对与惊恐发作相关的可穿戴传感器数据的探索,在不同的心理健康状况下存在差异
《Frontiers in Digital Health》:Exploration of wearable sensor measures associated with panic attacks differs across mental health conditions
【字体:
大
中
小
】
时间:2026年04月20日
来源:Frontiers in Digital Health 3.8
编辑推荐:
摘要
惊恐发作(PA)是一种普遍存在的急性焦虑发作,过去一年中每10个人中就有1人经历过惊恐发作。惊恐发作会损害日常功能,并与急诊室就诊次数增加和自杀企图有关。尽管其影响严重,但由于惊恐发作的不可预测性,管理和预防它们具有挑战性。惊恐发作具有跨诊断性,在有无心理健康诊断的个体
摘要
惊恐发作(PA)是一种普遍存在的急性焦虑发作,过去一年中每10个人中就有1人经历过惊恐发作。惊恐发作会损害日常功能,并与急诊室就诊次数增加和自杀企图有关。尽管其影响严重,但由于惊恐发作的不可预测性,管理和预防它们具有挑战性。惊恐发作具有跨诊断性,在有无心理健康诊断的个体中都会发生。然而,以往的研究主要集中在患有惊恐障碍的个体中的惊恐发作迹象。本研究通过使用Oura Rings记录的6个多月的数据,分析了182名有和没有不良童年经历及精神健康诊断的年轻人的惊恐发作风险因素,而不仅仅是惊恐障碍。研究结果表明,Oura Ring衍生指标的变化与次日惊恐发作有关,并且在不同的心理健康诊断中观察到了不同的关联。对于患有惊恐障碍的个体而言,不活跃的时间越长,惊恐发作的可能性越大。对于患有抑郁症的个体,夜间呼吸率变化减少、快速眼动睡眠减少以及高强度活动时间增加也会增加惊恐发作的可能性。对于没有心理健康诊断的个体,心率变异性降低也会增加惊恐发作的可能性。捕捉惊恐发作风险关联的数据聚合窗口大小因诊断类型和特征类型而异,这表明在惊恐发作前7天内的累积生理模式可能对其发作有所贡献。这些发现表明,持续监测惊恐发作风险有潜力支持未来的预防性心理健康干预。
1 引言
惊恐发作(PA)是突然且似乎出乎意料的强烈焦虑发作,伴随有不适的身体症状,如过度换气、心跳加速、胸痛、恶心、出汗以及感觉自己失控(1)。超过28%的美国成年人在其一生中至少经历过一次惊恐发作,而在过去一年内,每10个人中就有1人经历过惊恐发作(2)。惊恐发作具有跨诊断性,在各种心理健康状况的个体中都会发生,甚至在没有诊断的个体中也会出现(2)。惊恐发作可能是自主神经系统、情绪和认知失调的征兆,这些失调通常叠加在不良童年经历和抑郁症之上(5),并与自杀企图相关(4)。因此,毫不奇怪,惊恐发作与较差的幸福感(6)、工作缺勤(7)、物质滥用(8)、急诊室就诊次数增加(9, 10)以及自杀(11)有关。
惊恐发作的不可预测性使得管理和预防变得特别困难。基于证据的治疗方法传统上包括药物治疗和临床提供的心理治疗[见(12–15)];然而,这些干预措施往往存在重大障碍,包括成本和训练有素的服务提供者有限。对此,人们越来越关注低门槛的、短时间内可自我实施的预防策略(16, 17)。经历过惊恐发作的个体表达了对于能够在临床环境之外支持预防和早期应对的工具的兴趣(18–20)。与其他偶发性状况一样,此类自我管理方法的有效性高度依赖于时机,在个体最脆弱、最易接受的时候提供支持最为有益(21)。尽管如此,关于惊恐发作前的短期行为和生理背景知之甚少,这限制了及时和适应性预防干预措施的发展。
可穿戴传感器提供了一种可扩展的方法,用于识别可能先于惊恐发作的自主神经和行为功能的变化。在基于可穿戴设备的惊恐发作预测研究中,常用的信息输入包括心率和心率变异性、呼吸特征、睡眠参数以及活动水平,这些信号反映了交感-副交感神经平衡、过度兴奋和呼吸调节紊乱以及日常生活习惯的破坏(22–27)。然而,这些指标的大部分基础证据来自于实验室研究或依赖复杂仪器的协议(例如,多个有线传感器)(24, 28),这限制了其生态 validity 和可扩展性。因此,仍需研究是否可以使用低负担的消费者级可穿戴设备在自然环境中检测到类似的信号。
