《L'Encéphale》：Le phénotype digital en psychiatrie :
scoping review des fondements conceptuels, des systèmes sociotechniques et des implications cliniques
编辑推荐：
数字表型（Digital Phenotype）依托智能手机、可穿戴设备及数字传感器，在真实情境中重复量化行为与生理的某些维度。其在精神病学领域的发展引发了概念、方法、临床、基础设施及伦理等多方面问题。本综述旨在系统梳理数字表型的多元概念、应用场景及其主要局限。
数字表型（Digital Phenotype）依托智能手机、可穿戴设备及数字传感器，在真实情境中重复量化行为与生理的某些维度。其在精神病学领域的发展引发了概念、方法、临床、基础设施及伦理等多方面问题。本综述旨在系统梳理数字表型的多元概念、应用场景及其主要局限。方法上采用范围综述（Scoping Review），检索PubMed数据库2015年1月1日至2025年12月31日期间的文献，纳入直接涉及数字表型在精神病学中的概念基础、方法、基础设施、临床应用或伦理议题的出版物，并通过主题分析对数据进行综合。结果共纳入45篇文献，归为五大主题：认识论与认识论不公正（Epistemic Injustice）；临床推理与决策模型；社会技术系统与基础设施；伦理考量；计算模型与数据驱动框架。数字表型能够对活动度、睡眠、行为活跃度、社交性及若干生理参数等维度进行纵向观察。然而，所获信号高度依赖于设备类型、采样方式、预处理流程及所用模型。方法学异质性、缺乏外部验证以及临床整合困难，仍制约着其推广。结论指出，数字表型可作为临床访谈的补充工具，丰富对个体疾病轨迹的研究，但其既非对精神状态的全面描述，本身亦非经过验证的生物标志物（Biomarker）。其价值取决于方法的可重复性、基础设施质量、决策效用以及情境化临床解读的维持。
论文解读文章
一、研究背景与问题提出
自Jain等人于2015年首次提出“数字表型”这一术语以来，该概念在精神病学领域迅速成为备受争议的焦点。数字表型依托日常数字设备（智能手机、智能手表、嵌入式传感器）在真实情境中连续量化患者行为与生理的多个维度。这一领域逐渐发展为临床医学、工程技术、科学哲学与生命伦理学交叉的新兴学科。其核心承诺在于通过“数字痕迹”揭示临床访谈仅能间歇性、部分获取的维度，尤其弥补回忆偏差等问题。
然而，该领域仍存在显著异质性：概念定义不一、理论预设常隐而不显、各团队方法学实践差异巨大，导致其可接受性存疑。数字信号的地位问题尤为关键——不同团队将其视为行为指标、候选生物标志物或融合仪器测量与主观体验的混合信号，存在将抑郁症简化为步数、将躁狂简化为心率变异性（Heart Rate Variability, HRV）改变的还原论风险。部分研究团队主张利用这些数据丰富精神病学症状学，更精细地刻画疾病的时间与动态维度。在临床应用中，数字表型主要用于个体化监测、行为特征刻画及临床变化检测，但其作为独立诊断工具或实时干预触发器的角色远未确立。此外，该领域还面临伦理法律（隐私、监控、数据治理）、经济（医疗资源约束下的实效性）及基础设施（互操作性、标准化、外部验证、跨平台可重复性）等多重系统性挑战。开展本项范围综述旨在系统梳理该领域的概念分歧、实践差异与知识空白，为后续方法学、临床及组织性工作提供参考框架。
二、研究设计与方法概述
研究人员采用范围综述方法，遵循Joanna Briggs Institute建议及PRISMA-ScR扩展规范。检索PubMed数据库，覆盖2015年1月1日至2025年12月31日，纳入英文或法文文献。采用两套互补检索策略，分别聚焦概念与系统维度、实证与计算维度。纳入标准包括：直接涉及精神病学或心理健康领域数字表型的原创论文、概念性文章、观点、评论及方法学/伦理/规范性分析；使用智能手机、手表、可穿戴传感器等个人数字设备数据并与心理健康现象关联的实证研究；涵盖临床、学生、社区及一般人群的研究；儿科、老年学及躯体疾病领域中对精神病学具有可迁移概念/方法/伦理/基础设施启示的工作。排除系统综述与荟萃分析、仅评估干预效果而无表型数据分析的研究、仅依赖问卷或生态瞬时评估（Ecological Momentary Assessment, EMA）而无被动数据的研究、无结果的方案及会议摘要、以及仅基于基因组/影像/病历数据的研究。最终45篇文献纳入主题图谱分析，按主题分析归为五大类。
