可穿戴设备对抑郁症治疗结果的个性化预测

在过去的几年里，管理一个人的心理健康越来越成为优先事项，越来越强调自我照顾。仅抑郁症每年就影响全球超过3亿人。认识到这一点后，利用流行的可穿戴设备通过测量活动水平、睡眠和心率等标记来监测个人的心理健康就变得非常有意义。

圣路易斯华盛顿大学(Washington University in St. Louis)和伊利诺伊大学芝加哥分校(University of Illinois Chicago)的一组研究人员利用可穿戴设备的数据，对参加随机临床试验的个体进行抑郁症治疗的结果预测。他们发明了一种小说机器学习模型该模型分析了两组患者的数据——随机选择接受治疗的患者和未接受治疗的患者——而不是为每一组患者建立单独的模型。这种统一的多任务模型是迈向个性化医疗的一步，在这种模式下，医生根据每个患者的需求设计具体的治疗计划，并根据个人数据预测结果。

研究结果发表在交互、模型、可穿戴和无处不在技术ACM会议记录并将在9月的UbiComp 2022大会上展示。

McKelvey工程学院富勒格拉夫教授陈阳(Chenyang Lu)领导的团队包括戴瑞轩(Ruixuan Dai)，戴瑞轩曾在吕氏实验室担任博士生，现在是谷歌的软件工程师;Thomas Kannampallil，医学院麻醉学副教授、副首席研究信息官、McKelvey工程学院计算机科学与工程副教授;马军，医学博士，伊利诺伊大学芝加哥分校(UIC)医学教授;利用UIC对大约100名患有抑郁症和肥胖症的成年人进行的随机临床试验的数据开发了该模型。

“综合行为疗法既昂贵又耗时，”陆教授说。“如果我们可以为个体做出个性化预测，判断患者是否可能对特定的治疗有反应，那么只有当模型预测患者的病情有可能在治疗后改善，而不治疗则不太可能改善时，患者才可能继续治疗。”这种对治疗反应的个性化预测将促进更有针对性和更划算的治疗。”

在试验中，患者佩戴了Fitbit手环并接受心理测试。大约三分之二的患者接受了治疗行为疗法其余患者则没有。两组患者的基线数据在统计上是相似的，这为研究人员提供了一个公平的竞争环境，可以根据个人数据来判断治疗是否会导致改善结果。

由于干预的成本和持续时间，行为疗法的临床试验往往涉及相对较小的队列。患者数量少给机器学习模型带来了挑战，通常情况下，数据越多，机器学习模型的表现就越好。然而，通过合并两组的数据，该模型可以从更大的数据集中学习，捕捉到接受治疗的人和未接受治疗的人之间的差异。他们发现，他们的多任务模型比单独观察每一组的模型更能预测抑郁结果。

“我们开创了一个多任务框架，将干预组和对照组在随机对照试验中结合起来，联合训练一个统一模型，以预测个体接受和不接受治疗的个性化结果，”戴说，他在2022年获得了计算机科学博士学位。“该模型在多层架构中集成了临床特征和可穿戴数据。这种方法避免了将研究队列划分为更小的机器学习模型组，并实现了组之间的动态知识转移，以优化有干预和不干预的预测性能。”

马说:“这种数据驱动的方法的意义超越了随机临床试验，延伸到临床护理提供中，根据所接受的治疗对患者结果进行个性化预测的能力，并在早期和治疗过程中这样做，可以有意义地为患者和治疗医生的共同决策提供信息，以便为患者量身定制治疗计划。”

机器学习方法为构建个性化提供了一个很有前途的工具预测模型根据随机对照试验收集的数据。展望未来，该团队计划在一项新的随机对照试验中利用机器学习方法，在减肥干预研究中的患者中使用Fitbit腕带和体重秤进行远程健康行为干预。