CN115867983A - 用于检测或预测重度抑郁症再发的系统和方法 - Google Patents
用于检测或预测重度抑郁症再发的系统和方法 Download PDFInfo
- Publication number
- CN115867983A CN115867983A CN202180048453.XA CN202180048453A CN115867983A CN 115867983 A CN115867983 A CN 115867983A CN 202180048453 A CN202180048453 A CN 202180048453A CN 115867983 A CN115867983 A CN 115867983A
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- test
- training
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Developmental Disabilities (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Educational Technology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本公开的发明名称是“用于检测或预测重度抑郁症再发的系统和方法”。本发明提供了一种用于检测患者抑郁再发的系统和计算机实现的方法。该系统包括可穿戴设备和计算设备,该可穿戴设备被配置为检测患者的移动并且被配置为生成对应于患者的移动的体动记录数据,该计算设备用于从该设备检索体动记录数据。该系统和方法在训练周期内获得训练数据,包括训练体动记录数据,并且使用该训练数据训练异常检测器。该系统和方法随后从患者获得测试数据,从测试数据中提取多个特征,并且使用训练的异常检测器分析所提取的数据。自我报告测试用于确定由该异常检测器识别的异常是否指示患者可能经历抑郁的再发。
Description
发明人:Srinivasan VAIRAVAN、Vaibhav A.NARAYAN和Randall L.MORRISON
优先权
本申请要求2020年7月7日提交的美国临时申请序列号63/049,053和2021年6月28日提交的美国临时申请序列号63/202,871的优先权,这些申请的全部内容以引用方式并入本文。
背景技术
重度抑郁症(MDD)是世界范围内导致残疾的主要原因之一(以残疾损失健康生命年衡量),在普通成年人群中终生患病率约为15%,并与显著的发病率和死亡率相关。这种病症影响着全球超过3亿人。患有MDD的患者会经历各种各样的身体、情绪和认知症状,包括抑郁情绪、对所有/几乎所有活动失去兴趣或乐趣、疲劳和睡眠中断,以及在思考、集中注意力和做决定方面有困难。这些症状会严重影响患者的日常生活,包括他们如何感受、思考和处理日常活动,并会影响他们的健康、人际关系、就业、教育和整体生活质量。在严重的MDD病例中,患者可能会有死亡或自杀的想法。值得注意的是,MDD患者的自杀风险是普通人群的20倍。此外,MDD被认为会增加其他健康障碍发展或恶化的风险。例如,MDD会增加患中风和2型糖尿病等病症的风险。
有多种治疗方案可以帮助患者缓解MDD症状并改善他们的生活质量。然而,MDD是具有重复发作的慢性病症,使得患者可能经历残余症状,或经历抑郁的复发或重现。在临床实践中,临床医生通过仅在临床访问期间观察患者并且响应于在此类临床访问期间进行的观察根据需要改变患者的治疗方案来采取反应式方法。MDD是一种动态疾病,复发的发作与缓解期交替。疾病状态的转变在时间尺度上可能比医生出诊之间的时间更快。使用这种反应式方法,临床医生往往意识不到患者症状的早期变化。复发或重现通常只有在患者的抑郁症状恶化到足以保证临床访问以进行评估后才被检测到。
复发或重现后延迟获得进一步治疗可能会使患者面临更高的自残或自杀风险。每次治疗失败后,达到缓解的MDD患者的比例也显著降低。此外,漫长和/或无效的治疗可延长患者的痛苦,降低预期,并强化消极情绪诸如绝望。因此,早期辨别和识别抑郁的复发或重现可以使临床医生能够更早地拦截疾病恶化,潜在地挽救生命,并且提高患者获得对治疗的有意义的响应的机会,并且潜在地达到缓解。
发明内容
本发明的一个示例性实施方案涉及一种用于检测或预测患者抑郁再发的计算机实现的方法。该方法包括(i)从患者穿戴的可穿戴设备获得患者在训练周期内的训练数据。训练数据包括对应于患者在训练周期内的移动的训练体动记录(actigraphy)数据。训练周期是在患者尚未经历抑郁再发的发作的时间段。该方法还包括(ii)使用训练数据训练异常检测器。异常检测器被配置为识别与训练数据的偏差。该方法还包括(iii)在训练周期之后的测试周期期间,从可穿戴设备获得患者的测试数据。该测试数据包括对应于训练周期之后患者的移动的测试体动记录数据。该方法还包括(iv)从测试数据中提取多个特征以生成测试特征数据,其中该特征对应于活动、睡眠、昼夜节律和多重分形动态中的至少一者的量度。该方法还包括(v)使用异常检测器分析测试特征数据,以将测试特征数据与训练数据进行比较。该方法还包括(vi)当异常检测器确定测试特征数据与训练体动记录数据相比可能是异常时,对患者实施自我报告测试以从患者获得多个输入。该方法还包括(vii)分析来自患者的多个输入,以确定患者是否可能经历抑郁再发的发作。
还提供了用于检测或预测患者抑郁再发的系统。该系统包括可穿戴设备,该可穿戴设备包括被配置为检测患者的移动的至少一个加速度计。该可穿戴设备被配置为生成对应于患者的移动的体动记录数据。该系统还包括可操作地连接到可穿戴设备的计算设备,以从可穿戴设备接收体动记录数据。该计算设备包括用于显示输出和接收来自患者的输入的用户界面,以及处理器和包括由处理器可执行的指令集的非暂态计算机可读存储介质。该指令集能够操作以:从可穿戴设备获得对应于患者在训练周期内的移动的训练体动记录数据,其中训练周期是在患者尚未经历抑郁再发的发作的时间段期间;使用包括训练体动记录数据的训练数据来训练异常检测器,其中异常检测器被配置为识别与训练数据的偏差;从可穿戴设备获得对应于训练周期后患者的移动的测试体动记录数据;从测试体动记录数据中提取多个特征以生成测试特征数据,其中该特征对应于活动、睡眠、昼夜节律和多重分形动态中的至少一个的量度;使用异常检测器分析测试特征数据以将测试特征数据与训练数据进行比较;指引用户界面向患者显示多个自我报告调查问题;经由用户界面接收来自患者的响应于自我报告调查问题的多个输入;以及分析来自患者的多个输入以确定患者是否可能经历抑郁再发的发作。
在另一方面,提供了一种用于检测或预测患者抑郁再发的计算机实现的方法。该方法包括(i)从患者穿戴的可穿戴设备获得患者在训练周期内的训练数据。训练数据包括对应于患者在训练周期内的移动的训练体动记录数据,并且训练周期是在患者尚未经历抑郁再发的发作的时间段期间。该方法还包括(ii)使用训练数据训练异常检测器,其中异常检测器被配置为识别与训练数据的偏差。该方法还包括(iii)在测试周期期间从可穿戴设备获得患者的测试数据。测试周期的至少一部分在训练周期之后。该测试数据包括对应于训练周期之后患者的移动的测试体动记录数据。该方法还包括(iv)从测试数据中提取多个特征以生成测试特征数据,其中特征对应于单分形模式、多重分形动态和样本熵中的至少一者的量度。该方法还包括:(v)使用异常检测器分析测试特征数据,以将测试特征数据与训练数据进行比较,从而检测测试特征数据中的异常;以及(vi)当在测试特征数据中检测到异常时,分析自我报告测试数据以确定患者是否可能经历抑郁再发的发作,其中自我报告测试数据是响应于自我报告测试而从来自患者的多个输入生成的。
在另一方面,提供了一种用于检测或预测患者抑郁再发的系统。该系统包括可穿戴设备,该可穿戴设备包括被配置为检测患者的移动的至少一个加速度计,该可穿戴设备被配置为生成对应于患者的移动的体动记录数据。该系统还包括可操作地连接到可穿戴设备的计算设备,以从可穿戴设备接收体动记录数据。该计算设备包括用于显示输出和接收来自患者的输入的用户界面,以及处理器和包括由处理器可执行的指令集的非暂态计算机可读存储介质。该指令集能够操作以:从可穿戴设备获得对应于患者在训练周期内的移动的训练体动记录数据,其中训练周期是在患者尚未经历抑郁再发的发作的时间段期间;使用包括训练体动记录数据的训练数据来训练异常检测器,其中异常检测器被配置为识别与训练数据的偏差;从可穿戴设备获得对应于患者在测试周期期间的移动的测试体动记录数据,该测试周期的至少一部分在训练周期之后;从测试体动记录数据中提取多个特征以生成测试特征数据,其中特征对应于以下项中的至少一者的量度:活动,单分形模式、多重分形动态和样本熵中的至少一者;使用异常检测器分析测试特征数据,以将测试特征数据与训练数据进行比较,从而检测测试特征数据中的异常;以及分析自我报告测试数据,以确定当在测试特征数据中检测到异常时,患者是否可能经历抑郁再发的发作。根据多个输入来生成自我报告测试数据,所述多个输入响应于包括显示在用户界面上的多个自我报告调查问题的自我报告测试通过用户界面从患者接收。
对于本领域的技术人员而言,在阅读本发明的以下详细描述(包括附图和所附权利要求书)之后,本发明的这些方面和其他方面将变得显而易见。
附图说明
图1示出了根据本申请的示例性实施方案的用于检测和/或预测患者抑郁复发的示例性系统。
图2示出了根据本申请的示例性实施方案的用于检测和/或预测患者抑郁复发的示例性方法。
图3示出了根据本申请的示例性实施方案的用于训练至少一个异常检测器的示例性方法,该异常检测器用于识别与训练数据的偏差,以基于被动患者数据确定抑郁复发的发作是否可能发生。
图4示出了根据本申请的示例性实施方案的示例性方法,其用于对患者实施至少一种自我报告测试并分析自我报告测试的结果以进一步确定患者是否可能经历抑郁复发的发作。
图5示出了根据本申请的示例性实施方案的另选的示例性方法,其用于对患者实施至少一种自我报告测试并分析自我报告测试的结果以进一步确定患者是否可能经历抑郁复发的发作。
图6示出了具有编码器和解码器的LSTM异常检测器的示例性示意图。
图7示出了用于检测和/或预测患者抑郁复发的图2的示例性方法的如患者所经历的示例性时间线。
图8示出了根据本申请的示例性实施方案的用于检测和/或预测患者抑郁复发的另一个示例性方法。
图9示出了使用动态阈值识别异常的示例性方法。
图10a至图10f示出了根据图8的示例性方法的步骤分析的按时间序列的异常评分的示例。
图11示出了横跨样本时间序列的数据的图8的示例性方法的实施方式的示例。
图12示出了用于检测和/或预测患者抑郁复发的图8的示例性方法的如患者所经历的示例性时间线。
图13示出了根据实施例I的示例性实施方案的用于为经历抑郁复发的患者收集训练体动记录数据和分析随后的体动记录数据的示例性时间线。
图14示出了根据实施例II的示例性实施方案,对应于在抑郁实际发作之前的时间段范围内检测到的真阳性复发患者的比例的实验数据。
图15a示出了根据实施例III的示例性实施方案,对应于在各种触发比例下进行自我报告测试的患者频率的实验数据,其中患者体动记录数据用于确定何时对患者实施自我报告测试。
图15b示出了根据实施例III的对应于在各种触发比例下实施自我报告测试的患者的频率的实验数据,其中每周实施自我报告测试。
图16a示出了图15a的实验数据的针对患者处于缓解状态并且不接近抑郁复发的时间范围的子集。
图16b示出了图15b的实验数据的针对患者处于缓解状态并且不接近抑郁复发的时间范围的子集。
图17a示出了图15a的实验数据的针对患者正接近或经历抑郁复发的时间范围的子集。
图17b示出了图15b的实验数据的针对患者接近或经历抑郁复发的时间范围的子集。