虽然针对惊恐发作脆弱性的客观指标仍研究不足,但可以从有关情绪和身体压力过程的相关研究中获得启示。经历过惊恐发作的个体自报的触发因素最常见的是情绪崩溃(36%)、人际冲突(15%)和身体不适(例如头痛;14%)(19)。这类研究记录了行为(例如身体活动减少、失眠增加)(25–27)和生理(例如心率变异性降低、呼吸频率增加)(29–31)的特征性变化,这可能为描述惊恐发作前的背景提供有用的框架。因此,使用被动收集的可穿戴数据来研究这些领域可能有助于识别近期惊恐发作风险的候选指标。
同时,心理健康史的异质性使得惊恐发作的预测变得复杂(19)。已知潜在的心理健康状况和相关经历(如创伤暴露)会影响基线睡眠、活动量和生理功能(32–38),以及对压力的反应性(32–38)。例如,抑郁症与生理应激反应减弱或延长有关(39),这可能是由反复思考引起的(40),而与焦虑相关的状况通常表现为多个指标上的自主神经反应增强[例如肌电图、皮质醇(41, 42)]。对压力的行为反应也可能因诊断而异;例如,患有抑郁症的个体在压力下可能会增加睡眠时间,而没有心理健康诊断的个体可能会表现出失眠(43, 44)。因此,与惊恐发作风险相关的可穿戴设备衍生特征的方向、幅度和时间可能因个体的心理健康史而异。理解这种异质性对于开发可解释的惊恐发作预测模型和制定个性化的预防策略至关重要。值得注意的是,大多数使用可穿戴设备或生理数据的惊恐发作研究都仅关注被诊断为惊恐障碍的个体(45–47),尽管有证据表明这一群体仅代表经历过惊恐发作的人的一部分。
在这项研究中,我们探讨了使用Oura Ring衍生行为和生理数据来识别与次日惊恐发作风险相关指标的可行性,旨在为未来的研究生成特定于惊恐发作的假设。我们利用了一组大学生的纵向数据,这组学生在学术年度的健康研究中报告至少经历过一次惊恐发作,他们中有较高比例存在心理健康问题。鉴于先前的证据表明压力反应性和自主神经调节受心理健康史的影响,并为了提高这种探索性背景下的可解释性,我们将分析分为两类:是否存在不良童年经历(ACEs),以及诊断状态(无诊断、抑郁症、惊恐障碍)。我们使用先前与压力和惊恐脆弱性相关的可穿戴设备衍生指标,研究了睡眠(例如睡眠阶段分布、持续时间和时间(48))、生理信号(例如呼吸频率和变异性、心率和心率变异性(18, 24, 28, 33, 49)以及活动模式(例如在不同活动水平上的时间和步数(50, 51)与惊恐发作风险之间的关系,并评估这些关联在不同心理健康组之间的差异(52)。尽管由于子组规模较小,这项研究是少数探讨有无惊恐障碍个体中可穿戴设备衍生惊恐发作风险指标的研究之一。识别短期、被动测量的惊恐发作风险指标可能最终有助于在个体脆弱性增加期间提供简短的自我管理预防干预,同时减少用户负担和报告疲劳。
2 方法
2.1 程序
这项工作是“使用戒指测量生活体验”(LEMURS)研究的一部分,其目标是了解大学生的健康状况的客观指标。该研究获得了佛蒙特大学机构审查委员会的批准,所有参与者都签署了知情同意书。在LEMURS中,通过校园内的传单和宣传活动招募了一年级和二年级的本科生参与关于健康的研究。合格标准是(1)年龄在18-24岁之间,(2)是佛蒙特大学的全日制一年级或二年级学生,(3)拥有iPhone 6S/SE或更新型号的手机以使用Oura应用程序。所有参与者都獲赠了一枚Oura Ring,这是一种可穿戴生物测量设备,可以记录心率、心率变异性、体温、呼吸频率、睡眠潜伏期、睡眠效率、睡眠持续时间等指标。Oura的睡眠和活动测量有效性已在一般文献中得到认可,尤其是在与其他商用设备比较时(53–57)。参与者被要求随时佩戴戒指,包括睡眠时,他们可以通过Oura应用程序访问戒指信息。参与者完成了一份基线评估,包括人口统计问卷。然后他们被随机分成三组,并被分配到21天的轮换间隔期,在此期间每天接受关于惊恐和压力源的调查,之后是42天不接受任何调查。我们设计这种轮换每日调查的方法是为了减轻参与者的负担,减少报告疲劳,同时提高整个研究期间获得响应的可能性(58, 59)。一旦一个组的21天每日调查期结束,另一个组就会开始他们的21天每日调查期。这个过程在整个学术年度重复了四次,总共进行了252天。每位参与者在整个研究期间收到了四组21天的每日调查,共计84次每日调查。