三、研究结果
3.1 认识论与认识论不公正
数字表型的兴起不仅为精神病学知识增添新数据，更改变了知识的产生、评估与临床运用方式。Insel将其视为回应精神病学“测量问题”的核心承诺，即缺乏关于情绪、认知与行为的连续标准化数据。Stanghellini与Leoni将此描述为从“原因与理由”向“协方差”的转向——从理解现象为何及如何发生，转向预测性逻辑下“什么与什么共变”。网络方法（Network Approaches）将精神障碍重新定义为症状间动态交互系统，其研究高度依赖传感器提供的时间粒度。Faissner等人指出，将被动监测应用于抑郁症可能产生三种认识论不公正：诠释学不公正（Hermeneutical Injustice）——应用设计偏向生物统计表征，忽视情感麻木、异化感、身体沉重等现象学核心维度；证言不公正（Testimonial Injustice）——全科医生可能过度信任“客观”数据而贬低患者叙述；贡献性不公正（Contributory Injustice）——结构性边缘化患者自创的体验描述词汇。Slack与Barclay进一步指出，当数字表型与患者第一人称叙述矛盾时，可能被解读为“否认”或“缺乏自知力”，从而放大精神病学中已有的贬低患者话语倾向。Sideri与van Dijk的民族志研究（基于行动者网络理论）显示，患者视角、情境决定因素及难以操作化的维度常在技术管线早期即被排除。Raballo从心灵哲学角度主张，数字表型仅在智能手机与连接设备参与其所记录的心理状态而非作为外部探针时才有意义。
3.2 临床推理与决策模型
人工智能的引入不仅改变精神病学可用工具，更改变证据呈现方式与决策论证逻辑。Gauld等人分析了模型处理多参数的能力与仍依赖情境、解释及临床关系的判断维度。Galatzer-Levy与Onnela指出，数字表型因连续、多模态且植根于日常环境，支持对心理状态更动态的解读：临床评估依赖就诊时的“快照”，而被动检测使个体内轨迹、弱信号及状态转换可视化。Barron等人强调，精神病学生物标志物的发展既依赖新测量发现，也依赖明确的决策模型——生物标志物唯有能改变决策、降低相关不确定性或改善临床估计才具价值。据此，数字表型本身并非生物标志物，而是提供可整合入决策模型、按实际临床效用评估的重复测量。
3.3 社会技术系统与基础设施
将日常生活转化为可比较变量需将情境化现象操作化，这既使部分行为可分析，也剥离了部分语境。Hays等人以90天严重精神疾病患者数据为例，展示了预处理选择的实际影响：变量经标准化、三日窗口聚合、相邻窗口插补、以一倍标准差阈值二分为“稳定”或“升高”状态。所得症状网络应视为明确分析程序的产物，而非症状的直接表征——临床医生接收的信号看似客观，实则已被设备物质性、采样频率及设计者决策预先塑造。Potier认为智能手机并非中性对象，可能改变自我关注、行为及与所产生痕迹的关系，并警示将仍属情境性、被解释甚至被设备塑造的行为自然化。临床医生对识别细微变化有兴趣，但对不透明模型或脱离患者叙述的结果持保留态度，其困难涉及解释、病历整合、信息过载及责任分配。Marciano与Saboor描述了用户对移动工具的矛盾态度：熟悉性既不保证持续监控的依从性，也不保证参与度的维持。Aledavood等人描述了心理健康研究平台的技术要求，显示“连续”测量实际依赖易产生缺失或异质数据的组件链条。Torous等人指出数字精神病学应用扩散与证据质量之间的落差，强调临床整合、专业人员培训及融资/报销模式的重要性。
3.4 伦理考量
伦理问题超越数据保护，涉及不确定性推断的生产与传达及患者、临床医生、研究者与算法间权力分配。O'Leary等人以儿科学为例：可穿戴设备测量应激生理反应虽承诺更早期、更少偏倚的筛查，但存在训练数据中特定人群（幼儿、女孩、少数族裔）代表性不足、企业获取生物特征信号、同意撤销机制不清、父母同意与儿童自主性发展间不对称等问题。Bond等人强调数字化转型旨在丰富而非替代诊疗，描述混合照护（Blended Care）模式，但亦指出应用质量参差、用户留存率低、技术解决主义风险及利益相关者共同设计的必要性。Shen等人聚焦数字表型信号向参与者反馈的问题：这些信号敏感、概率性且稳定性弱，若作为“结果”处理可能引发误解、不必要焦虑及不合理临床级联反应，宜视为依赖情境与专业解读的“涌现性推断”。