图18示出了根据实施例III的示例性实施方案,使用患者体动记录数据和自我报告测试来确定抑郁复发的示例性方法的性能量度的实验数据。
图19a示出了对应于在临床医生访问次数增加的过程中复发受检者的数量的数据,从而证明了在实施例V中分析的复发访问的分布。
图19b示出了对应于在临床医生访问次数增加的过程中非复发受检者的数量的数据,从而证明了在实施例V中分析的非复发访问的分布。
图20示出了根据实施例V的示例性实施方案评估的三个不同临床访问的示例性时间线
具体实施方式
本文使用的术语“体动记录法”是指一种用于测量患者在一段时间内的移动和/或活动的方法,并且可以对应于患者的肌动活动、睡眠或昼夜节律。
本文所用的术语“再发”或“再发的”是指在同一抑郁发作中具有在抑郁改善和/或缓解后再发的症状或作为新的抑郁发作的症状再发。术语“再发”包括抑郁的复发和重现两者。
本文所用的术语“复发”或“复发的”是指在同一抑郁发作中具有在抑郁改善和/或缓解后再发的症状。同一抑郁发作可以是在预先确定的时间段内(例如,在开始治疗方案的前6个月内)抑郁症状的复发。特别地,再发的症状可以是符合抑郁的临床诊断标准的那些症状,诸如在精神障碍统计手册(DSM-5)中定义的那些临床标准。有许多不同的临床测试(特别是由临床医生实施和评估的那些临床测试)可用于识别患者抑郁的复发。在一个示例中,MDD的复发可以由临床医生使用蒙哥马利-艾森贝格抑郁评定量表(MADRS)检查患者来识别,这将在下面进一步讨论。
本文所用术语“重现”是指具有在抑郁改善和/或缓解后作为新的抑郁发作而再发的症状。在预先确定的时间段后(例如,在开始治疗方案的前6个月之后),抑郁症状再发。作为抑郁的新的重现发作而再发的症状可以是符合抑郁的临床诊断标准的那些症状,诸如在精神障碍统计手册(DSM-5)中定义的那些临床标准。
本文中使用的术语“抗抑郁药”是指可用于治疗抑郁的任何药物制剂。合适的示例包括但不限于单胺氧化酶抑制剂、三环药、5-羟色胺再摄取抑制剂、5-羟色胺去甲肾上腺素能再摄取抑制剂、去甲肾上腺素能和特异性5-羟色胺能药物或非典型抗精神病药。其他示例包括但不限于:单胺氧化酶抑制剂,诸如苯乙肼、反苯环丙胺、吗氯贝胺等;三环药,诸如丙咪嗪、阿米替林、地昔帕明、去甲替林、多塞平、普罗替林、曲米帕明、氯米帕明、阿莫沙平等;四环药,诸如马普替林等;非环状化合物,诸如诺米芬辛等;三唑并吡啶,诸如曲唑酮等;5-羟色胺再摄取抑制剂,诸如氟西汀、舍曲林、帕罗西汀、西酞普兰、西酞普兰、艾司西酞普兰、氟伏沙明等;5-羟色胺受体拮抗剂,诸如奈法唑酮等;5-羟色胺去甲肾上腺素能再摄取抑制剂,诸如文拉法辛、米那普仑、去甲文拉法辛、度洛西汀、左旋米那普仑等;去甲肾上腺素能和特异性5-羟色胺能药物,诸如米氮平等;去甲肾上腺素再摄取抑制剂,诸如瑞波西汀、edivoxetine等;非典型抗精神病药,诸如安非他酮等;天然药物诸如卡瓦胡椒、圣约翰草等;膳食补充剂,诸如s-腺苷甲硫氨酸等;以及神经肽,诸如促甲状腺素释放激素等;靶向神经肽受体的化合物,诸如神经激肽受体拮抗剂等;以及激素,诸如三碘甲状腺原氨酸等。在一些实施方案中,抗抑郁药是丙咪嗪、阿米替林、地昔帕明、去甲替林、多塞平、普罗替林、曲米帕明、马普替林、阿莫沙平、曲唑酮、安非他酮、氯米帕明、氟西汀、度洛西汀、艾司西酞普兰、西酞普兰、舍曲林、帕罗西汀、氟伏沙明、奈法唑酮、文拉法辛、米那普仑、瑞波西汀、米氮平、苯乙肼、反苯环丙胺、吗氯贝胺、卡瓦胡椒、圣约翰草、s-腺苷甲硫氨酸、促甲状腺素释放激素、神经激肽受体拮抗剂或三碘甲状腺原氨酸。优选地,抗抑郁药选自氟西汀、丙咪嗪、安非他酮、文拉法辛和舍曲林。
本领域普通技术人员可轻松确定用于抗抑郁药(例如单胺氧化酶抑制剂、三环药、5-羟色胺再摄取抑制剂、5-羟色胺去甲肾上腺素能再摄取抑制剂、去甲肾上腺素能和特异性5-羟色胺能药物、去甲肾上腺素再摄取抑制剂、天然药物、膳食补充剂、神经肽、靶向神经肽受体的化合物、激素和本文公开的其他药剂)的治疗有效量/剂量水平和给药方案。例如,获准销售的药用剂的治疗剂量和用药方案已公诸于众,其列于例如包装标签、标准剂量指南、诸如Physician’s Desk Reference(Medical Economics Company或网址http:///www.pdrel.com)的标准剂量参考文献或其他来源中。
本申请涉及用于使用来自患者的被动患者数据和对应于计算机实现的方法中的自我报告测试的数据来检测和/或预测患者抑郁的再发的系统和方法。被动患者数据可以包括可以在患者日常活动期间被动收集的任何合适类型的数据。特别地,可以在患者不主动接合传感器和/或设备的情况下(例如,在患者不持续监测和手动向传感器和/或设备提供输入的情况下)收集被动患者数据。例如,被动患者数据可以包括被动收集的对应于患者身体行为的数据和/或对应于患者电子设备使用的数据。在一个实施方案中,本申请的用于检测和/或预测抑郁再发的系统和方法可以利用包括体动记录数据的被动患者数据。
本申请的系统和方法可用于患有MDD的患者,特别是那些正在接受MDD治疗(其症状处于缓解状态)的患者。治疗可以包括心理疗法、脑刺激疗法和/或施用抗抑郁药。具体地,患者可以是患有MDD的非难治性患者,例如患有MDD并且已经接受治疗并对治疗有反应、并且继续对治疗有反应并接受治疗的患者。该患者可以是那些已经接受治疗并对治疗有反应并且已经在治疗中恢复正常的患者。特别地,本申请涉及用于检测和/或预测已经对抗抑郁药治疗方案有反应并且正在继续对其有反应并接受抗抑郁药治疗方案的患者中MDD症状再发的系统和方法。此外,本申请的系统和方法可用于正在接受MDD治疗的患者,其症状处于缓解状态但具有抑郁症状再发的先前发作的历史。尽管在此描述的示例性实施方案涉及抑郁的复发,但是预期本申请可以用于检测和/或预测抑郁症状的任何类型的再发,包括抑郁的重现,其是指症状作为新的抑郁发作的再发。
图1示出了系统100的示例性实施方案,该系统用于使用被动患者数据和任选地对应于身体行为的自我报告特性的数据(例如,患者对活动或睡眠充足性的自我评估)来检测和/或预测抑郁的复发。系统100包括用于被动地检测和生成对应于患者的身体行为(例如,身体活动、睡眠、行动等)的数据的设备200和用于从设备200接收数据并分析数据以确定患者是否可能经历抑郁复发的发作的计算设备300。在一个实施方案中,设备200检测并生成患者的体动记录数据和/或行动数据。该体动记录数据对应于患者随时间的移动。该行动数据对应于患者随时间的行进模式,例如行动轨迹。设备200优选地具有合适的尺寸和形状以便能够穿戴在患者身体上。例如,可穿戴设备200可以是可穿戴夹具的形式,其能够附接到患者以用于全天穿戴在患者身体上。在另一个实施方案中,当设备200处于操作配置时,设备200附接到用于将设备200附接到患者手腕的可穿戴带250(例如,手表带)。
如图1所示,设备200包括处理器202、计算机可访问介质204、至少一个传感器206和输入/输出设备208。传感器206可以包括用于检测患者的移动的体动记录传感器和/或用于检测患者的行进模式的行动传感器。体动记录传感器可以是用于检测患者的移动的任何合适的传感器。例如,当设备200在操作配置中被患者穿戴时,体动记录传感器可以是用于检测患者的移动的加速度计。行动传感器可以是用于检测患者的行进模式的任何合适的传感器。例如,行动传感器可以是用于在设备200在操作配置中被患者穿戴时检测患者的定位的全球定位系统(GPS)设备。
传感器206可操作地连接到处理器202,以用于向处理器202提供由传感器206生成的数据。处理器202从传感器206接收数据,以生成对应于患者的身体行为的数据,诸如患者的体动记录数据和/或行动数据。处理器202可包括例如一个或多个微处理器,并且使用存储在计算机可访问介质204(例如,存储器存储设备)上的指令。计算机可访问介质204可以是例如非暂态计算机可访问介质,在该非暂态计算机可访问介质中包含可执行指令。系统100还可以包括与计算机可访问介质204分开提供的存储器存储设备210,以用于在其中存储体动记录数据和/或行动数据。输入/输出设备208是用于从体动记录设备200接收数据或指令和/或将数据或指令发送到体动记录设备的任何合适的设备。特别地,输入/输出设备208可以是用于接收去往设备200的指令和/或从设备发送数据的收发器。
设备200可操作地连接到计算设备300,用于将由设备200收集的数据的一部分或全部传送到计算设备300,或者用于允许计算设备300从设备200检索数据的一部分或全部。如图1所示,设备200可以经由通信网络110(例如,互联网、Wi-Fi、广域网、局域网、蜂窝网络、个人局域网等)可操作地连接到计算设备300。特别地,输入/输出设备208可操作地连接到通信网络110,以从通信网络接收指令或通过通信网络发送数据。在特定实施方案中,通信网络110是无线网络,并且更特别地,其是短距离无线网络,诸如具有有限的范围用于连接与患者邻近的设备的个人区域网(例如,)。然而,还设想设备200可经由有线连接直接连接到计算设备300。
该实施方案中的计算设备300包括处理器302、计算机可访问介质304、输入/输出设备306,该输入/输出设备用于向和/或从计算设备300接收和/或发送数据和/或指令。处理器302可包括例如一个或多个微处理器,并且使用存储在计算机可访问介质304(例如,存储器存储设备)上的指令。计算机可访问介质304可以是例如非暂态计算机可访问介质,在该非暂态计算机可访问介质中包含可执行指令。输入/输出设备306可以可操作地连接到通信网络110,以从通信网络接收指令或通过通信网络发送数据。计算设备300还可以包括用户界面308(例如,触摸屏),用于从用户获得输入并向用户显示输出。可以设想,用户界面308还可以是用于向患者显示输出并从患者获得输入的两个单独的部件,例如显示器和键盘。用户界面308可操作地连接到处理器302以提供指令,如下面进一步讨论的,用于在用户界面上生成输出并且将对应于从患者获得的输入的数据提供给处理器302。计算设备300还可以包括:存储器存储设备310,用于存储过去的体动记录数据、过去的行动数据、来自患者的过去的输入、医疗数据、药房数据;以及/或者至少一个异常检测器,该至少一个异常检测器用于确定抑郁复发的发作的可能性,该至少一个异常检测器由计算设备300生成和/或训练。计算设备300例如可以是移动计算设备、智能电话、计算平板、计算设备等。
在一些实施方案中,计算设备300还被配置为收集另外的被动患者数据,特别是对应于患者的电子设备使用的数据。具体地,计算设备300是患者也在日常活动中使用的移动电话或计算平板。例如,患者可以使用计算设备300进行活动,诸如网络浏览、社交媒体使用、发短信、玩游戏、打电话以及通常可以使用个人电子设备进行的其他活动。计算设备300可被配置为在患者活动期间跟踪计算设备300的使用,并且生成对应于计算设备300的使用的数据,诸如键盘使用活动、击键动态、文本上下文等。在该实施方案中,系统100可以使用设备200和计算设备300两者来收集被动患者数据。在另选的实施方案中,系统100从计算设备300收集和分析被动患者数据(具体地,对应于患者的电子设备使用的数据),并且从系统100中排除设备200。
图2示出了用于检测和/或预测患者抑郁复发的示例性方法400。示例性方法400利用被动患者数据和自我报告测试的实施两者来确定患者抑郁复发的可能性。被动患者数据提供了对应于抑郁复发的可能性的客观且可量化的测量。方法400的该部分提供客观触发阶段,该客观触发阶段筛选患者以确定被动患者数据与先前在不知道患者已经出现抑郁症状的时间段期间从患者收集的被动患者数据相比是否异常。如果方法400在被动患者数据中检测到异常,则患者可能处于复发抑郁的较高风险中。如果被动患者数据表明患者可能处于风险中,则可以在方法400的确认阶段收集进一步的数据,以更精确地确定患者是否可能正经历抑郁复发的发作。特别地,确认阶段可以包括沿定量量表进行的自我报告测试,从而提供对应于抑郁复发的发作可能性的进一步可定量的测量。