在2023-2024学年期间参加LEMURS的525名参与者中,有197人(38%)承认至少经历过一次惊恐发作。15人因数据缺失被排除(生物性别缺失6人;Oura数据缺失9人),剩下182人的数据用于分析。首先根据已知的精神健康障碍风险因素——不良童年经历(ACEs)将参与者分组:有ACEs的154人;没有ACEs的28人;总共507个惊恐发作日来自28,389个参与者日;其中大约84%(127人中的152人)的女性报告有ACEs,而90%(30人中的27人)的男性报告有ACEs;更多细节见补充表S1和补充图S3)。接下来,根据是否存在特定的心理健康诊断将参与者分组,这些诊断与惊恐发作的发生率不同(60)。通过诊断访谈确定心理健康诊断,其中35人未参与分析。我们重点关注了三个具有不同惊恐发作风险的组:仅患有抑郁症的(“DEP”,n=14)、仅患有惊恐障碍和/或同时患有焦虑和/或多动症的(“PD”,n=16)以及没有诊断的(“ND”,n=35),总共148个惊恐发作日来自10,643个参与者日,ND组的惊恐发作率为4.8%,即每21天1次;PD组为5.6%;DEP组为5.8%,即大约每18天1次。仅患有广泛性焦虑障碍、仅患有多动症和/或同时患有抑郁症的参与者因样本量不足(n<10)或存在共病而被排除在分析之外(见补充图S4)。尽管研究惊恐发作与诊断共病之间的关联对于普遍性至关重要,但由于关于共病与单一诊断之间的生理关联的文献不足(42, 61),我们选择在本次探索性分析中排除这些组,以便为未来的共病研究更好地提出假设。共有65名参与者可用于心理健康诊断组的分析。所有患有DEP或PD的参与者都报告了ACEs(图1)。按分析组划分的样本的人口统计特征见表1。按种族/族裔分组划分的参与者分布见补充表S2。
图1 参与者选择和分为心理健康风险(ACE)和心理健康诊断(MINI)组的情况。初始样本包括197名报告至少经历过一次惊恐发作的参与者。排除那些缺少性别信息(n=6)或Oura数据(n=9)的参与者,剩下182名(ACE:154;无:28)参与心理健康风险(ACEs)组分析。从这个组中,进一步排除那些缺少MINI诊断的参与者(n=35),剩下147名参与者,其中82人有共病情况,因此有65名参与者可用于心理健康诊断(MINI)组分析。在这组参与者中,有35人没有心理健康诊断(ND),16人患有惊恐障碍(PD,单独或同时患有焦虑和/或多动症),14人患有抑郁症(DEP)。所有被诊断为恐慌障碍(PD)或抑郁障碍(DEP)的参与者都有童年创伤经历(ACEs),而在没有诊断的参与者中,有24人有过ACEs,11人没有。在Sankey图中,表示排除标准的流程用浅灰色表示,深灰色表示由于存在多种共病情况而未纳入分析的样本。表1显示了各组的详细信息。
表1
| 组别 | 性别(女性) | 年龄(平均值) | 种族和民族(白人,非西班牙裔) | Oura佩戴天数 | 惊恐发作天数 | 心理健康风险组 |
| --- | --- | --- | --- | --- | --- |
| 无ACEs | 28 | 25 (89%) | 18 | 23 (82%) | 16 | 340 |
| 有ACEs | 15 | 41 | 27 (82%) | 18 | 137 (89%) | 15 | 946 |
| 无诊断(ND) | 35 | 27 (77%) | 18 | 30 (86%) | 16 | 66 |
| 抑郁症(DEP) | 14 | 10 (71%) | 18 | 11 (79%) | 16 | 13 |
| 恐慌障碍(PD) | 16 | 13 (81%) | 18 | 15 (94%) | 16 | 34 |
2.2 测量方法
2.2.1 ACE调查
我们使用了补充表S1中描述的标准,根据基线自我报告调查将参与者分类为有ACEs(n=62)。使用的10项ACE项目的内部一致性是可接受的(Cronbach's α = 0.69)。
2.2.2 心理健康诊断访谈
Mini-International Neuropsychiatric Interview(M.I.N.I.)(n=63)是一种简短的结构化诊断访谈,由研究团队在学年期间亲自对参与者进行。根据诊断标准为每位参与者得出诊断结果。
2.2.3 每日调查
调查内容包括潜在压力源的清单、是否经历过惊恐发作,以及开放性回答问题,让他们描述每天的最大压力源。在所有发生惊恐发作的日子里,对这些最大压力源的回答进行了编码,共得到171个编码结果:无诊断(ND)组中有94%(35天中的33天),抑郁障碍(DEP)组中有86%(14天中的12天),恐慌障碍(PD)组中有100%(16天中的16天)。
