内变化的临床意义

所有显著关联均集中于个体内（within-person）层面，表明相对于自身基线的激活变化更具临床意义，而非个体间的平均水平差异。这一发现强调个性化监测的重要性。

研究结论表明，智能手机被动传感和LLM文本分析可有效、无创地监测青少年BA治疗中的激活过程，且两类技术互补：语言模型更敏感于短期情绪波动，被动传感则更能捕捉长期症状变化。这种数字化方法为实时治疗调整、降低自报负担及发展个性化干预提供了新途径。局限包括样本量较小（尤其被动传感子组）和传感指标仅覆盖部分激活维度。未来需整合多模态数据（如通讯记录、睡眠模式）并扩大样本验证泛化性。该研究标志着数字精神健康在向数据驱动、实时适应的精准治疗模式迈进中的重要一步。