示例性方法400利用至少一个机器学习异常检测器,该至少一个机器学习异常检测器基于患者自己的历史数据来训练异常检测器(n=1,其中n是采样的个体总数)。因此,训练的异常检测器针对每个个体患者被个性化。如下所述,示例性方法400从患者收集训练数据,并且当不知道患者已经复发抑郁时继续迭代地获得和分析测试数据。示例性方法400可以连续重复,或者可以以期望的频率迭代,例如每天、每周、每两周等,从而与患者自我报告和仅在他们意识到复发已经发生后才寻求医疗护理相比,允许定期监测和/或更早检测/预测抑郁的复发。
可以使用由精神健康提供者(例如,精神病学家、内科医生、心理学家或治疗专家)实施的或由患者自行实施的一种或多种测试来识别患者复发抑郁。在该示例性实施方案中,计算设备300可以接收对应于患者病例诸如电子病历(EMR)的医疗数据,以及/或者对应于患者药物记录的药房数据,并且计算设备300可以分析医疗数据和/或药房数据以确定患者是否复发抑郁。如果计算设备300根据医疗数据和/或药房数据确定患者已经复发,则示例性方法400终止。然而,可以设想,示例性方法400可以通过从精神健康提供者向计算设备300的手动输入来重新开始,或者在计算设备300从医疗数据和/或药房数据中检测到患者已经恢复抑郁缓解时重新开始。
在一个示例性实施方案中,计算设备300可以分析医疗数据和/或药房数据,并且当医疗数据和/或药房数据包括对应于患者已经经过以下情况的数据时确定已经发生了抑郁复发:(1)被精神健康提供者诊断为复发抑郁;(2)经历了严重的抑郁症状(例如,因抑郁恶化而住院治疗、有意图的自杀意念或自杀行为);或者(3)在后跟验证的定量测试中评分高于预先确定的阈值,如下面进一步讨论的。特别地,定量测试可以是精神健康提供者在MADRS上对患者的评估,以确定患者是否已经复发抑郁。MADRS测量抑郁的严重程度,并且检测抗抑郁药治疗引起的变化。该测试由10个项组成,每个项的评分从0(项不存在或正常)到6(症状的严重或持续存在),总的可能评分为60。更高的评分表示更严重的病症。MADRS评估明显的悲伤、报告的悲伤、内心紧张、睡眠、食欲、注意力、倦怠、兴趣水平、悲观想法和自杀想法。
当医疗数据和/或药房数据包括对应于患者具有≥22的MADRS总评分的数据,并且包括对应于随后的验证的数据时,计算设备300确定患者已经复发。对应于随后的验证的数据可以包括对应于以下情况的数据:(1)在从观察到患者具有≥22的MADRS总评分时起的特定周期(例如,14天内)内治疗方案的改变(例如,药物类型、药物剂量或药物频率的改变);或者(2)指示抑郁恶化的单独测试。对应于单独测试的数据可以包括对应于由精神健康提供者评定的不同定量量表上的至少预先确定的阈值量的增加的数据。例如,该单独测试可以是由该患者的精神健康提供者使用临床整体印象严重程度(CGI-S)量表进行的评估,该临床整体印象严重程度量表是用于在评估时相对于精神健康提供者对具有相同诊断和治疗改善的患者的过往经验对该患者的疾病严重性进行评定的量表。考虑到总的临床经验,基于精神疾病的严重程度按照CGI-S量表对患者进行评估:0=未评估;1=正常(完全没有病);2=边缘性精神病;3=轻度患病;4=中度患病;5=显著患病;6=严重患病;7=在病情最严重的患者中。当医疗数据包括对应于对精神健康提供者(其中患者被评估为CGI-S评分从基线增加2或更多)的随访的数据时,计算设备300确定已经发生随后的验证。
在步骤402中,设备200和/或计算设备300在预先确定的训练时间段内收集被动患者数据,以生成训练数据。训练数据可以包括对应于患者在训练周期内的身体行为的数据和/或对应于患者在训练周期内的电子设备使用的数据。在一个实施方案中,训练数据包括训练体动记录数据和/或训练行动数据。具体地,设备200可由患者穿戴以检测患者的移动,并且在预先确定的训练时间段内生成训练体动记录数据。训练体动记录数据对应于训练周期内肌动活动和/或睡眠期间患者的移动。类似地,设备200可由患者穿戴以检测患者的行进模式,并且在预先确定的训练时间段内生成一组训练行动数据。
设备200可以由患者连续地或基本连续地穿戴。例如,设备200可基本上连续穿戴,使得设备仅在短暂的时间段内从患者移除,以便允许患者从事可能不适合或可能不允许患者穿戴设备200的活动,诸如在淋浴、锻炼和/或清洁时。在其他实施方案中,设备200可以由患者每天穿戴。特别地,设备200可以在患者清醒的大部分时间(例如,至少95%、至少90%、至少80%、至少70%或至少60%的时间)期间和/或患者入睡或睡着时由患者每天穿戴。预先确定的训练时间段可以是用于收集该组训练体动记录数据以训练至少一个异常检测器来确定抑郁复发的发作的可能性的任何合适的时间段。例如,训练周期可以是等于或大于1个月、等于或大于3个月、或者等于或大于6个月。在一个实施方案中,训练周期是3个月。
训练体动记录数据和/或训练行动数据可以存储在设备200的存储器存储设备210中,直到存储器存储设备可操作地连接到计算设备300,以用于将训练体动记录数据和/或训练行动数据的全部或一部分发送到计算设备300。具体地,训练体动记录数据和/或训练行动数据的全部或一部分可以经由输入/输出设备208从设备200发送,并且可以经由输入/输出设备306由计算设备300接收。在另选的实施方案中,当设备200正在收集体动记录数据和/或行动数据时,训练体动记录数据和/或训练行动数据被连续地从设备200发送到计算设备300。更特别地,当设备200正在收集体动记录数据和/或行动数据时,体动记录数据和/或行动数据实时或基本实时地从设备200无线地发送到计算设备300。
在一些实施方案中,训练数据还可包括对应于在预先确定的训练时间段期间获得的训练自我报告数据的数据。该训练自我报告数据对应于在训练周期内由患者输入到计算设备300的身体行为的自我报告特性。例如,处理器302指引用户界面308显示提示来自患者的响应的多个问题,并且响应于这些问题经由用户界面308接收来自用户的多个输入。该多个问题可以形成身体行为特性的自我报告评估(例如,患者对活动、睡眠充足性、睡眠质量的自我评估)。更具体地,自我报告评估包括针对不能由设备200或计算设备300被动地测量的身体行为的特性的问题。例如,自我报告评估包括针对患者对休息和/或睡眠的感知的问题。在一个示例中,自我报告评估可以包括来自医疗结果研究睡眠(MOS-S)量表评估的问题中的全部或部分问题。优选地,自我报告评估包含有限数量的问题,以便使患者主动与用户界面308互动(例如,回答问题)的负担最小化。例如,自我报告评估可包括不超过12个问题、不超过10个问题、不超过5个问题或不超过3个问题。在一个实施方案中,自我报告评估包括两个问题。例如,自我报告评估包括两个问题,要求患者提供对睡眠感知的定量评估,例如:(1)你感觉休息得好吗?以及(2)你是否觉得自己有足够的睡眠?自我报告评估可以以任何期望的时间间隔(例如,每天、每隔一天、每周等)重复,并且在训练周期期间获得的输入用于生成训练自我报告数据。
在步骤402中获得的训练数据用于训练至少一个异常检测器,以确定抑郁复发的发作的可能性。异常检测器包括被配置为识别与训练数据的偏差的机器学习异常检测器,这将在下面关于步骤408进一步讨论。图3示出了用于训练至少一个异常检测器的方法500的示例性实施方案,该至少一个异常检测器用于使用在步骤402中获得的训练数据来确定抑郁复发的发作的可能性。在一个示例性实施方案中,训练数据可以被发送到计算设备300,并且由计算设备300在示例性方法500中使用,以训练至少一个异常检测器来确定抑郁复发的发作的可能性。
在步骤502中,计算设备300(特别是处理器302)从来自步骤402的训练数据中分析和提取多个特征,以生成训练特征数据。在一个实施方案中,处理器302分析从步骤402从设备300获得的原始数据,并且从原始数据中提取多个特征。例如,原始数据可以是从设备200获得的原始加速度计数据。在一个示例性实施方案中,处理器302分析来自步骤402的训练数据,以提取多个特征来生成训练特征数据。该特征可以对应于患者的体动记录、行动和/或社会活动。例如,该特征可以对应于睡眠变化、注意力降低、对活动的兴趣或乐趣降低和/或情绪低落以及疲劳或能量损失中的至少一者的量度,诸如睡眠持续时间、睡眠开始、睡眠结束、睡眠障碍、静止时间、电话解锁持续时间、在特定位置时的电话解锁持续时间、对话持续时间、访问的地点数量、在特定位置花费的时间、心率、分形活动模式、活动数据的单分形模式或多分形动态、活动数据的全部或一部分的熵等等,诸如在Wang等人的“TrackingDepression Dynamics in College Students Using Mobile Phone and WearableSensing”,Proceedings of the ACM on Interactive Mobile Wearable and UbiquitousTechnologies,第2卷,第1期,文章43(2018年3月)中所述的那些,该文献通过引用整体并入本文。
特别地,处理器302从来自步骤402的训练体动记录数据中分析和提取多个体动记录特征,以生成训练特征数据的至少一部分。提取的体动记录特征可以对应于患者的肌动活动、睡眠、觉醒和昼夜节律中的至少一者的量度。例如,该特征可以包括睡眠持续时间(例如,每晚睡眠时间的总小时数)、睡眠模式(例如,睡眠开始的一天中的时间、睡眠结束的一天中的时间)、睡眠质量(例如,休息周期期间每分钟的平均活动计数、睡眠片段百分比、睡眠效率百分比、睡眠开始后觉醒分钟的体动记录仪估计)、活动或睡眠期间的分形模式或动态/行为(例如,活动或睡眠小时期间单分形模式或多重分形动态的变化、在不同活动时间由不同标度属性捕获的睡眠模式的时间上的局部波动)、日间活动(例如,每分钟的平均日问活动计数、每分钟的峰值日间活动计数)以及活动或睡眠期间的熵(例如,活动或睡眠期间的随机性和混沌特征的测量)。更特别地,体动记录特征包括用于检测睡眠障碍的量度,该量度可以包括患者的睡眠、觉醒和/或昼夜节律的量度。据信,睡眠障碍是MDD患者的常见症状,并且患者在抑郁发作的重现或复发之前或期间经常经历睡眠质量下降。
体动记录数据的熵提供了数据复杂度的量化量度,其可以用作多个体动记录特征中的一个体动记录特征。在一个示例中,活动时间序列的体动记录数据可以表示为x(i),i=1至N,其中Δt=1分钟。活动时间序列x(i)的样本熵(SaEn)涉及从活动时间序列重构向量,这些向量是从其获得体动记录数据的整体系统的动态的(m维)状态空间表示。该向量可以表示为V(i)={x(i),x(i+δ),....,x(i+[m-1]δ)},其中δ是向量的连续分量之间的时间延迟。本示例中的向量在复杂度分析中被设置为1。SaEn被确定为向量V(i)在m维中的选定距离r内的出现概率(密度)与向量V(i)在m+1维中的相同选定距离r内的出现概率之间的对数差。状态空间的密度ρm(r)和ρm+1(r)分别是m维和m+1维中落入选定半径r内的重构向量的评分量度。SaEn可以表示为:
在一个示例性实施方案中,每天的体动记录数据可以均匀地划分成四个时段:早晨(上午6点到中午12点)、下午(中午12点到下午6点)、晚上(下午6点到凌晨12点)和夜间(凌晨12点到上午6点)。可以针对每天和每个时段确定SaEn。在一个示例中,SaEn被确定为在过去7天的活动计数(不具有任何已识别的间隙)中的SaEn中值(在z评分活动计数上)。
该特征可以包括下面在表1中列出和定义的示例性体动记录特征中的一个或多个体动记录特征。
表1.