2.2.4 Oura Ring数据
分析使用了Oura Ring提供的睡眠和活动数据摘要。需要注意的是,从Oura Ring获取的变量/数据包括两种类型的测量:一种是“原始测量值”(例如,心率、心率变异性(HRV)和步数),这些数据具有高度解释性;另一种是“分数”(例如,睡眠分数、睡眠潜伏期分数和睡眠对齐分数),这些是Oura专有算法生成的复合指标。每次观测代表该夜晚所有睡眠指标的平均值以及该天的所有活动指标的平均值。如果两次观测之间的时间间隔不超过3天,缺失数据通过线性插值填补。统计分析在考虑填补最多2天和1天的数据差的情况下重复进行。经过筛选后,所有特征仍然显著,并且相关性方向在不同插值水平上保持一致(见补充表S3)。Oura Ring提供的所有指标列在表2中。
表2
| 睡眠/活动 | Oura原始测量值/分数 | 描述 | 单位 |
| -------- | --------------- | ---------- | ------- |
| 活动 | 热量消耗 | 千卡 | 千卡 |
| 总热量消耗 | 热量消耗加上基础代谢率 | 千卡 |
| 日常活动 | 转换为等效步行距离 | 米 | 米 |
| 步数 | 一天内记录的总步数 | 步 | 步 |
| 不佩戴时间 | 一天中未佩戴戒指的分钟数 | 分钟 | 分钟 |
| 休息时间 | 一天中休息的分钟数(例如躺下或睡觉) | 分钟 | 分钟 |
| 不活动时间 | 一天中不活动(例如坐着或站着)的分钟数 | 分钟 | 分钟 |
| 低强度时间 | 一天中进行低强度活动的分钟数 | 分钟 | 分钟 |
| 中等强度时间 | 一天中进行中等强度活动的分钟数 | 分钟 | 分钟 |
| 高强度时间 | 一天中进行高强度活动的分钟数 | 分钟 | 分钟 |
| METs | 一天中的平均MET水平 | MET | MET |
| 休息时间 | 一天中的不活动分钟数 | MET分钟 | MET分钟 |
| 低强度活动 | 一天中的低强度活动分钟数 | MET分钟 | MET分钟 |
| 中等强度活动 | 一天中的中等强度活动分钟数 | MET分钟 | MET分钟 |
| 高强度活动 | 一天中的高强度活动分钟数 | MET分钟 | MET分钟 |
| 活动分数 | 对最近身体活动与用户需求的匹配程度估计 | 范围(1–100) | a |
| 保持活跃分数 | 评估用户一天中避免不活跃的程度 | 范围(1–100) | a |
| 每小时移动分数 | 评估用户一天中避免长时间不活跃的程度 | 范围(1–100) | a |
| 达成每日目标分数 | 评估用户过去7天内达到每日活动目标的频率 | 范围(1–100) | a |
| 训练频率分数 | 评估用户过去7天内锻炼的频率 | 范围(1–100) | a |
| 锻炼量分数 | 评估用户过去7天内锻炼的量 | 范围(1–100) | a |
| 恢复时间分数 | 评估用户过去7天内获得的恢复时间 | 范围(1–100) | a |
| 不活跃警报数 | 一天中连续不活跃至少60分钟的次数 | 范围(1–100) | a |
| 睡眠 | Oura原始测量值 | 睡眠相关指标 | 单位 |
| 入睡潜伏期 | 睡眠开始到持续睡眠前5分钟的时间 | 秒 | 秒 |
| 就寝时间偏移 | 睡眠开始的时间 | 秒 | 秒 |
| 醒来时间偏移 | 睡眠结束的时间 | 秒 | 秒 |
| 躺卧时间 | 睡眠期间清醒的总时间 | 秒 | 秒 |
| 轻度睡眠时间 | 睡眠期间轻度(N1或N2)睡眠的总时间 | 秒 | 秒 |
| REM睡眠时间 | 睡眠期间REM睡眠的总时间 | 秒 | 秒 |
| 深度睡眠时间 | 睡眠期间深度(N3)睡眠的总时间 | 秒 | 秒 |
| 总睡眠时间 | 睡眠期间的总时间(REM + 轻度 + 深度) | 秒 | 秒 |
| 睡眠效率 | 睡眠期间实际睡眠所占的比例 | 范围(1–100) | % | a |
| 不安分 | 睡眠期间活动的时间比例 | % | a |
| 起床频率 | 睡眠期间起床的次数 | 单位:1次 | a |
| 温度偏差 | 睡眠期间皮肤温度与长期平均温度的偏差 | 摄氏度 | a |
