可穿戴设备个性化预测抑郁症治疗结果
在过去的几年里，管理一个人的心理健康已经成为一个优先事项，越来越强调自我保健。仅抑郁症每年就影响全球3亿多人。认识到这一点，利用流行的可穿戴设备，通过测量活动水平、睡眠和心率等指标，来监测个人的心理健康，是很有意义的。
华盛顿大学圣路易斯分校和伊利诺伊大学芝加哥分校的一组研究人员使用可穿戴设备的数据来预测参加随机临床试验的抑郁症患者的治疗结果。他们创作了一部小说机器学习模型该方法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——而不是为每组患者开发单独的模型。这种统一的多任务模型是迈向个性化医疗的一步，在个性化医疗中，医生根据每个患者的需求设计特定的治疗计划，并根据个人数据预测结果。
研究结果发表在美国计算机学会关于交互、模型、可穿戴和无处不在技术的论文集并将于9月在UbiComp 2022会议上发表。
麦凯维工程学院(McKelvey School of Engineering)的富格拉夫教授陈阳·卢(Chenyang Lu)领导的团队包括戴瑞轩(Ruixuan Dai)，戴瑞轩曾在卢的实验室做博士研究生，现在是谷歌的软件工程师;Thomas Kannampallil，医学院麻醉学副教授和副首席研究信息官，麦凯维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;他们和同事利用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数据开发了该模型。
陆教授说:“综合行为疗法既昂贵又耗时。“如果我们可以对患者是否可能对特定治疗有反应进行个性化预测，那么只有当模型预测他们的病情有可能通过治疗改善，而不治疗则不太可能改善时，患者才可能继续治疗。这种个性化的治疗反应预测将促进更有针对性和更具成本效益的治疗。”
在试验中，患者佩戴Fitbit手环并进行心理测试。大约三分之二的患者接受了治疗行为疗法，其余患者没有。两组患者的基线数据在统计上相似，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改善结果。
由于这种干预的成本和持续时间，行为疗法的临床试验通常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，通过结合两组的数据，该模型可以从更大的数据集中学习，从而捕捉到接受过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症的结果。
“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，联合训练一个统一的模型，以预测个人接受和不接受治疗的个性化结果，”Dai说，他于2022年获得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，并实现了组间动态的知识转移，以优化有或没有干预的预测性能。”
Ma说:“这种数据驱动的方法的影响超出了随机临床试验，扩展到临床护理服务的实施，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，可以有效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。”
机器学习方法提供了一个很有前途的工具来构建个性化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，在一项减肥干预研究中，使用Fitbit腕带和体重秤对患者进行远程健康行为干预。
