基于智能手机被动传感数据预测体象障碍患者次日负性情绪强度的纵向评估研究

本研究针对体象障碍(BDD)患者负性情绪监测的临床需求，创新性地利用智能手机GPS和加速度计数据，通过随机森林(RF)和累积链接混合模型(CLMM)预测次日峰值羞耻、焦虑及总体负性情绪状态。结果显示RF模型预测准确率达42.1-50.0%，显著优于CLMM(10.9-20.2%)，为开发低负担、实时情绪监测工具提供了重要依据，对自杀风险预警和物质使用障碍干预具有重要临床价值。

　　

体象障碍(BDD)作为一种致残性精神疾病，影响着全球1.7-2.4%的人口，其高自杀率和共病物质使用障碍的特征令人担忧。负性情绪尤其是羞耻(shame)和焦虑(anxiety)被证实与BDD患者的自杀风险显著相关，但传统回顾式自评量表存在回忆偏差、时间分辨率低等局限。如何实现低负担、高时效的情绪状态监测，成为临床干预的关键突破口。

美国麻省总医院的研究团队在《Internet Interventions》发表创新性研究，首次系统探索智能手机被动传感数据预测BDD患者次日情绪状态的可行性。该研究通过3个月持续收集83名BDD患者的GPS和加速度计数据，结合28天生态瞬时评估(EMA)情绪报告，构建了累积链接混合模型(CLMM)和随机森林(RF)预测模型。结果显示RF模型在预测次日峰值情绪方面展现出显著优势，总体准确率较CLMM提升300%以上，为开发基于日常行为数字标记的情绪预警系统提供了重要实证依据。

关键技术方法包括：1)使用Beiwe平台采集90秒/15分钟的GPS数据和10Hz加速度计数据；2)通过Forest库计算6类日常行为特征（居家时间、移动距离等）；3)采用EMA最高情绪评分作为金标准；4)构建包含受试者间/受试者内特征的双层次预测模型；5)采用80-20分组的时序验证策略评估模型性能。

【主要研究结果】
样本特征：83名BDD患者平均BDD-YBOCS评分30.8±3.53，显示中重度症状，59%服用精神类药物。

情绪相关性：EMA数据显示羞耻与焦虑(r=0.500)、羞耻与总体负性情绪(r=0.710)呈中度以上相关，支持分模型构建的必要性。

变量重要性：CLMM中受试者间居家时间最具预测力；RF模型则显示受试者内移动距离、步数等动态特征更为关键，揭示行为-情绪关联的非线性特征。

预测性能：RF模型总体准确率达42.1-50.0%，显著高于CLMM(10.9-20.2%)。对高情绪状态(评分4-5)的二元预测中，RF灵敏度达42.1-52.6%，特异性达81.9-94.1%。

【结论与展望】
该研究首次证实智能手机被动传感数据可中度准确预测BDD患者的特定情绪状态，其中非线性机器学习方法(RF)显著优于传统线性模型。研究发现居家时间、移动轨迹熵值等行为特征与情绪波动存在可量化的关联，为开发"及时干预"(just-in-time intervention)系统奠定了技术基础。

研究局限性包括样本量较小(83例)和EMA采集期较短(28天)，未来可通过整合人口统计学特征、延长观察周期、加入可穿戴设备生理数据进一步提升模型性能。从临床转化角度看，这项技术有望嵌入现有BDD数字疗法（如智能手机CBT），通过预测性算法触发情绪调节技能训练或危机热线提示，在情绪恶化前实施精准干预。

该研究的创新价值在于：1)突破传统情绪评估的时效局限；2)验证特定情绪(羞耻/焦虑)的可预测性；3)确立行为数字标记与临床风险的量化关联。随着数字表型(digital phenotyping)技术的发展，这种低负担、高生态效度的监测模式或将成为精神健康管理的新范式。