数字表型技术在加速医学合作计划?精神分裂症项目中的应用：提升精神病高危个体风险预测的新范式

为解决精神病临床高风险(CHR)个体转化预测的精准化难题，国际团队在AMP? SCZ项目中创新性整合智能手机数字表型(DHT)与腕表活动记录技术，通过一年期动态监测情绪、行为及环境数据，构建了个体化风险预测模型。该研究为全球首个跨文化、多中心数字表型标准化协议，发表于《Schizophrenia》，标志着精神病早期干预进入数据驱动的新阶段。

　　

精神病早期识别面临重大挑战：尽管meta分析显示25-33%的临床高风险(CHR)个体会在三年内发展为精神病，但传统评估方法受限于静态、低频的临床访视，难以捕捉症状的快速动态演变。这种"时间分辨率不足"问题导致个体化预测精度受限，而数字健康技术(DHT)为解决该难题提供了新思路。

由哈佛医学院、墨尔本大学等43个国际机构组成的加速医学合作计划^?精神分裂症(AMP^? SCZ)联盟，在《Schizophrenia》发表了里程碑式研究。团队开发了基于mindLAMP开源平台的多模态监测系统，整合30项每日自评量表、语音日记、GPS定位、手机使用状态及12.5Hz腕表加速度数据，对CHR群体开展为期一年的动态监测。结果显示，这种"数字表型深度刻画"方法能有效识别个体行为模式异常，其跨文化适用性为全球精神健康研究树立了新标准。

关键技术包括：(1)定制化mindLAMP平台实现主动数据(EMA、语音)与被动数据(GPS、加速度计)同步采集；(2)Axivity腕表12.5Hz活动记录技术；(3)基于Cortex API的多层级特征提取框架(原始数据→主要特征→次级特征)；(4)覆盖8种语言的国际化协议。研究队列来自PRONET和PRESCIENT两大国际研究网络的CHR及社区对照人群。

【方法设计】
通过德尔菲法确立30项核心自评条目(表1)，包含情绪(如"感到紧张")、知觉异常(如"听到他人听不见的声音")及社会功能维度。创新性引入每日2分钟语音日记模块，克服传统语音采样随机性带来的伦理隐患。

【数据收集】
采用三重数据安全配置：全传感器(含GPS)、非GPS传感器、纯问卷模式。GPS定位精度达5-20米，手机加速度计以5Hz频率记录三维运动数据，与腕表12.5Hz数据形成互补。特别规避屏幕内容采集以符合平台政策。

【技术实现】
基于Docker Swarm的分布式部署方案使mindLAMP能适应各国数据法规，其加密传输(TLS v1.3)和存储(AES-256)标准获GDPR认证。开放原始数据的策略允许二次开发新特征，如通过"家庭停留时间"等衍生指标量化社会退缩。

【参与度管理】
创新性采用数据可视化反馈机制提升依从性，多语言界面覆盖西班牙语、简体中文等8种语言。标准化操作流程(SOP)包含iPhone/Android双系统指导，月度随访解决技术障碍。

结论表明，这种高时间分辨率(每日评估+连续传感)的方法能捕捉CHR症状的微观演变，如通过GPS熵值变化预警社会功能恶化。讨论部分强调三点突破：(1)首次证明跨文化数字表型协议的可行性，为全球标准化奠定基础；(2)原始数据开放共享打破既往研究不可复现性困局；(3)动态数据与神经影像、血液标志物的多模态关联分析将成为未来重点。正如通讯作者John Torous指出，该协议"将精神病风险预测从群体统计推进到个体化医学时代"。