另外,体动记录数据可包括分形波动(例如,在宽范围的时间尺度上的时间、结构和/或统计波动),该分形波动被认为在相同的个体内是稳定的,但是对病理状况可能是敏感的。证明分形调节的数据被认为代表生理系统的适应性,并且反映生理网络的复杂性,其中调节过程在大范围的时间尺度上交互地作用。因此,代替或结合上面识别的特种中的一个或多个特征,可以提取体动记录数据的分形波动的测量作为体动记录特征。在一个示例中,体动记录数据显示复杂的时间波动,其特征在于可以用作体动记录特征的尺度不变(单分形)模式。单分形图案是同质的,并且在整个信号中具有相同的标度属性。体动记录数据还可以表现出称为多重分形的特殊类型的复杂过程,其还可以被包括作为体动记录特征。多重分形行为的特征在于不同时间尺度(几分钟到几小时)的不同特征。多重分形行为可以包括多个共存的动态过程,这些动态过程可以生成在不同时间由不同标度属性捕获的时间上的局部波动。
可以使用去趋势波动分析(DFA)方法来确定体动记录数据的分形模式。DFA方法确定在从几分钟到几小时的时间尺度范围内体动记录数据内的波动的标度行为。DFA方法检查在多个时间尺度上的活动波动的多尺度相关性。例如,DFA方法提供波动振幅F(n)作为时间尺度n的函数。对于长程相关数据,F(n)遵循幂定律F(n)~nα,其中标度或波动指数(α)如下量化多尺度相关性:如果α=0.5,则波动中没有相关性(“白噪声”);如果α>0.5,则波动中存在正相关性(大值之后更可能跟随大值(反之亦然));如果α>0.5,波动中存在负相关性(大值之后更可能跟随小值(反之亦然))。健康条件下的许多生理输出表现出接近1.0的波动指数(α))值,从而指示最复杂的潜在控制机制。DFA使用二阶多项式函数去趋势数据,以消除数据中可能的线性趋势的影响。
在一个实施方案中,使用MFDFA方法来确定体动记录数据的多重分形动态。在本申请的示例性MFDFA方法中,数据的波动通常表示为:
其中Y是作为数据的累积和(去均值)而创建的轮廓函数,并且被分成v个不重叠的子序列,每个子序列的长度为s。每个片段v中的数据由k阶多项式pk拟合,并且q是指示第q阶波动的指数变量。当q=2时,MFDFA方法下波动的一般表示简化为DFA方法。在一个示例中,k=2指示在MFDFA方法中使用了二阶多项式。当q=2时,波动函数Fq(s)简化为单分形去趋势波动分析。对于多重分形信号,Fq(s)遵循幂定律:Fq(s)~sh(q),其中h(q)定义为广义Hurst指数。此外,对于多重分形信号,h(q)根据等式τ(q)=qh(q)-1随q非线性变化。表征多重分形时间序列的一种方式是通过奇异谱f(α),该奇异谱可以通过如下勒让德变换与τ(q)相关:f(α)=qα-τ(q),其中α=h(q)+qh′(q)。
在一个示例中,DFA方法可以是MFDFA方法的特定实施方案,其中MFDFA方法可以导出不同时间尺度n处的振幅波动F(n),表示为F(n)≈nα,其中标度或波动指数α指示波动中的相关性。值α>0.5指示正相关(大值之后更可能跟随大值(反之亦然)),α<0.5指示负相关(大值之后更可能跟随小值(反之亦然)),并且α=1指示长程相关或单分形表示。健康条件下的许多生理输出表现出接近1.0的α值,从而指示最复杂的潜在控制机制。振幅波动用不同的矩来量化。然后,计算多重分形谱作为不同标度指数α相对于不同矩的分布。多重分形谱中较宽的宽度(αmax-αmin)指示多重分形动态的存在,并且较短的宽度指示多重分形动态的损失或单分形动态的存在。多重分形谱代表两个可测量的维度,Dq(q阶奇异性/分形维度)和hq(q阶奇异指数)(如Matic等人的“Objective differentiation of neonatal EEGbackground grades using detrended fluctuation analysis”Front.Hum.Neurosci.,9:189(2015)中所述(可在https://www.frontiersin,org/articles/10.3389/fnhum.2015.00189获得),上述文献以引用方式并入本文)。在多重分形谱的视觉评估中,可以在水平和垂直定位(hq、Dq值)、宽度(宽度hq)以及反映局部Hurst指数的时间变化的多重分形谱的一般形状中注意到差异,并且这些特征可以用作用于训练异常检测器的多个体动记录特征。示例性多重分形去趋势波动分析方法在以下文献中有所描述:Ihlen等人的“Introduction to multifractal detrended fluctuation analysis in Matlab”,Front.Physiol.,第3卷,文章141,第1至18页(可在https://www.frontiersin,org/articles/10.3389/fphys.2012.00141/full获得),Ivanov等人的“Multifractality inhuman heartbeat dynamics”,Nature 399:461-465(1999)(可在https://www.nature.com/articles/20924获得),等人的PhysicaA:StatisticalMechanics and its Applications 514:612-619(2019)(可在https://www.sciencedirect,com/science/article/pii/S037843711831255X获得),以及Kantelhardt等人的“Multifractal detrended fluctuation analysis ofnonstationary time series”,Physica A,316:87-114(2002),上述文献的全部内容通过引用整体并入本文。
可以从训练数据中提取代替或结合上述活动特征的其他特征。例如,可以从患者的行动数据提取特征,诸如行动轨迹、地理特征、覆盖的总距离、两个位置之间的最大距离、回转半径、位移的标准差、离家的最大距离、访问的不同地点的数量、访问的不同重要地点的数量、常规索引,诸如在以下文献中所讨论的那些:Barnett等人的“Inferring MobilityMeasure from GPS Traces with Missing Data”,Biostatistics,第1至33页(2018);Canzian等人的“Trajectory of Depression:Unobstrusive Monitoring of DepressiveStates by means of Smartphone Mobility Traces Analysis”,UbiComp'15:Proceedings ofthe 2015ACMInternational Joint Conference on Pervasive andUbiquitous Computing,第1293至1304页(2015年9月);以及Canzian等人的“From MobilePhone Monitoring of Depressive States using GPS Traces Analysis to Data-Driven Behavior Change Interventions”,Frontiers in Public Health(2016年1月),上述文献的全部内容通过引用整体并入本文。在另一个示例中,附加的特征可以是对应于患者的电子设备使用的提取数据,诸如在以下文献中描述的那些:Mastoras等人的“Touchscreen typing pattern analysis for remote detection of the depressiontendency”,Nature Scientific Reports,9:13414(2019)和Zulueta等人的“PredictingMood Disturbance Severity with Mobile Phone Keystroke Metadata:A BiAffectedDigital Phenotyping Study”,J.Med.Internet Res.,20(7):e241(2018年7月),上述文献的全部内容通过引用整体并入本文。
处理器302可以从训练数据中提取任何合适数量的特征。增加数量的特征可改善本申请的系统和方法的预测性能,但在计算上可能变得麻烦。因此,可选择适当数量的特征以在预测性能与计算效率之间实现平衡。在一些实施方案中,处理器302可以从训练数据中提取至少10个、至少20个、至少30个、至少40个或至少50个不同的特征。在一个特定实施方案中,处理器302从训练体动记录数据中提取31个特征。更特别地,处理器302可以提取上面表1中标识的特征中的一些或全部特征。在另一个实施方案中,处理器302可以从训练数据中提取用于检测睡眠障碍的特征,该特征可以包括患者的睡眠、觉醒和/或昼夜节律的量度。在另外的实施方案中,处理器302可以从训练数据中提取特征,包括活动或睡眠期间的单分形模式、活动或睡眠期间的多重分形动态/行为、和/或活动或睡眠期间的熵。
在步骤504中,处理器302对从训练数据中提取的训练特征数据进行滤波,使得从训练特征数据中移除数据点的显著部分(例如,超过30%、超过40%或超过50%)不存在的特征和/或时间点,以生成滤波的训练数据。例如,滤波的特征数据仅保留那些少于该特征的40%的数据点缺失的特征,并且仅保留那些少于该时间点的40%的特征缺失的时间点。
在步骤506中,处理器302可以通过推算缺失的数据点来进一步修改滤波的训练数据,以生成推算的训练数据。在一个示例性实施方案中,缺失的数据点可以由处理器302通过分析其多个最近的邻居以基于最近的邻居生成缺失的数据点的估计值来估计。例如,在某些时间点缺失数据的特征可以由处理器302使用来自与缺少数据的那些时间点相邻的时间点的数据来估计。缺失的数据点中的每个数据点可以使用其k个最近的邻居来估计,其中k可以是从2到10、从3到8或从4到6。在一个实施方案中,k=5。处理器302可以使用任何合适的方法基于其k个最近的邻居来估计缺失的数据点。例如,处理器302可以基于来自训练数据的多参数利用欧几里德距离,并且隔离最近的k个邻居,并且使用不同特征的平均值作为缺失特征的输入。在另一个示例性实施方案中,处理器302可以通过使用袋装树分析滤波的训练数据来估计缺失的数据点。特别地,对于每个特征,可以使用滤波的训练数据的剩余其他特征来创建决策树模块,特别是袋装树模块,以推算缺失数据。此外,决策树模块可以包括代理分裂,使得决策树模块使用最佳代理预测器追踪到左侧或右侧子节点,以推算缺失的数据点。在步骤508中,可以使用总体均值和标准差(数据均值(总体数据)/标准差(总体数据))对推算的训练数据进行居中和缩放。幂变换(例如,YeoJohnson变换或Box Cox变换)也可以应用于推算的训练数据的所有特征,以生成具有归一化分布的修改的训练数据。
