(资料图片)

在过去的几年里，管理一个人的心理健康变得更加重要，并且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，人们对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产生了浓厚的兴趣。

圣路易斯华盛顿大学和伊利诺伊大学芝加哥分校的一组研究人员使用来自可穿戴设备的数据来预测参加随机临床试验的个体的抑郁症治疗结果。他们开发了一种新的机器学习模型，可以分析两组患者的数据——随机选择接受治疗的患者和未接受治疗的患者——而不是为每组开发单独的模型。这种统一的多任务模型是向个性化医疗迈出的一步，在该模型中，医生针对每位患者的需求设计治疗计划，并根据个人数据预测结果。

研究结果发表在ACM 的互动、模型、可穿戴和无处不在的技术论文集上，并将在 9 月的 UbiComp 2022 会议上发表。

McKelvey 工程学院 Fullgraf 教授卢晨阳带领的团队包括戴瑞轩，戴瑞轩在卢的实验室担任博士生，现在是谷歌的软件工程师;Thomas Kannampallil，医学院麻醉学副教授兼副首席研究信息官，McKelvey Engineering 计算机科学与工程副教授;以及伊利诺伊大学芝加哥分校 (UIC) 医学教授马骏;和同事使用 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该模型。

“综合行为疗法可能既昂贵又耗时，”卢说。“如果我们可以对个体进行个性化预测，即患者是否可能对特定治疗产生反应，那么只有当模型预测他们的病情可能会通过治疗而改善，但如果不治疗则不太可能改善时，患者可能会继续治疗。这样的对治疗反应的个性化预测将促进更有针对性和成本效益的治疗。”

在试验中，患者接受了 Fitbit 腕带和心理测试。大约三分之二的患者接受了行为治疗，其余患者没有。两组患者在基线时具有统计学相似性，这为研究人员提供了一个公平的竞争环境，可以根据个人数据判断治疗是否会改善结果。

标签： 伊利诺伊大学 临床试验 治疗结果 接受治疗