通过数字表型，智能手机可能在评估严重的精神疾病方面发挥作用

根据A的情况下，收集和分析智能手机 - 用户数据的数字表型方法，识别与机器学习，以识别模式，并使数据从数据中展示了对精神病谱疾病监测患者的有希望的工具。9月/ 10月期间的报告哈佛精神病学审查。

哈佛大学医学院和同事MBI John Wathous MBI审查了有关数字表型和机器学习的可用证据，以改善与精神分裂症，双相情感障碍和相关疾病生活的人。“数字表型在患者的症状和可用于评估和监测精神疾病的行为之间提供了急需的桥梁，”研究人员写道。

精神分裂症和双相障碍的数字表型 - 到目前为止的证据

“数字表型是使用智能手机和可穿戴物体的数据，以便原位收集，以捕获人类行为的数字表达，”根据作者说。精神病学研究人员认为，收集和分析这种行为信息可能有助于理解患者严重的精神疾病在诊所或实验室之外的日常生活中运作，特别是评估症状并预测临床复发。

旅游和同事博士确定了精神分裂症或双相情感障碍患者的数字表型研究了51项。审查专注于使用“被动”收集的数据 - 例如加速度计读数（步进计数器）和GPS信号进行研究。其他数字表型方法使用“积极”收集的数据 - 例如，调查询问患者报告他们的情绪。

根据所用数字表型特征，数据处理，分析技术，经过测试的算法和结果测量，研究变化。几乎所有研究都包括患者躁郁症或精神分裂症。这些研究包括平均31人，并监测它们大约四个月。

大多数研究使用加速度计和GPS收集的被动数据;包括其他措施语音通话和短信日志。研究使用了各种不同的应用，以及用于评估患者心理健康状况的不同临床工具/问卷。

这些研究提出了报告智能手机模型和操作系统，患者年龄和种族/种族等基本数据的更高的可变性，以及患者是否接受了这种技术的培训。作者提出了标准化报告格式的建议，以提高未来研究的可比性。

16项研究使用基于机器学习的方法来分析被动收集的数据。正如旅游和共同司机博士所说，研究使用了各种不同的算法，以及不同的目的。最常用的算法类型是“随机森林”，通过组合许多小，弱决策来制造一个强大的预测。例如，一项研究使用被动跟踪的行为数据，以预测精神分裂症患者的心理健康评分。

其他研究用过机器学习方法，如支持向量机/支持向量回归或神经网络。这些算法以不同的方式使用行为数据 - 患者正在进行的行为数据，无论是返回呼叫，甚至他们的语音都要评估患者目前的心理健康状况，预测其复发风险，等等。

“数字表型在患者的症状与可用于评估和监测的行为之间提供了急需的桥梁精神病疾病，“旅游博士和同事博士。他们呼吁使用更高质量的数据进行更大的研究 - 以及”扩展努力将机器学习应用于早期诊断和治疗精神病的被动数字表型数据，包括临床高风险和早期课程精神病患者。“

---

---