在步骤510中,处理器302使用从步骤508获得的修改的训练数据来训练至少一个异常检测器,以确定抑郁复发的发作的可能性。一旦处理器302根据图3所示的示例性方法500训练异常检测器,方法400进行到步骤404以从患者获得测试数据。类似于步骤402,在步骤404中,测试数据由设备200和/或计算设备300在训练周期之后收集,并且因此在步骤402中获得的测试数据是先前在方法500中训练异常检测器时没有利用的数据。测试数据可以实时生成,或者可以在期望的测试周期内生成。测试周期可以是从1天或约1天到2周或约2周的持续时间。在一个实施方案中,测试周期为1周或约1周,或为2周或约2周。在步骤406中,处理器302以与上面关于步骤502讨论的类似方式从测试数据中分析和提取多个特征,以生成测试特征数据。
在步骤408中,处理器302使用由方法500(具体地,在步骤510中)训练的异常检测器分析来自步骤406的测试特征数据,以确定抑郁复发的发作的可能性。特别地,异常检测器将测试特征数据与训练数据(或从训练数据导出的数据,诸如修改的训练数据)进行比较,以确定抑郁复发的发作的可能性。在一个实施方案中,处理器302可以使用异常检测器来分析测试特征数据,以确定与训练数据相比,测试特征数据是否可能是异常。异常是具有不同于训练数据的特性的数据。如上所述,训练数据是在患者尚未经历抑郁复发的发作时收集的,并且因此来自训练数据的异常对应于抑郁复发的发作。
异常检测器包括被配置为识别与训练数据的偏差的机器学习异常检测器。异常检测器可以包括监督和/或无监督的学习异常检测器。例如,异常检测器可以使用修改的训练数据(例如,当患者还未复发抑郁时)构建正常实例的概况,并且将偏离正常概况的任何其他数据识别为异常(例如,当患者经历抑郁复发的发作时)。在替代形式中,异常检测器可以通过使用多个二叉树隔离偏离修改的训练数据的任何其他数据来识别异常。
异常检测器可以包括用于从修改的训练数据中检测异常的任何合适类型的异常检测器。例如,异常检测器可以利用单类支持向量机(单类SVM)、隔离森林(IF)模块、单类神经网络(例如,长短期记忆(LSTM)网络)和其他单类分析方法。在一个实施方案中,异常检测器包括一类SVM和IF二叉树中的至少一者。可以应用于本申请的体动记录数据的示例性单类SVM包括以下文献中描述的那些:等人的“Support Vector Method forNovelty Detection”,Advances in Neural Information Processing Systems,第582至588页(2000);Tax&Duin等人的“Support Vector Data Description”,Machine Learning,54:45-66(2004);以及Manevitz和Yousef的“One-Class SVMs for DocumentClassification”,Journal ofMachine LearningResearch,2:第139至154页(2001),上述文献的全部内容通过引用整体并入本文。在一个示例性实施方案中,异常检测器包括异常SVM,如在Manevitz和Yousef的“One-Class SVMs for Document Classification”,Journal of Machine Learning Research,2:第139至154页(2001)中描述的,该文献通过引用并入本文。作为另一个示例,使用IF二叉树的示例性IF异常检测器可以应用于本申请的体动记录数据。IF异常检测器包括在Liu等人的“Isolation-Based AnomalyDetection”,ACM Transactions on Knowledge Discovery from Data,6(1):第1至39页(2012年3月)中描述的iForest方法,该文献也通过引用并入本文。
在一个实施方案中,处理器302使用至少一个异常检测器来分析测试特征数据,以生成二进制输出(即,0或1指示测试数据是否可能对应于抑郁复发)和/或生成异常评分,该异常评分对应于测试数据可能对应于抑郁复发的概率。特别地,异常检测器可以包括被配置为生成二进制输出的单类SVM异常检测器,其中0指示测试特征数据可能对应于患者的非复发,并且1指示测试特征数据与训练数据相比可能是异常的。异常检测器还可包括或者另选地包括基于树的异常检测器,特别是IF异常检测器,以生成对应于测试特征数据可能是异常的概率的异常评分。当异常评分高于特定阈值时,处理器302确定测试特征数据与训练数据相比可能是异常。可以选择阈值以便辨别信号与噪声——将可能对应于异常的那些数据点与对应于由IF异常检测器分析的患者测试数据中的一般可变性的数据点分离。例如,当来自IF异常检测器的异常评分≥0.6时,处理器302可以确定测试特征数据可能对应于异常,并且因此可能对应于抑郁的复发。
在一个实施方案中,异常检测器可以对体动记录数据的正常行为进行建模,并且使用模型的预测误差来识别异常。例如,异常检测器可以利用长短期记忆(LSTM)神经网络来分析测试体动记录数据的多重分形动态以量化预测误差,该预测误差随后用于识别异常。更具体地,异常检测器经由具有以下两个组件的堆叠LSTM神经网络来分析体动记录数据:编码器,该编码器学习输入时间序列的向量表示;以及解码器,该解码器使用向量表示来重建时间序列。测试特征数据的重构误差用于确定异常的可能性。
图6示出了具有编码器和解码器的LSTM异常检测器(Enc-Dec AD)的示例性示意图。从随时间从患者收集的体动记录数据中提取的体动记录特征数据802被表示为随时间的时间序列的向量,其中t1指示数据序列中的最早时间点。在图6中,从在总长度为p的时间段内收集的体动记录数据中提取m个特征的体动记录特征数据802。体动记录特征数据804的子集(具有长度l的时间序列的数据)可以是测试特征数据。Enc-Dec AD包括编码器804,该编码器用于学习体动记录特征数据806的子集的时间序列,然后使用来自编码器604的结果使用解码器808重建输出序列810。Enc-Dec AD确定体动记录特征数据中每个点的误差向量。时间点ti的误差向量被确定为其中x(i)是时间点ti处的经验观察值,并且/>是由Enc-Dec AD确定的时间点ti处的重建值。使用最大似然估计,从训练体动记录数据生成的误差向量被用于确定正态分布/>的均值(μ)和标准差(∑),该训练体动记录数据是在不知道患者已经出现抑郁症状的期间收集的。根据误差向量计算异常评分或马氏距离,a(i)=(e(i)-μ)T∑-1(e(i)-μ),该误差向量基于从训练体动记录数据生成的误差向量的μ和∑而生成。
因为复发抑郁通常在数周内逐渐发生,所以在某个时间段内针对潜在的抑郁复发持续检测体动记录标记对于提高由示例性方法400生成的假阳性的特异性和降低假阳性的可能性是有用的。因此,处理器302可以分析由异常检测器在期望的时间段诸如至少1周、至少2周或至少1个月内生成的多个结果。在步骤404至408的先前迭代中使用异常检测器分析先前测试数据的结果可以存储在存储器存储设备310中,如将在下面进一步讨论的。在步骤410中,处理器302分析来自步骤408的当前迭代的结果以及存储在存储器存储设备310中的任何可用的先前数据,该先前数据对应于在步骤408的先前迭代中由异常检测器使用先前测试数据生成的结果。特别地,步骤410分析来自步骤408的结果和存储在存储器存储设备310中的先前数据,以确定异常检测器是否已经在1周的周期或2周的周期内持续地将测试特征数据识别为可能异常。在一个示例性实施方案中,方法400每周迭代一次,并且步骤410分析从步骤408生成的结果和存储在存储器存储设备310中的先前数据,以确定异常检测器是否在方法400的两次连续迭代中持续识别出可能的异常。
如果处理器302在步骤410中确定患者的测试特征数据在期望的时间段内没有被异常检测器持续识别为可能的异常,则该方法进行到步骤412,并将来自步骤408的结果存储在存储器存储设备310中,以在方法400的下一次迭代中用作使用先前的测试数据生成的结果。如果处理器302在步骤410中确定患者的测试特征数据在期望的时间段内已经被异常检测器持续识别为可能对应于异常,则方法400前进至方法600,以经由计算设备300实施至少一个自我报告测试,更特别地,处理器302自动前进至方法600,以经由计算设备300对患者实施自我报告测试,并且基于该自我报告测试进一步确定患者是否可能经历抑郁复发的发作。
通常,自我报告测试要求患者主动与计算设备300互动以回答一系列调查问题。示例性方法400对患者施加较低的负担,因为被动患者数据是被动地从患者收集的(例如,通过穿戴体动记录设备200),并且自我报告测试仅在异常检测器在步骤410中已经使用体动记录数据识别出异常之后实施。因此,方法400以与以定期(例如,每周)时间表实施的此类测试相比更低的频率实施自我报告测试。步骤410的分析允许处理器302使用从患者被动收集的体动记录数据,以用于提高检测抑郁复发的灵敏度。用于实施自我报告测试的附加步骤在预测和/或检测抑郁复发方面提供了进一步的特异性,但是不太频繁地实施,从而减少了患者主动与计算设备300互动(例如,回答调查问题)的负担。患者负担的减轻提高了患者的舒适度和对示例性方法400的依从性。
图4示出了用于经由计算设备300实施至少一个自我报告评估测试并进一步确定患者是否可能经历抑郁复发的发作的示例性方法600。在一个示例性实施方案中,每周重复方法400。在步骤602中,计算设备300通过对患者实施自我报告测试来主动与患者互动。具体地,处理器302指引用户界面308显示提示来自患者的响应的多个调查问题,并且响应于该系列调查问题经由用户界面308接收来自用户的多个输入。自我报告测试可以包括任何合适的测试,其具有对应于抑郁症状的一系列调查问题,以用于提示患者沿定量量表(例如,针对每个症状在数字量表上的评定)输入一系列响应。例如,自我报告测试可包括调查问题,以用于提示患者沿定量量表输入一系列响应,以评估MDD症状、焦虑症状、睡眠障碍、快感缺乏、精力/动力、抗抑郁药物、坚持度、机能/残疾、健康相关的生活质量、疼痛、关于可能在复发之前的第一征兆的自我洞察、健康护理利用和/或压力/适应力。例如,自我报告测试可以包括使用以下项进行评估:疼痛频率、强度和负担量表(P-FIBS)、健康资源使用调查问卷(HRUQ)、近期生活变化压力测试(RLCST)、压力感知量表(PSS)、斯奈思-汉密尔顿快感量表(SHAPS),WHO残疾评定量表(WHODAS 2.0),EuroQol五水平五维健康量表(EQ-5D-5L)、一般焦虑症7项量表(GAD-7)、睡眠量表(MOS Sleep-R)、患者抗抑郁药物治疗依从性问卷(PAQ)、抑郁症状的快速清单(QIDS-SR16)、抑郁症状的非常快速清单(VQIDS-SR5)、罗斯柴尔德抗抑郁药快速耐受性量表(R-SAT)等。
在一个实施方案中,自我报告测试包括使用QIDS-SR16和/或GAD-7的评估。QIDS-SR16是设计用于评估抑郁症状严重性的患者报告的量度。QIDS-SR16评估由DSM-5指定的所有标准症状域,以诊断重性抑郁发作。患者对16个项目中的每个项目都给出了4分制的回答,其中每个项目的评分从0到3不等。QIDS-SR16的评分系统将对16个单独项目的响应转换成9个DSM-5症状标准域,包括:1)悲伤情绪;2)注意力;3)自我批评;4)自杀意念;5)兴趣;6)精力/疲劳;7)睡眠障碍(初期、中期和后期失眠或嗜睡);8)食欲或体重减少或增加;以及9)精神运动性激动或迟滞。通过将DSM-5MDD标准的9个症状域中的每个症状域的评分相加获得总评分:使用4个项目来评定睡眠障碍(早期、中期和晚期失眠加上嗜睡);2个项目用于评定精神运动性激动和迟滞;4个项目用于评定食欲(增加或减少以及体重增加或减少)。一个项目用于评定其余6个域(悲伤情绪、兴趣、精力/疲劳、自我批评、注意力和自杀意念)。使用无、轻度、中度、重度和非常重度的抑郁严重程度的量表,对应的QIDS-SR16总评分为:无、1至5;轻度,6至10;中度,11至15;重度,16至20;以及非常重度,21至27。GAD-7是焦虑的7项自我报告评估。每个项目都按4分制评分(0至3分),其中总评分范围为0至21分。GAD-7评分≥5与轻度抑郁相关。GAD-7评分≥10与中度至重度抑郁相关。
