编辑推荐：
抑郁症复发率高且个体病程差异大，现有预测模型不足。研究人员开展 “智能手机和智能手表收集的自我监测数据与成人抑郁症患者个体疾病轨迹的关联” 研究。目前未提及结果，若成功，将助力个性化治疗和自我管理。
在当今数字化时代，抑郁症已成为一个不容忽视的全球性健康问题。它如同隐藏在暗处的 “心灵杀手”，悄无声息地影响着无数人的生活。抑郁症具有高度复发性，至少 50% 从首次抑郁发作中康复的个体，在一生中会经历一次或多次复发；而有过两次抑郁发作病史的人群，这一比例更是飙升至 80%。它不仅严重降低患者的生活质量，导致过早死亡，还会造成职业功能丧失，给患者家庭和社会带来沉重负担。
目前，临床上缺乏有效的预测抑郁症复发和病程的工具。现有的临床预测模型不够完善，无法准确地预测抑郁症的复发和病程，也没有建立起能够对抑郁症患者进行亚组分型的临床相关工具。传统研究采用的群体层面统计方法，将具有不同问题的个体数据合并分析，难以得出针对个体患者有意义的结论。因此，迫切需要一种新的方法，能够精准地监测患者的疾病状态，预测疾病进程，为个性化治疗提供依据。
为了解决这些问题，来自德国歌德大学法兰克福分校（University Hospital of Goethe University Frankfurt）的研究人员开展了一项为期一年的观察性试验研究。他们旨在证明通过智能手机和智能手表收集的个人数据，能否作为抑郁症严重程度的客观标记，并预测成年抑郁症患者每日和每周自我报告的抑郁症状严重程度。
研究人员采用了多种关键技术方法。在数据收集方面，招募 15 名成年抑郁症患者，运用移动传感（MS）技术收集多源数据。患者需使用 “iTrackDepression” 应用程序收集智能手机相关数据，如应用使用情况、通话记录等，同时佩戴三星 Galaxy Watch 5? 智能手表记录生理参数。在数据分析阶段，运用多水平相关分析、向量自回归模型以及机器学习等方法，挖掘数据中的个体模式。
在研究结果部分：
- 个人行为和生理与抑郁症状的关联：研究通过分析每日和每周收集的自我报告数据（如采用患者健康问卷 - 2（PHQ - 2）评估每日抑郁症状，患者健康问卷 - 9（PHQ - 9）评估每周抑郁症状）以及移动传感收集的行为和生理数据，探究白天（6 a.m. - 6 p.m.）的个人行为（如睡眠 / 深度休息、身体活动、智能手机使用）和生理（如心率、心率变异性、语音）与晚上自我报告的抑郁情绪和快感缺失，以及与每周自我报告的抑郁症状严重程度之间的关联。
- 预测模型的构建与评估：利用纵向收集的个人行为和生理数据构建个性化统计模型，尝试预测成年抑郁症患者晚上的自我报告抑郁情绪和快感缺失，以及每周自我报告的抑郁症状严重程度。同时对比基于个体患者数据的个性化模型和基于所有参与者数据的通用模型，评估模型预测性能。此外，运用可解释人工智能（XAI）方法评估传感器技术组件，明确不同移动传感数据特征对模型结果的影响。
在研究结论和讨论部分，若该研究成功证实移动传感数据可用于监测和预测抑郁症严重程度，将具有重大意义。一方面，患者可依据这些数据进行自我管理，在疾病复发前采取措施，如调整生活方式、寻求专业帮助等。另一方面，医疗专业人员能够根据预测结果为患者制定更加精准的个性化治疗方案，提高治疗效果。然而，研究也面临一些挑战。数据驱动方法在处理大量复杂数据时，深度学习神经网络（DNNs）虽有优势，但本研究样本量较少，可能导致泛化能力差。而且 DNNs 存在 “黑箱” 问题，缺乏透明度和可解释性，在精神医学领域应用时可能引发信任问题。此外，监管和法律方面的要求也给研究成果的应用带来阻碍，高昂的成本需要更多资金支持。尽管如此，这项研究为抑郁症的个性化治疗和管理开辟了新的道路，有望在未来改变抑郁症的治疗现状，为众多抑郁症患者带来新的希望，研究成果发表在《Contemporary Clinical Trials Communications》上，推动了该领域的进一步发展。