数据反馈需考虑发展阶段、经济脆弱性及社会脆弱性——伦理披露并非最大化披露，而是根据接收者实际整合能力校准的信息回馈。Finley提出医源性损害可能：不确定反馈可加重心理状态并助长焦虑性自我监控，数字表型通过反馈回路不仅记录症状，还可能塑造症状。Pilkington等人指出参与者偏好表达价值、身份与信任形式，随情境演变，治理应允许随时间重新协商。Nebeker将数字健康研究描述为平台、传感器、监管者、临床医生、伦理委员会与开发者间的分布式责任，缺乏清晰治理则责任稀释，成本由参与者承担。Bassil强调AI整合的矛盾性：聊天机器人可帮助用户理解数据，但也可能增加不透明性、放大偏倚并侵蚀信号的个人意义。Barrette-Moran与Dupras区分技术侵入（传感器记录内容）与被观察、被评估的主观体验。
3.5 计算模型与数据驱动框架
部分计算文献不再仅测量既有类别：变量选择、时间分辨率及聚合方式参与定义分析对象，宜称“方法论构建”而非精神病学从描述逻辑向建构逻辑的普遍转变。Lekkas等人利用NetHealth项目469名学生的数据，以混合序数回归模型分别估计脉搏、运动与睡眠对各抑郁症状条目的贡献，支持条目级分析优于仅用总分，但未能证明个体化临床轨迹的存在或个体内规律优于群体均值。另有研究提出以社交性、活动度、行为活跃度及睡眠规律性等行为维度刻画精神障碍，属概念性提议而非已证实的分类或预测模型。Washington等人讨论数据驱动诊断与移动AI如何关联数字治疗，提出“数字治疗表型”（Digital Therapeutic Phenotyping）概念以衔接连续评估与干预个性化。实证研究方面：Pedrelli等人对31例重度抑郁障碍患者八周随访，证明结合智能手机与腕戴传感器数据估计抑郁严重度变化的可行性；双相障碍研究中，有分析Fitbit衍生特征、以分层贝叶斯模型预测自评情绪、以键盘元数据估计心境紊乱严重度者；早期精神病研究中，网络搜索活动被用于辅助诊断与复发检测；社交焦虑研究中，被动智能手机数据与症状严重度相关；Jacobson与Feng以传感器运动数据推断广泛性焦虑症状的同期严重度。Torous等人提议以RDoC作为智能手机与连接设备所获自然主义纵向数据的组织框架。Lenze等人虽非直接针对数字表型，但其提出的精准医学试验改进框架（快速评估个性化方法、考虑参与者异质性）可延伸应用——纵向测量或可为此类试验提供支持，但此应用属对原提议的扩展。
四、讨论与结论
本图谱显示，数字表型并非统一纲领：纳入文献目标迥异，涵盖行为测量、症状追踪、预测建模、服务组织及数据治理讨论。同一变量（如活动度）在不同研究中可被处理为描述性指标、预测因子或候选生物标志物，且这些地位不可互换。数字数据主要补充了间断性评估所缺乏的时间分辨率，支持检查日间变异、状态转换及睡眠-活动-社交-情绪间关系，但并不直接通达患者体验——传感器选择、缺失数据、预处理与模型共同决定部分结果。因此，研究人员建议将数字表型视为由痕迹构建的对象，而非直接记录的症状。临床推理不被额外测量取代：模型可处理众多变量并识别就诊中难以察觉的规律，但临床医生仍需判断信号对应病理变化、社会约束、习惯改变还是伪迹。模型效用取决于其实际改善的决策而非统计性能。可重复性高度依赖基础设施：设备、操作系统、传输方式、软件版本及预处理规则因研究而异，标准化缺失限制比较与外部验证。临床整合涉及数据查看者、查看频率、可用时间及异常信号处理流程等实践问题。伦理挑战超越保密性，涵盖不确定结果反馈、监控对行为的影响、患者证言的地位及责任分配。临床结果虽有前景但属条件性：研究证明可估计某些症状或识别与复发相关时期，但样本量常小、随访期有限、跨系统或跨人群验证罕见。向实践转化需前瞻性研究、明确解释程序及有组织的临床整合。本综述局限性包括仅检索单一数据库及缺乏正式方法学质量评估，旨在图谱化领域而非全面评估证据强度。
研究结论指出，数字表型能够在真实情境中重复观察此前仅能间歇获取的行为与参数，可补充临床访谈并支持个体轨迹研究。但所获数据既非精神状态的全面描述，本身亦非新类别生物标志物。其价值取决于若干简单但关键的区分：原始信号与构建变量、统计关联与预测、候选生物标志物与验证工具、模型性能与临床效用。同时取决于基础设施质量、方法可重复性及专业人员情境化解读结果的能力。核心问题不在于对立量化与临床，而在于确定哪些数据为哪些决策、哪些患者、带来何种后果提供增量信息。唯有满足此条件，数字表型方能成为精神病学有用的测量工具，而非对其对象的还原性表征。