在步骤603中,处理器302分析与患者响应于步骤602的自我报告测试的多个调查问题的多个输入相对应的数据,以确定患者是否可能经历抑郁复发的发作,如果为是,则前进至步骤610。具体地,处理器302可以分析基于来自患者在自我报告测试中的多个输入生成的结果评分,并且当该结果评分处于或高于第一阈值时确定患者可能经历抑郁复发的发作。例如,QIDS-SR16评分的第一阈值是11。在另一个示例中,GAD-7评分的第一阈值是10。
如果自我报告测试的结果评分不满足第一阈值,则方法600继续利用存储在存储器存储设备310中的先前数据进一步分析与来自患者的响应于自我报告测试的多个调查问题的多个输入相对应的数据。在步骤604中,处理器302使用存储在存储器存储设备310中的先前数据,确定是否连续实施了自我报告测试,以收集最近预先确定的周期内的患者行为数据。预先确定周期可以是两周周期或三周周期。在一个示例性实施方案中,每周重复方法400,并且处理器302在步骤604中分析存储在存储器存储设备310中的先前数据是否指示已经对方法400的三次连续迭代(包括在步骤602中实施的测试)实施了自我报告测试。如果为是,方法600前进至步骤606。如果处理器302确定已经对方法400的两次连续迭代实施了自我报告测试(包括在步骤602中实施的测试),则该方法前进至步骤608。更具体地,如果处理器302确定对方法400的最近两次迭代实施了自我报告测试(包括在步骤602中实施的测试),则方法600前进至步骤608。否则,方法600前进至步骤612。
在步骤606中,处理器302进一步分析来自步骤602的数据和存储在存储器存储设备310中的先前数据,以确定患者是否可能经历抑郁复发的发作,并且如果为是,则前进至步骤610。具体地,处理器302可以分析基于来自患者在自我报告测试中的多个输入而生成的结果评分,并且当处理器302确定当前结果评分和存储在存储器存储设备310中的先前数据指示患者的自我报告测试评分在先前的预先确定的周期(例如,最近三周周期)期间已经高于第二阈值至少2周时,确定患者可能经历抑郁复发的发作。第二阈值低于第一阈值。在该实施方案中,当结果评分高于第二阈值并且存储器存储设备310中的先前数据指示结果评分在方法400的至少两次连续迭代中增加时,处理器302可以确定患者可能经历抑郁复发的发作(步骤610)。除此之外或另选地,当处理器302确定结果评分在前一预先确定的周期内已经高于第二阈值至少一次并且结果评分在前一预先确定的周期期间已经增加(例如,结果评分增加至少1分)时,处理器302可以确定患者可能经历抑郁复发的发作(步骤610),从而指示患者的抑郁症状的恶化。例如,QIDS-SR16评分的第二阈值是9。在另一个示例中,GAD-7评分的第二阈值是6。在另一个示例中,GAD-7评分的第二阈值是5。
类似于步骤606,处理器302在步骤608中分析来自步骤602的数据和存储在存储器存储设备300中的先前数据,以确定患者是否可能经历抑郁复发的发作,并且如果为是,则前进至步骤610。特别地,在步骤608中,处理器302可以分析基于来自患者在自我报告测试中的多个输入而生成的结果评分,并且当结果评分处于或高于第二阈值时,确定患者可能经历抑郁复发的发作,第二阈值低于第一阈值,并且处理器302根据存储在存储器存储设备310中的先前数据确定在前一预先确定的周期(例如,在最近两周周期内)中的先前结果评分也高于第二阈值。在该实施方案中,当结果评分高于第二阈值并且存储器存储设备310中的先前数据指示方法400的紧接先前连续迭代的先前结果评分也高于第二阈值时,处理器302可以确定患者可能经历抑郁复发的发作(步骤610)。如果不满足这些标准,处理器302前进至步骤612。在步骤612中,来自步骤408的结果和使用如上所述的自我报告测试获得的结果评分被存储在存储器存储设备310中,以用作在方法400的下一次迭代中使用先前测试数据生成的结果。
在另选的实施方案中,如果不满足步骤602、606和608的标准,则方法600可以前进至分析步骤608的结果评分的另外的步骤(未示出)。具体地,相对变化指数(CI)确定如下:
其中x2对应于基于来自步骤602的输入的结果评分,x1对应于从先前数据生成的患者的基线评分,σ1对应于一组规范数据的标准差,并且r对应于表示自我报告测试的测试可靠性的值。如果CI高于预先确的阈值,则处理器302可以确定患者可能经历抑郁复发的发作(步骤610)。否则,方法600前进至步骤612。
图5示出了用于经由计算设备300实施两次自我报告测试并进一步确定患者是否可能经历抑郁复发的发作的方法700的示例性实施方案。除了下面进一步描述的以外,方法700基本上类似于方法600。方法700可用于应用两个自我报告测试来提供两个独立的量表,用于评估患者是否可能经历抑郁复发的发作,从而在检测和/或预测患者复发抑郁中提供进一步的特异性。需注意,图5所示的示例性方法700可以替代方法400中的方法600,用于基于图2所示的患者的体动记录数据来检测和/或预测抑郁复发的发作。
在步骤702中,处理器302可以将存储器存储设备中的触发变量设置为“开”值,该触发变量对应于在方法400的当前迭代中是否要实施自我报告测试。在步骤704中,计算设备300以与上述步骤602中描述的基本相似的方式与患者互动,并且实施针对QIDS-SR16或GAD-7的多个调查问题。在一个实施方案中,步骤704可实施针对QIDS-SR16和GAD-7两者的多个调查问题。根据针对QIDS-SR15和GAD-7中的每一者的问题获得的输入可以由处理器302根据步骤705至718单独分析,如下面进一步解释的。
类似于步骤603,在步骤705中,处理器302分析与患者响应于QIDS-SR16或GAD-7的多个调查问题的多个输入相对应的数据,以确定患者是否可能经历抑郁复发的发作,如果为是,则前进至步骤716。具体地,处理器302可以分析与患者响应于QIDS-SR16的调查问题的多个输入相对应的数据,以生成QIDS-SR16评分。类似地,处理器302可以分析与患者响应于GAD-7的调查问题的多个输入相对应的数据,以生成GAD-7评分。如果QIDS-SR16评分大于或等于11,或者如果GAD-7评分大于或等于10,则方法700前进至步骤716。
如果QIDS-SR16或GAD-7测试的结果评分不满足上述步骤705中的阈值,则方法700继续利用存储在存储器存储设备310中的先前数据进一步分析QIDS-SR16或GAD-7评分。在步骤706中,处理器302确定在方法400的最近两次或三次连续迭代中触发变量(包括步骤702的当前触发变量)是否被设置为“开”。特别地,方法400每周重复,并且处理器302分析存储在存储器存储设备310中的先前数据是否包括方法400的三次连续迭代的触发变量(包括步骤702的当前触发变量)的“开”值(例如,“1”指示触发开,并且“0”指示触发关)。如果为是,方法700前进至步骤708。如果处理器302确定触发变量对于方法400的最近两次迭代(包括步骤702的当前触发变量)被设置为“开”值,则方法700前进至步骤712。否则,方法700前进至步骤716。
类似于步骤606,在步骤708中,处理器302分析方法400的最近三次连续迭代的QIDS-SR16评分。如果处理器302根据当前QIDS-SR16评分和存储在存储器存储设备310中的先前数据确定在方法400的最近三次连续迭代中QIDS-SR16评分在至少两次迭代≥9,则处理器302确定患者可能经历抑郁复发的发作,并且前进至步骤716。另外,如果处理器302根据当前QIDS-SR16评分和存储在存储器存储设备310中的先前数据确定在最近三次连续迭代中至少一个QIDS-SR16评分≥9,并且QIDS-SR16评分在最近三次连续迭代中已经恶化(例如,显示为增加1分),则处理器302确定患者可能经历抑郁复发的发作,并且前进至步骤716。类似地,如果处理器302根据当前GAD-7评分和存储在存储器存储设备310中的先前数据确定在方法400的最近三次连续迭代中GAD-7评分在至少两次迭代≥6,则处理器302确定患者可能经历抑郁复发的发作,并且前进至步骤716。另外,如果处理器302根据当前GAD-7评分和存储在存储器存储设备310中的先前数据确定在最近三次连续迭代中至少一个GAD-7评分≥6,并且QIDS-SR16评分在最近三次连续迭代中已经恶化(例如,显示为增加1分),则处理器302确定患者可能经历抑郁复发的发作,并且前进至步骤716。如果这些标准都不满足,则处理器302前进至步骤718。
类似于步骤608,在步骤712中,处理器302分析方法400的最近两次连续迭代的QIDS-SR16评分。如果当前QIDS-SR16评分(基于步骤704中提供的输入)≥9,并且处理器302根据存储在存储器存储设备310中的先前数据确定在方法400的紧接的先前迭代中的先前QIDS-SR16评分也≥9,则处理器302确定患者可能经历抑郁复发的发作,并且前进至步骤716。类似地,如果当前GAD-7评分(基于步骤704中提供的输入)≥6,并且处理器302根据存储在存储器存储设备310中的先前数据确定在方法400的紧接的先前迭代中的先前GAD-7评分也≥6,则处理器302确定患者可能经历抑郁复发的发作,并且前进至步骤716。如果不满足这些标准,处理器302前进至步骤718。类似于步骤612,步骤718将来自步骤408的结果和如上所述的QIDS-SR16和/或GAD7评分存储在存储器存储设备310中,以用作在方法400的下一次迭代中使用先前测试数据生成的结果。
在步骤610和716两者中,处理器302确定患者可能经历抑郁复发的发作。在处理器302做出这样的确定之后,处理器302可指引或输出指引对抑郁的治疗进行调整的信号。抑郁的治疗可包括心理疗法、脑刺激疗法或施用抗抑郁药。抗抑郁药可以是口服抗抑郁药、经鼻施用的抗抑郁药或经皮抗抑郁药。对心理疗法的调整可以包括增加或减少疗程的频率和/或每次疗程的时间长度。对脑刺激疗法的调整可以包括增加或减少刺激干预的频率和/或强度。抗抑郁药的施用的调整可包括改变抗抑郁药方案(例如,增加或减少抗抑郁药施用的剂量和/或频率),改变抗抑郁药的类型或种类,或添加另一种抗抑郁药。在一些实施方案中,抗抑郁药方案的调整可以针对那些非难治性(例如,对口服抗抑郁药治疗无抗性)患者。在其他实施方案中,抗抑郁药方案的调整可以针对那些继续对口服抗抑郁药有反应并接受口服抗抑郁药的患者。在另一个实施方案中,抗抑郁药方案的调整可用于对口服抗抑郁药方案难治的那些患者,并且调整是添加经鼻或经皮施用的另一种抗抑郁药。在另一个实施方案中,在确定患者可能经历抑郁复发的发作之后,处理器302可指引或输出指引对可能适于控制抑郁的症状的其他制剂的施用进行调整的信号,该其他制剂诸位为N-甲基-D-天冬氨酸受体拮抗剂、离子型谷氨酸受体拮抗剂和艾氯胺酮。对施用的调整可包括增加或减少制剂的剂量和/或频率。另选地,对施用的调整可包括用制剂代替抗抑郁药,或除抗抑郁药之外添加制剂。
