个性化AI模型基于Fitbit数据预测物质使用与渴求的可行性探索

《npj Biosensing》：Limited utility of consumer wearable APIs for predicting substance use and craving, despite model personalization

　　

摘要

我们探索了利用个性化定制的人工智能（AI）模型，从自由活动条件下收集的 Fitbit 数据中预测物质使用和渴求的可行性。大多数所研究的物质会急性升高心率，而渴求已知通常涉及自主神经兴奋。由于心率对压力、体力活动和物质使用的反应在个体间存在差异，我们在一项探索性实验中研究了个性化人工智能（AI）模型是否能够在以当前活动水平为条件时，学习到区分物质相关心率变化与其他兴奋状态的个体特异性模式。我们还考察了每位参与者的数据覆盖率及其对数据收集方案的依从性是否能解释性能差距。16 名参与者贡献了 47 个参与者—物质—任务预测情景（25 个物质使用，22 个渴求），涵盖 6 种物质。对于每个情景，我们训练了一个模型来预测生态瞬时评估响应，并比较了全局有监督、全局自监督和个性化自监督的建模方法。对于所有物质以及渴求和使用预测，判别能力均较为有限（平均 AUROC 0.569–0.617），且数据覆盖率和参与者依从性的差异并不能解释性能差距。这些发现表明，消费级手环的心率和步数在单独使用时仅携带有限的物质特异性信号，因此数字干预研究可能从针对更好表征的前因（如压力）入手，比直接预测使用或渴求更能取得进展。