数字心理健康干预中计算机鼠标轨迹的潜力与挑战：一项基于治疗前脱落预测的可行性研究

针对数字心理健康干预(DMHIs)中高脱落率预测难题，研究人员创新性地探索计算机鼠标轨迹这一低成本行为标记的应用价值。通过结合手工特征工程与时空序列神经网络，在183例抑郁症患者问卷数据中验证了基础鼠标特征(F3)对脱落预测的微弱提升(AUC 0.58)，为开发无创、可扩展的早期预警系统提供了方法学框架和开源工具。

　　

在数字心理健康干预(Digital Mental Health Interventions, DMHIs)蓬勃发展的今天，一个令人困扰的现象始终存在：尽管这类治疗方式大大提升了心理服务的可及性，但居高不下的脱落率和疗效的参差不齐，使得其并非对所有患者都是最佳选择。更棘手的是，当治疗已经开始后再预测失败风险，医疗资源和患者时间成本已然投入。如何能在治疗开始前就精准识别可能脱落的患者？传统基于问卷评分、人口统计学等静态特征的预测方法表现平平，AUC（曲线下面积）仅徘徊在0.50-0.58之间。这促使科学家将目光投向行为数据这座"富矿"——当患者在电脑前填写问卷时，那个看似普通的鼠标移动轨迹，或许正默默诉说着他们的情绪状态和决策过程。

Karolinska Institutet的研究团队开展了一项开创性研究，探索计算机鼠标轨迹这一低成本、无侵入性数据在DMHIs中的预测价值。研究聚焦抑郁症患者完成蒙哥马利-阿斯伯格抑郁量表(MADRS-S)时的鼠标运动，通过两种技术路径提取信息：一是手工构建反映速度、停顿等行为特征的特征组(F3和F10)，二是采用滑动窗口处理的1D-CNN神经网络挖掘原始时空序列。研究纳入183例使用桌面设备的患者数据，采用5×5折嵌套交叉验证严格评估性能。

关键技术方法包括：1) 自主研发的JavaScript/PHP鼠标追踪系统，以40ms间隔记录坐标和事件；2) 基于临床共识定义脱落标准（完成<6-7个模块）；3) 嵌套交叉验证框架防止小样本过拟合；4) 对比随机森林（手工特征）与1D-CNN（原始轨迹）模型性能；5) 创新性滑动窗口处理解决变长序列输入难题。

研究结果揭示：

1. 最终数据集特征
   基线数据含408例患者（55%使用移动设备被排除），鼠标数据组年龄34-42岁，女性占比50%-100%，各干预组脱落率31%-50%。

2. 预测结果
   基线模型（问卷分数+人口统计）AUC为0.56，与文献报道一致。加入3个基础鼠标特征(F3)使测试集AUC微升至0.58，但扩展特征组(F10)未带来增益。1D-CNN模型严重过拟合，训练AUC达0.90而测试集仅0.50，表明183例样本难以支撑复杂模型。

讨论部分指出三个关键启示：首先，鼠标轨迹确实携带行为信号，但当前数据规模下仅简单特征显现价值，这与DMHI领域"小数据大模型"的普遍困境呼应。其次，严格的嵌套交叉验证揭示出模型性能被高估的风险——若采用常规验证，F10特征可能报告虚高结果。最后，技术路线方面，时空序列建模需要更大样本量，而手工特征工程在资源有限时更具实用性。

这项研究的意义超越其有限的预测效果：它为DMHIs引入全新数据类型，提供全套开源工具链（GitHub可获取），并建立方法学范本。鼠标轨迹的独特优势在于：1) 可无缝集成现有电子问卷系统；2) 捕捉传统量表无法反映的决策动态；3) 成本远低于眼动追踪等替代方案。尽管当前证据显示其增量价值有限，但随着数据积累，这种"行为生物标记"或将成为个性化心理健康干预拼图中的重要一块。未来研究需扩大样本、统一设备变量，并探索与触摸屏数据的融合，方能让鼠标轨迹真正兑现其在数字心理健康领域的承诺。