智能手机和可穿戴设备中使用mHealth数据预测抑郁症状严重程度的挑战：回顾性分析
摘要：mHealth数据分析面临一些挑战：在长时间内保持参与者的参与度，从而了解什么构成可以接受的数据缺失阈值；区分不同特征的横断面和纵向关系，以确定它们在追踪个体纵向变化或筛选高风险个体方面的实用性；以及了解用被动特征量化的行为模式所表现出的抑郁表现的异质性。从479名抑郁症患者中提取了21个捕捉行动性、睡眠和智能手机使用的特征。我们使用组内相关系数和Bland-Altman分析研究了可用数据天数对特征质量的影响。然后，我们使用个体均值相关、重复测量相关和线性混合效应模型考察了8项患者健康问卷(PHQ-8)抑郁量表（每两周测量一次）与特征之间的相关性。此外，我们根据特征量化的行为差异在抑郁期和非抑郁期之间，使用高斯混合模型对参与者进行分层。我们证明，在14天的时间窗口中，至少需要8天（范围2-12天）来可靠计算大多数特征。我们观察到，入睡时间等特征与PHQ-8分数的横断面相关性优于纵向，而睡眠中醒来后的清醒时间等特征与PHQ-8纵向相关性较好，但横断面相关性较差。最后，我们发现参与者可根据抑郁期和非抑郁期之间的行为差异，分为3个明显的群集。
作者：Shaoxiong Sun, Amos A. Folarin, Yuezhou Zhang, Nicholas Cummins, Rafael Garcia-Dias, Callum Stewart, Yatharth Ranjan, Zulqarnain Rashid, Pauline Conde, Petroula Laiou, Heet Sankesara, Faith Matcham, Daniel Leightley, Katie M. White, Carolin Oetzmann, Alina Ivan, Femke Lamers, Sara Siddi, Sara Simblett, Raluca Nica, Aki Rintala, David C. Mohr, Inez Myin-Germeys, Til Wykes, Josep Maria Haro, Brenda W. J. H. Penninx, Srinivasan Vairavan, Vaibhav A. Narayan, Peter Annas, Matthew Hotopf, Richard J. B. Dobson (for the RADAR-CNS consortium)
论文ID：2212.10540
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2023-08-16