| 呼吸频率 | 睡眠期间的平均呼吸频率 | 次/分钟 | a |
| 呼吸变化 | 睡眠期间呼吸频率的变化 | 次/分钟 | a |
| HRV(RMSSD) | 使用RMSSD方法计算的平均心率变异性 | 毫秒 | a |
| 平均心率 | 睡眠期间的平均心率 | 次/分钟 | a |
| 最低心率 | 睡眠期间的最低心率 | 次/分钟 | a |
| 休息时间 | 一天中不活动的时间 | 分钟 | a |
| 睡眠分数 | 评估睡眠质量的整体情况 | 范围(1–100) | a |
| 睡眠潜伏期分数 | 评估入睡潜伏期对睡眠质量的贡献 | 范围(1–100) | a |
| 睡眠对齐分数 | 评估昼夜节律对睡眠质量的贡献 | 范围(1–100) | a |
| REM睡眠分数 | 评估REM睡眠时间对睡眠质量的贡献 | 范围(1–100) | a |
| 总睡眠分数 | 评估总睡眠时间对睡眠质量的贡献 | 范围(1–100) | a |
| 深度睡眠分数 | 评估深度(N3)睡眠时间对睡眠质量的贡献 | 范围(1–100) | a |
| 睡眠效率分数 | 评估睡眠效率对睡眠质量的贡献 | 范围(1–100) | a |
在分析中使用的Oura原始测量值和分数用(a)标出,用于多变量分析的则用粗体标出。对报告的分析对这些指标应用了汇总统计。
为了识别与身体活动(PA)相关的趋势,我们使用了长度为3-7天、步长为1天的滑动窗口。从每个窗口中提取了每个Oura指标的统计特征,如平均值、标准差以及第5、50和95百分位数。长度小于3天的窗口未被考虑,因为它们无法提供稳定的方差估计。如果窗口之后的那天发生了PA事件,这些特征向量被标记为“发生在PA之前”。所有特征都使用参与者的具体平均值和标准差进行了标准化。这个过程产生了大量特征,我们通过移除那些与PA无关或高度相关的特征(相关性>0.80,见表2)来减少特征数量。
2.3 统计分析
我们使用了广义线性混合模型(GLMMs,n=64)来识别Oura Ring指标与参与者次日报告的PA之间的关联。GLMMs适用于处理具有重复测量的纵向数据,并且可以通过包含随机效应来解释受试者内的相关性,这对于我们的数据非常关键,因为每位参与者在不同时间点有多次观测。生物学性别与PA频率相关,因此被作为协变量纳入后续分析。
在汇总Oura Rings的数据后,我们采用了三步分析方法。首先,对于每个心理健康风险和诊断组,我们应用了单变量GLMMs来检验Oura Ring数据衍生的每个特征与PA之间的关系,同时控制生物学性别,并使用参与者ID作为随机效应(随机截距)。通过p值(p<0.05)、估计系数和95%置信区间(CIs)来评估关系的显著性。鉴于我们分析的探索性质,我们没有对单变量模型中评估的特征应用假发现率(FDR)校正。相反,我们采用了一种保守的两步程序:(1)首先识别在单变量分析中显著的特征,然后使用LASSO回归进一步筛选,选择惩罚参数以防范I型错误;(2)将保留的特征纳入每个诊断组的多变量GLMMs中,适当的情况下,使用Benjamini-Hochberg方法和0.05的FDR阈值来识别显著的关联。
为了验证GLMMs的假设,我们对恐慌障碍、抑郁障碍和无诊断组的残差进行了诊断测试,检查了正态性[Kolmogorov–Smirnov(KS)]、过度分散和残差中的异常值,发现假设成立。
3 结果
3.1 根据ACEs的不同,惊恐发作的风险因素也不同
有ACEs的参与者与没有ACEs的参与者相比,有显著更多的特征(n=13 vs 8)与PA相关(图2)。在11个与PA发作显著相关的原始测量值中,大多数是每个组独有的。然而,两个组的PA风险增加都与在高强度身体活动中花费的时间减少有关(有ACEs和无ACEs的平均/中位数时间)。对于没有ACEs的参与者,平均呼吸率的相关性最高,呼吸频率每分钟增加一个标准差(SD)会导致PA风险增加62%。对于有ACEs的参与者,相关性较为温和,没有任何特征的PA风险变化超过20%。十个Oura分数与PA显著相关,每个组都有独特的特征。对于没有ACEs的参与者,睡眠分数的一个标准差变化会导致PA风险增加49%。对于有ACEs的参与者,相关性同样较为温和,没有任何特征的PA风险变化超过20%。补充图S1提供了关于每个特征在不同心理健康风险组的数据聚合窗口下与PA显著关联的额外信息。