在方法400的每次迭代结束时,步骤412和方法600两者(如果患者没有被识别为经历了复发)前进至步骤414。在步骤404中,训练体动记录数据被更新以包括最近收集的测试体动记录数据,作为用于在方法500中重新训练该至少一个异常检测器的更新的训练体动记录数据的一部分。在一个示例性实施方案中,更新的训练体动记录数据结合最近收集的测试体动记录数据,并且消除了早于最近预先确定的时间段获得的训练体动记录数据。例如,如果训练体动记录数据是在3个月的时间段内获得的,则最近收集的测试体动记录数据被结合到更新的训练体动记录数据和比更新的训练体动记录数据早3个月的数据中。
图7示出了用于检测和/或预测患者抑郁复发的图2的示例性方法400的如患者所经历的示例性时间线900。在最初访问精神健康提供者901期间,患者可以在时间904启动方法400。可以向患者提供体动记录设备200和计算设备300以用于远程评估902,其中从时间904到时间912在患者在他们的日常活动期间远离精神健康提供者901时从患者收集数据。在一个示例性实施方案中,体动记录设备200可以一直由患者穿戴(例如,每周7天每天24小时),以从时间904到时间912收集患者的正在进行的体动记录数据。计算设备300收集由患者输入的自我报告数据,诸如睡眠充足性的自我报告评估。自我报告评估可以响应于与患者的睡眠感知相关的问题而输入,或者可以包括来自MOS-S量表评估的与睡眠充足性相关的问题。在示例性时间线900中,每周获得自我报告评估。虽然图7示出了远程评估902包括体动记录数据的收集,但是可以设想远程评估902也可以包括其他类型的被动患者数据的收集。
在时间904和时间906之间(例如,可以是3个月的周期),在患者尚未经历复发时(如图7中白色所示),体动记录设备200和计算设备300通过远程评估902收集数据。在时间906,患者可以访问精神健康提供者901以确认患者在时间904和时间906之间尚未经历复发。如果患者尚未经历复发,则在时间904和时间906之间收集的数据可以用于训练异常检测器。异常检测器用于筛选来自患者的新获得的远程评估数据,以确定新数据与先前收集的远程评估数据相比是否异常。
在时间906和患者下一次访问精神健康提供者901的时间910之间,远程评估902继续从患者收集数据,并且使用训练的异常检测器迭代地分析新收集的数据,以确定新数据是否异常。对于方法400的每次迭代(其示例在图7中被示为旗帜),使用最近三个月的远程评估数据作为训练数据来更新异常检测器。在图7所示的示例性时间线900中,每个白旗908反映方法400的迭代,其中使用异常检测器分析新的远程评估数据并将其确定为非异常。只要新的远程评估数据没有被异常检测器确定为异常,并且精神健康提供者901在时间910确认患者没有经历复发,时间906和时间910之间的周期就可以连续重复。
如示例性时间线900所示,在时间910和患者对精神健康提供者901的下一次安排访问之间,远程评估902继续从患者收集数据,并且使用训练的异常检测器迭代地分析新收集的数据,以确定新数据是否异常。然而,异常检测器最初将新的远程评估数据确定为非异常(图示为白旗908),但是随后在后续迭代中检测到异常的新数据(图示为黑旗911)。当检测到异常时,触发进一步的数据收集。例如,当检测到异常时,计算设备300可前进至方法600或方法700以对患者实施至少一个自我报告测试,并且进一步基于自我报告测试来确定患者是否可能经历抑郁复发的发作。
在图7所示的示例性时间线900中,方法600或方法700可以基于自我报告测试来确定患者可能已经经历了抑郁复发的发作,并且指引患者在他们对精神健康提供者901的下一次安排访问(未示出)之前,在时间912预先访问他们的精神健康提供者901。在时间912的预先访问期间,精神健康提供者901可以确认患者经历了复发(以黑色示出),并且随后向患者提供早期临床干预以稳定他们的抑郁症状。一旦患者稳定并且抑郁症状缓解,如时间914所示(以白色示出),患者可以重新开始方法400,从而返回到示例性时间线900中的时间904。
图8示出了用于检测和/或预测患者抑郁复发的另一示例性方法1000。除了下面另外描述的以外,示例性方法1000类似于方法400。示例性方法1000利用从体动记录数据提取的多个特征和至少一个机器学习异常检测器来确定患者中抑郁复发的发作的可能性,该至少一个机器学习异常检测器基于患者自己的历史数据(n=1,其中n是采样的个体总数)来训练异常检测器。可以使用如上文关于方法400所讨论的一个或多个测试来识别患者复发抑郁。如果计算设备300确定患者已经复发,则示例性方法1000终止。当患者已经恢复到抑郁的缓解时,方法1000可以以与方法400类似的方式重新开始。因此,方法1000可以连续地用于在从患者记录的所有非复发体动记录数据上训练一个或多个异常检测器,并且连续地分析和检测随后记录的数据中的异常。在一个示例中,通过方法1000的连续迭代,在从在非复发时间段期间获得的体动记录数据中提取的特征上连续地训练异常检测器。方法1000的用于检测从患者记录的体动记录数据中的异常的部分提供对患者的客观评估,以确定该体动记录数据与先前在不知道患者已经出现抑郁症状和/或抑郁复发的时间段期间从患者收集的体动记录数据相比是否异常。一旦异常实例被识别,自我报告症状学(抑郁和焦虑的核心症状)问卷算法(SRSQA)被用于确认复发特征。如上文关于方法400的方法600或700所述,自我报告症状学问卷或SRSQA可以基本上类似于自我报告测试。
在步骤1002中,设备200和/或计算设备300在预先确定的训练时间段内收集训练数据。训练数据包括由设备200在预先确定的训练时间段内收集的体动记录数据。设备200可以由患者穿戴,以检测患者的移动,并且以与上面在步骤402中描述的方式类似的方式在预先确定的训练时间段内生成训练体动记录数据。类似于方法400,如果计算设备300确定患者已经复发,则方法1000也终止。因此,训练数据是在非复发时间段期间收集的。
在步骤1004中,在步骤1002中获得的训练数据用于训练至少一个异常检测器,用于例如以类似于方法500的方式确定抑郁复发的发作的可能性,除非下文另有说明。类似于步骤502,分析步骤1004中的训练数据,以从训练数据中提取多个特征,从而生成训练特征数据。例如,训练数据包括训练体动记录数据。从训练体动记录数据中提取各种特征,并且将其包括在训练特征数据中。特别地,从训练体动记录数据提取的特征包括训练体动记录数据的单分形模式和/或多重分形动态,并且还可以包括不同时间范围上的样本熵(SaEn)。
例如,从训练体动记录数据中提取的特征包括使用上述DFA方法确定的分形模式。在该示例性方法1000中,为了确保在时间尺度n下的F(n)的可靠估计,在DFA方法中使用每天没有间隙>72分钟(一天中活动计数1440分钟的5%)的最近连续活动天(至少连续2天)的体动记录数据来确定体动记录数据的分形模式。在该示例性方法1000中,DFA方法的波动指数(α)在两个不同的时间尺度上确定,分别为在10(即,10个数据点,其中时段长度为1分钟)分钟到90分钟期间的α1和在120分钟到600分钟期间的α2,以捕获不同的活动动态区域。使用MFDFA方法从训练体动记录数据中提取的特征还包括体动记录数据的多重分形动态。在该示例性方法1300中,使用上述示例性MFDFA方法来确定多重分形动态,其中数据的波动通常表示为:
此外,从训练体动记录数据中提取的特征包括以上述方式确定的每天和四个时段早晨(上午6点到中午12点)、下午(中午12点到下午6点)、晚上(下午6点到凌晨12点)和夜间(凌晨12点到上午6点)中的每个时段的训练体动记录数据的样本熵(SaEn)。
可以以与步骤504相同的方式对提取的训练特征数据进行滤波,并且处理器302可以随后以与步骤506相似的方式通过将缺失数据点推算到生成的推算训练数据来修改滤波的训练特征数据。在一个示例中,缺失数据被推算为0值。可以以与步骤508相同的方式,使用总体均值和标准差(数据均值(总体数据)/标准差(总体数据))对推算的训练数据进行居中和缩放。幂变换(例如,YeoJohnson变换或Box Cox变换)也可以应用于推算的训练数据的所有特征,以生成具有归一化分布的修改的训练数据。
修改的训练数据用于训练至少一个机器学习异常检测器,以确定抑郁复发的发作的可能性。在一个示例中,异常检测器基于训练特征数据对正常行为进行建模,并且使用模型的预测误差来识别异常。具体地,异常检测器就是上面描述的Enc-Dec AD。使用训练特征数据来训练Enc-Dec AD的编码器,以学习体动记录数据的时间序列的向量表示。使用最大似然估计,使用修改的训练数据来确定时间序列的正态分布的均值(μ)和标准差(Σ)。μ和Σ随后被Enc-Dec AD用来确定异常评分,以便评估是否已经检测到异常。
在步骤1006中,类似于上述步骤404,设备200从患者获得测试数据。测试数据包括来自患者的测试体动记录数据。测试数据可以实时生成,或者可以在期望的测试周期内生成,诸如w天例如14天的周期。在一些实施方案中,可以在步骤1006中生成整个w天周期。在其他实施方案中,测试数据可以包括先前生成的数据的一部分和在步骤1006中在期望的数据收集周期(例如,y天)内获得的所生成的新数据。先前收集的数据部分可以持续w-y天的持续时间。例如,测试数据可以包括13天的先前生成的数据和1天的新数据。处理器302以与上面关于步骤1004讨论的类似方式从测试数据中分析和提取多个特征,以生成测试特征数据。
在步骤1006期间,计算设备300还可以经由计算设备300实施自我报告评估测试,并且从患者收集自我报告测试数据。例如,在期望的测试周期期间,可以每周实施自我报告测试。因此,自我报告测试可以不在方法1000的每次迭代中实施。自我报告测试可包括调查问题,该调查问题提示患者沿着定量量表输入一系列响应(例如,每个症状的数字量表上的评定),如上面关于方法400和600所讨论的。例如,自我报告测试可包括调查问题,用于提示患者输入沿定量量表的一系列响应,以评估抑郁症状、情绪相关的认知、精力/动力、快感缺乏、疼痛、健康护理利用、压力/适应力、机能/残疾、健康相关的生活质量、焦虑和/或睡眠障碍。在一个实施方案中,在步骤1006期间实施的自我报告测试包括使用VQIDS-SR5和/或GAD-7的评估。VQIDS-SR5是设计用于评估抑郁症状严重性的患者报告的量度。VQIDS-SR5评估核心抑郁领域,即悲伤情绪、自我观、参与、疲劳和精神运动减缓,这些领域是从QIDS-SR16中提取的以快速识别重性抑郁发作。总VQIDS-SR5评分通过将5个抑郁领域中的每个领域的评分相加而获得。VQIDS-SR5评分≥5与轻度抑郁相关。VQIDS-SR5评分≥6与中度至重度抑郁相关。GAD-7如上所述。
