通过每日智能手机调查对严重精神疾病中跨诊断临床症状的生态学评估

《Translational Psychiatry》：Ecological assessment of transdiagnostic clinical symptoms in serious mental illness with daily smartphone surveys

　　

摘要

严重精神疾病患者的临床症状会不断变化，而传统的面谈评估方法在追踪这些变化方面存在局限性。基于智能手机的生态学调查为在自然环境中监测症状提供了一种可扩展的方法。我们分析了56名患有精神病性或情感障碍的门诊患者的长期数据，这些患者在一年或更长时间内完成了3901份每日调查以及423次临床评估。每日调查内容涵盖了广泛的一般情感、行为和功能方面的信息。通过使用“留一受试者法”进行交叉验证，我们训练了机器学习模型，以根据智能手机上的每日调查数据来估算同时期的临床症状严重程度。这些模型在预测蒙哥马利-奥斯伯格抑郁量表得分方面表现优异（重复测量相关系数[r_rm] = 0.57；p?<?0.001），在预测杨氏躁狂量表得分方面也表现良好（r_rm = 0.39；p?<?0.001）。在预测由正负症状量表测量的阳性症状方面也存在显著关联（r_rm = 0.24，p?<?0.001），但不同受试者的预测准确度有所不同。因子分析显示，负面情感领域的预测一致性最强，表明调查结果与抑郁、焦虑和易怒情绪最为吻合。重要的是，机器学习模型估算出的MADRS得分能够反映患者症状的波动情况，显示出对临床上有意义的变化的敏感度。虽然患者的依从性会随时间下降，但这一因素与症状严重程度并无显著关联。这些研究结果表明，基于智能手机的每日调查能够在现实环境中实时估算负面情感症状的严重程度，为在精神病性和情感障碍的临床评估之外拓展出一种可扩展的评估框架。