图2显示了在不同心理健康风险组中,特征与惊恐发作风险之间的关联。报告了每个显著特征(p<0.05)在惊恐发作前3-7天聚合窗口内的最高比值比(OR)(顶部),分别对应于恐慌障碍(ACE—橙色)、无(None—紫色)(Avg,平均值;SD,标准差;P5,第5百分位数;P50:第50百分位数;P95:第95百分位数)。
3.2 根据心理健康诊断的不同,惊恐发作的风险因素也不同
如图3所示,恐慌障碍(PD)的参与者与PA相关的特征更多(n=21,ORs:0.54–1.80),相比之下,抑郁障碍(DEP)(n=16,ORs:0.51–1.67)或无诊断(ND)(n=11,ORs:0.72–1.66)的参与者较少。大多数(84%)显著特征是特定诊断组独有的。在显著的原始测量值中,PD组中不活动时间的OR最高,不活动时间的一个标准差增加与PA风险增加78%相关。对于DEP组,高强度活动时间的OR最高,一个标准差增加会导致PA风险增加67%。对于ND组,平均步数的OR最高,一个标准差增加会使PA风险增加38%。在显著的Oura分数中,PD组中“每小时移动分数”的变化最高,一个标准差增加与PA风险增加55%相关。对于DEP组,“保持活跃分数”的变化最高,一个标准差增加与PA风险增加62%相关。在ND组中,睡眠潜伏期得分第95百分位的OR值最高,其中1个标准差的增加对应于PA风险增加66%。补充图S2提供了关于每个特征与不同心理健康诊断组在不同数据聚合窗口内与PA显著关联的额外信息。图3显示了可穿戴特征与心理健康诊断中恐慌发作风险之间的关联。在恐慌发作前3-7天的聚合窗口内,每个显著(p<0.05)特征的最高比值比(OR)被报告出来(顶部),分别对应每个心理健康诊断组(ND—绿色,DEP—蓝色,PD—红色)。维恩图(底部)表明,在原始测量值和Oura评分中,不同心理健康诊断组之间的关联特征有有限的重叠(Avg,平均值;SD,标准差;P5,第5百分位;P50,第50百分位;P95,第95百分位)。
3.3 关联强度取决于特征以及恐慌发作前的数据量
我们进一步分析了各组在PA发生前3-7天窗口内特征的OR值变化趋势,以阐明OR值如何根据发作前考虑的数据量而变化。为此,我们迭代提取了每个心理健康组在每个聚合天内具有最高OR值的特征,然后绘制了这些选定特征的趋势。如图4所示,对于ND组,使用3天前的数据窗口时,睡眠潜伏期得分是最高OR值的特征;对于DEP组,是高强度活动时间;对于PD组,是不活动时间。
3.4 多变量分析确认了不同诊断组的独特关联
使用Lasso回归选择了在单变量模型中最显著的睡眠和活动原始测量值,将其包含在最终的多变量GLMM中,以识别每个诊断组内与PA的关联(表3)。对于PD组,不活动时间的P95百分位数与PA呈正相关,其中1个标准差的增加与PA发生的可能性增加76%相关。对于DEP组,三个睡眠指标[P5醒觉偏移、SD呼吸率、快速眼动(REM)睡眠的平均时间]对PA具有保护作用,而呼吸率变异性的最高OR值特征表明,1个标准差的增加与PA发生的可能性降低54%相关。对于PD组,高强度活动时间的P5百分位数具有最高的OR值,其中1个标准差的增加与PA发生的可能性增加56%相关。这表明,如果一个人进行高强度活动的时间比平均时间多1个标准差,那么他们经历PA的可能性会增加56%。对于ND组,睡眠中的显著指标具有保护作用,其中通过连续差值的均方根定义的平均心率变异性(HRV)具有最高的OR值,1个标准差的增加与PA发生的可能性降低27%相关。这些比值比与使用可穿戴设备和智能手机数据进行的先前关于心理健康结果的研究报告的结果相当,支持了这些发现的可信度和相关性。
表3
组别 睡眠/活动 特征 N天 估计OR CI lower CI upper 调整后的p值
PD 不活动时间 60 5.7 1.76 1.26 2.50 0.013
DEP 醒觉偏移 7 ?0.42 0.66 0.44 0.97 0.035
睡眠 呼吸率 5 ?0.77 0.46 0.28 0.76 0.010
REM睡眠平均时间 7 ?0.60 0.55 0.35 0.86 0.013
活动 高强度活动时间 5 0.44 1.56 1.12 2.18 0.013
ND 平均HRV(RMSSD) 4 ?0.32 0.73 0.55 0.96 0.026
3.5 恐慌发作前的自我报告压力源因心理健康诊断而异
除了来自被动传感的客观指标外,我们还考虑了参与者报告的压力源。内容分析显示,PD组在报告的PA日的六大主要担忧的主题和顺序上与ND组相似,但PD组报告的担忧总体上比ND组多25%。DEP组与ND组和PD组的区别在于他们没有关于身体健康的担忧,有一些关于未来的担忧,以及相对更多的关于学校作业(SW)的担忧(图5)。对于PD组,每天与PA风险相关的压力源的平均数量表明,压力源数量的1个标准差增加使PA发生的可能性增加67%,当使用恐慌发作前的7天聚合窗口时这种影响最为显著。
4 讨论
PA发生在各种心理健康诊断中,但关于PA前兆的研究主要集中在患有恐慌障碍的人群上。由于具有较高PA风险的群体(例如,童年逆境、抑郁症和恐慌障碍患者)具有不同的日常行为、生理和压力反应模式,因此他们可能在PA发作前的特征也有所不同。在这项工作中,我们首次探索了多个风险组的PA发作情况。我们检查了ACEs患者与无ACEs患者相比,在PA发作前行为和生理的可穿戴传感器衍生测量值的变化。首先,在仅包括至少经历过一次PA的样本中,大多数(84%)患者报告了ACEs。与无ACEs患者相比,ACEs患者报告了更多的PA,这突显了童年创伤对成年期心理困扰的持久影响。这些组之间很少有与PA风险相关的共同特征(图2)。ACEs患者有许多与即将发生的PA相关的特征,每个特征的影响都较小,这可能表明他们处于高度警觉状态,并对生理和行为触发因素敏感。为了解决这种异质性,我们随后按当前心理健康诊断对组别进行了比较。仅患有抑郁症的患者、患有恐慌障碍的患者以及没有任何心理健康状况的患者分别进行了研究。有趣的是,恐慌发作的发生率(分别为5.8%、5.6%和4.8%)在不同诊断状态之间相似,这支持了在恐慌障碍之外继续进行PA研究。在诊断组之间,没有与PA相关的共通特征(表1)。对于PD组,过去6天内不活动的时间与PA发作相关。我们推测,长时间的不活动可能表明了压倒性的焦虑和活动回避,以及/或者在无活动期间过度摄入在线内容,这种现象被称为“大脑腐烂”或“ doomscrolling”。对于抑郁症患者,高强度身体活动的时间似乎对PA发作有影响,不允许自己休息一天高强度活动可能会让他们过度劳累。这一信息对于抑郁症患者的PA治疗尤为重要,因为当前的干预措施通常强调运动对心理健康的显著益处。呼吸率的变化也与PA相关,这与之前的研究一致,将呼吸模式与PA风险联系起来,并确定呼吸为干预的目标。值得注意的是,这一发现将之前针对恐慌障碍患者的研究证据扩展到了抑郁症患者。
4 讨论
PA发生在各种心理健康诊断中,但关于PA前兆的研究主要集中在患有恐慌障碍的人群上。由于具有高PA风险的群体(例如,那些经历过童年逆境、抑郁症和恐慌障碍的人)在日常行为、生理和压力反应方面有独特的模式,因此他们在PA发作前的特征也可能有所不同。在这项工作中,我们首次探索了多个风险组的PA发作情况。我们检查了ACEs患者与无ACEs患者相比,在PA发作前的行为和生理可穿戴传感器衍生测量值的变化,以及患有恐慌障碍和抑郁症的患者与没有心理健康状况的患者之间的变化。首先,在我们的样本中,只有经历过至少一次PA的个体,大多数(84%)报告了ACEs。与无ACEs患者相比,ACEs患者报告了更多的PA,这突显了童年创伤对成年期心理困扰的持久影响。这些组之间很少有与PA风险相关的共同特征(图2)。ACEs患者有许多与即将发生的PA相关的特征,每个特征的影响都较小,这可能表明他们处于高度警觉状态,并对生理和行为触发因素敏感。为了应对这种异质性,我们随后按当前心理健康诊断对组别进行了比较。仅患有抑郁症的患者、患有恐慌障碍的患者以及没有任何心理健康状况的患者分别进行了研究。有趣的是,恐慌发作的发生率(分别为5.8%、5.6%和4.8%)在诊断状态之间相似,这支持了在恐慌障碍之外继续进行PA研究。在诊断组之间没有与PA相关的共同特征(表1)。对于PD组,过去6天内不活动的时间与PA发作相关。我们推测,长时间的不活动可能表明了压倒性的焦虑和活动回避,或者在无活动期间过度消费在线内容,这被称为“大脑腐烂”或“ doomscrolling”。对于抑郁症患者,高强度身体活动的时间似乎对PA发作有影响,不允许自己休息一天高强度活动可能会让他们过度劳累。这一关于适度活动的信息对于抑郁症患者的PA治疗尤为重要,因为当前的干预措施通常强调运动对心理健康的显著益处。呼吸率的变化也与PA相关,这与之前的研究一致,将呼吸模式与PA风险联系起来,并确定呼吸为干预的目标。值得注意的是,这一发现将之前针对恐慌障碍患者(PD)的证据扩展到了抑郁症患者。最后,对于抑郁症患者,睡眠特征与PA相关,包括更早的醒觉时间和较少的REM睡眠时间,在大学生的背景下,这可能表明学术课程安排更加紧张。有一些研究表明睡眠阶段与PA相关,这在抑郁症患者中可能更为明显。对于没有诊断的患者,较低的心率变异性(HRV)与PA相关,这一特征通常与压力(92)和较差的心理健康(93、94)相关,并与PD患者的自主神经系统活动有关(28),以及强调生物反馈干预措施对焦虑(95)和恐慌(16、20)的作用。
除了被动收集的行为和生理数据外,自我报告的压力源仅与PD患者的PA风险相关(32)。PD患者报告的“最大担忧”比其他诊断组多25%,这与之前的文献一致(81)。然而,由于自我报告的压力源与其他组之间的PA没有显示出统计学上的显著关联,因此在未来的研究中收集可穿戴设备的被动数据可能对于了解具有不同心理健康史的人群的PA风险非常重要。与PA显著相关的特征在恐慌发作前3至7天的数据聚合量上有所不同。结果表明,对于PD和抑郁症患者,使用更多天的数据时特征的影响可能最大,而对于没有诊断的患者则较少(图4)。然而,目前尚不清楚所需的数据量是否确实与诊断组类型或严重程度有关,或者仅仅是特征本身决定的,因为不同组之间的显著特征没有重叠。值得注意的是,最佳评估PA风险所需的多个天的聚合数据可能有助于我们理解为什么最受影响的人将PA描述为“意外”和“不可预测”。例如,对于PD患者来说,似乎没有一个单一的触发事件导致PA;相反,是过去一周的累积不活动增加了PA的可能性,这可能难以事后识别。尽管由于专有算法的原因难以复制,但Oura开发的分数似乎在估计不同风险组的PA方面具有价值。具体来说,对于没有诊断的患者,睡眠潜伏期得分的单位增加,对于PD患者,避免长时间不活动的分数变化,以及对于抑郁症患者,避免不活动的分数变化似乎都使PA的可能性增加了50%以上(OR>1.5,图3)。这些特征对于患有PA的Oura用户来说可能立即且直接有用,并可能有助于及时干预以降低风险。虽然这些模型可以帮助未来的研究人员提出假设,以研究更多样化样本中的PA风险,并可能帮助个体管理自己的PA,但这项研究也存在一些局限性。在这项分析中,我们研究了三个诊断组;然而,我们排除了大多数具有其他心理健康诊断和共病的情况。因此,我们必须谨慎对待这些发现的普遍性,这些发现应在更具代表性的心理健康诊断样本中进行验证(例如,那些患有ADHD、焦虑和其他共病的人)。同样,这项工作中考虑的数据来自具有相对同质人口统计学特征的大学生样本,尽管他们的心理健康受损程度较高(LEMURS队列中有38%的人在研究期间至少经历过一次PA),这也可能影响了童年创伤事件的频率和类型。虽然这些数据有助于了解PA的生理和行为标志物,但未来的研究将受益于考虑更广泛年龄、性别、种族和种族的参与者。在纵向研究中,理解被动收集数据的背景往往是一个挑战,因为可能存在一些普遍的混杂因素(例如时间、星期几和天气)以及特定于样本的混杂因素(例如考试安排和学期放假时间),这些因素都会影响行为。尽管详细分析这些潜在的混杂因素超出了本研究的范围,但未来的研究可以将这些因素作为协变量纳入考虑。由于我们使用生态学每日评估来记录恐慌发作的情况,我们也意识到存在回忆偏差的可能性;因此,未来的研究可以采用生态学即时评估或即时方法来获取恐慌事件的数据。本研究中的参与者还可以实时查看他们的可穿戴设备数据,这可能会影响他们之后的情绪和行为。在分析方面,尽管PD组、DEP组和ND组之间的样本量差异较小,并且广义线性混合模型(GLMMs)通过其置信区间本质上能够考虑这种变异性,但我们仍然将所有解释限制在组内关联上,而不进行组间比较。最后,未来的研究可以探索利用机器学习方法整合多种特征,以便在预测恐慌发作可能发生的时间时提高预测的准确性。这项探索性工作表明,可穿戴传感器测量的客观生理和行为数据的变化与恐慌发作的发生有关,并建议未来的研究根据诊断状态继续调查这些关联。如果这些发现能够得到重复验证,就有可能开发出准确的恐慌发作预测模型,从而为未来的预防性干预措施提供时间参考。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号