在步骤1008中,处理器302使用在步骤1002中训练的异常检测器分析来自步骤1006的测试特征数据。特别地,异常检测器将测试特征数据与训练特征数据进行比较,以生成异常评分,该异常评分量化训练特征数据在测试周期期间是异常的可能性。在一个特定实施方案中,异常检测器是在步骤1004中训练的Enc-Dec AD。Enc-Dec AD的解码器基于从训练特征数据学习到的向量表示,生成测试特征数据的时间范围的预测输出。Enc-Dec AD将异常评分a(i)确定为a(i)=(e(i)-μ)T∑-1(e(i)-μ),其中μ和∑是在步骤1004中使用训练特征数据确定的,并且其中x(i)是时间点ti的测试特征数据,并且/>是由Enc-Dec AD确定的时间点ti的重建值。时间点ti是测试周期内从患者收集训练数据的时间点。可以以上述方式在测试周期内的每个时间点(例如,每天)上计算异常评分。
可以使用动态的、数据驱动的阈值来分析步骤1008中生成的异常评分,以识别异常的实例。图9示出了使用动态阈值识别异常的示例性方法1050。方法1050是无监督的异常评分方法。在一个示例中,给定基于测试特征数据生成的按时间序列的异常评分,方法1050基于w天的窗口识别异常。w天窗口可以以1天为步长表示为: 至(N-w)+1。N是已经从患者记录体动记录术数据的总天数。在一些示例中,N可以是从患者收集的训练数据和测试数据的总天数。该窗口可以跨越任何合适的天数,例如,w可以从1天到30天。特别地,w是与期望的测试周期相同的值,如上在步骤1006中所讨论的。在一个优选的实施方案中,w=14天。对于w天的窗口上的每次迭代,为了确定用于异常检测的数据驱动阈值,使用历史异常评分,即 至N,以1天(其包括aw)为步长。历史异常评分(aall)可以包括基于训练特征数据和测试特征数据生成的异常评分或者由该异常评分组成。
在步骤1052中,aall的非异部分被识别为具体地,历史异常评分(aall)用于确定第一异常阈值∈all,高于该阈值,aall中的异常评分可以指示潜在异常。aall的异常评分小于∈all的所有部分被识别为非异常,并且aall的异常评分大于∈all的所有部分被识别为异常。第一异常阈值∈all被确定为:
∈all=μ(aall)+zallσ(aall)
其中μ(aall)是aall的异常评分的均值,σ(aall)是aall的异常评分的标准差,并且zall是介于1和10之间的值,指示∈all被设置为高于μ(aall)的标准差的数量。在一个示例中,zall被设置为2,指示该数量的标准差∈all被设置为高于μ(aall)。aall中高于∈all的异常实例和对应的异常实例序列(每个异常序列是每个异常实例之前1个时间点和之后1个时间点)被移除以确定为其是aall的非异常部分。
其中是/>的异常评分的均值,是/>的异常评分的标准差,并且是介于1和10之间的值,指示/>被设置在之上的标准差的数量。在一个示例中,/>被设置为2,指示该数量的标准差/>被设置为高于/>aall的非异常部分/>用于确定第二异常阈值/>以减轻可能导致aw中的异常实例的遗漏检测的存在于aall中的大异常值峰值的情形。如果第二异常阈值的使用没有识别出aw中的任何异常实例,则在aw中观察到的局部最大值(local max(aw))使得/>可以作为潜在异常实例被包括在aw中。/>
在步骤1056中,修剪在步骤1054中识别的潜在异常实例,以识别最有可能是异常的那些实例。首先,将在步骤1054中识别的aw中的潜在异常实例从aw中移除,以获得其是aw的非异常部分。对于每个异常序列/>),每个异常序列是每个异常实例之前的1个时间点和之后的1个时间点,在时间点ti的百分比减少d(i)被确定为:
其中i是对应于每个异常实例的标识符。具有d(i)≥0.3的异常序列在步骤1056中被保留并被识别为异常。如果没有保留异常序列,并且如果有≥2个d<0.3的异常峰,则对应于最大百分比下降的异常序列被保留作为可能的异常实例。
图10a-f示出了在示例性周期期间从患者收集的体动记录术数据的按时间序列的异常评分的示例,并且根据步骤1052到1056分析最近采集的14天体动记录术数据以识别异常实例。图10a示出了从研究开始后的第338天到第367天收集的体动记录数据的示例性时间线。在该示例性实施方案中,从第338天到第354天的异常评分是基于在从第338天直到但不包括第354天的周期期间收集的体动记录数据从训练特征数据生成的。从第354天开始到第367天的异常评分是基于在从第354天到第367天的周期期间收集的体动记录数据从测试特征数据生成的。图10a中所示的阴影区域对应于该示例性实施方案的aall。该示例性实施方案的aw是14天的周期。因此,在此示例中,a14将用于该系列异常评分。如在图10a中可以看出,a14延伸通过从第354天到第367天的周期(用交叉阴影示出),并且与aall完全重叠。该示例性时间序列的∈all在图10a中显示为水平虚线。可以看出,第367天的异常评分大于∈all。因此,第367天的异常评分被排除在该示例的之外,这在图10b中被示出为阴影区域。图10c示出了与图10a相同的a14时间序列的异常评分作为阴影区域。图10d示出了根据步骤1054识别的a14中的潜在异常实例。潜在的异常实例和对应的异常序列(每个异常实例之前1天和之后1天)在图10d中显示为阴影区域。该示例的/>被示出为跨图10d的水平虚线。从图10d中可以看出,第362天和第367天的异常评分大于因此,第362天和第367天的异常评分从/>中排除,这在图10e中显示为阴影区域。根据步骤1054进一步修剪图10d中所示的潜在异常实例。图10f示出了图10d中识别的两个异常实例中的每个异常实例的百分比减少d(i)。第362天的实例的百分比减少d1低于0.3,并且因此在步骤1056中被修剪。第367天的实例的百分比减少d2高于0.3,并且因此被保留并被识别为异常。
在步骤1010中,计算设备30分析与来自由方法1050识别的任何异常的期望周期相对应和/或在该期望周期内的自我报告测试数据,以确定该异常是否指示患者可能经历抑郁复发的发作。对于每个异常,分析对应的自我报告测试数据或来自异常的期望周期内的自我报告数据,以确定异常是否指示患者可能经历抑郁复发的发作。特别地,步骤1008确定方法1050是否在测试特征数据的前w天或w/2天内识别出异常。
在一个示例中,w是14天,并且在步骤1008中进一步分析的异常是基于14天周期中最近7天内异常实例的存在来识别的。方法1000考虑是否每周(即,每7天)地在本示例的步骤1006中收集自我报告测试数据。对于方法1050已经识别出异常的每周,在步骤1006中收集所识别的该周的自我报告测试数据。另外,对于方法1000在前一周识别出异常的每周(即,识别出的异常周之后的周),在步骤1006中也收集自我报告测试数据。分析这两周的自我报告测试数据,以确定异常是否指示患者可能经历抑郁复发的发作。因此,分析最接近所识别的异常的周和所识别的异常周的下一周的自我报告测试数据,以确定异常是否指示患者可能经历抑郁复发的发作。自我报告测试数据包括对使用VQIDS-SR5和/或GAD-7的评估的响应。具体地,自我报告测试数据包括对使用VQIDS-SR5和GAD-7的评估的响应,其组合总共利用12个问题。当在所识别的周中检测到异常时,对患者实施自我报告测试,并且也可以在所识别的异常周之后的周对患者实施自我报告测试。在一个示例中,当在所识别的周中检测到异常时,对患者实施自我报告测试,并且如果自我报告数据包括高于一组高预先确定的阈值(例如,VQIDS-SR5≥6和/或GAD-7≥10)的评估(例如,VQIDS-SR5和/或GAD-7评分),则方法1000确定患者可能经历抑郁复发的发作。然而,如果自我报告测试数据包括高于一组较低预先确定的阈值(例如,VQIDS-SR5≥5和/或GAD-7≥5)的评估,则方法1000继续迭代,并在识别的异常周之后的周获得进一步的自我报告测试数据。如果自我报告测试数据包括连续两周高于该组较低预先确定的阈值(例如,VQIDS-SR5≥5和/或GAD-7≥5)的评估,则方法1000确定患者可能经历抑郁复发的发作。方法1000不需要在其他周期间实施自我报告测试,并且因此可以减少通过方法1000的重复迭代监测的患者的负担。此外,该实施方案中的方法1000识别异常实例,并且指示患者在使用自我报告测试数据(具体地,2周的自我报告测试数据)确认后可能经历抑郁复发的发作,并且因此与单独检测测试数据(包括测试体动记录数据)中的异常或单独基于每周收集自我报告测试数据识别复发相比,减少了假阳性的实例。
当VQIDS-SR5评分在已识别异常的周或识别异常周后的周≥6时,可确定患者可能经历抑郁复发的发作。另选地,当GAD-7评分在已识别异常的周或识别异常周后的周≥10时,可确定患者可能经历抑郁复发的发作。在另一个示例中,当在已经识别出异常的周和在识别异常周后的周,VQIDS-SR5评分≥5和/或GAD-7评分≥5时,可以确定患者可能经历抑郁复发的发作。在处理器302确定患者可能经历抑郁复发的发作之后,处理器302可指引或输出指引对抑郁的治疗进行调整的信号。如上所述,抑郁的治疗可包括心理疗法、脑刺激疗法或施用抗抑郁药。
在方法1000的每次迭代结束时的步骤1012中,训练体动记录数据被更新以包括最近收集的测试体动记录数据,作为用于在步骤1004中重新训练该至少一个异常检测器的更新的训练体动记录数据的一部分。在一个示例性实施方案中,更新的训练体动记录数据结合最近收集的测试体动记录数据,并且消除了早于最近预先确定的时间段获得的训练体动记录数据。类似于方法400,示例性方法1000可以连续重复,或者可以以期望的频率迭代,例如每天、每周、每两周等。在一个特定实施方案中,示例性方法1000每天迭代。在一个示例中,以每y天的频率迭代地重复示例性方法1000,其中y小于或等于方法1050中w天的长度。特别地,y是与期望的数据收集周期相同的值,如上在步骤1006中所讨论的。在一个示例中,y是1天,并且w是14天。
虽然方法1000在上面被描述为用于检测和/或预测患者的抑郁复发。预期方法1000可以被修改用于检测和/或预测其他神经障碍的复发,特别是其中活动模式的变化(由体动记录数据记录)指示此类神经障碍的复发的那些神经障碍,诸如精神分裂症和躁郁症。特别地,可以修改在步骤1006期间收集并在步骤1010中分析的自我报告测试数据。自我报告测试数据可以从自我报告测试中收集,以用于定量评估其他神经障碍的症状。例如,精神分裂症的自我报告测试可以是精神分裂症的症状(SOS)清单。作为另一个示例,躁郁症的自我报告测试可能是轻躁狂人格量表、情绪障碍问卷、孟菲斯、比萨、巴黎和圣地亚哥自动问卷量表、双相谱系诊断量表、普通行为问卷和轻躁狂清单。
图11示出了方法1000在从第57天到第381天收集的数据的样本时间序列上的实施方案。特别地,图11包括MADRS评分1102的样本时间序列以及从根据步骤1008中描述的Enc-Dec AD分析的患者收集的体动记录生成的对应异常评分1104,以及基于从患者收集的自我报告的对应VQIDS-SR5评分1110和GAD-7评分1112。示出为1106的时间序列表示异常评分1104的每周评估,其中短条指示该周的异常评分不包括根据方法1050的任何异常,并且长条指示该周的异常评分包括由方法1050识别的潜在异常实例。示出为1108的时间序列指示当根据步骤1008分析自我报告测试数据时作为高条的那些周。示出为1114的时间序列说明了确定患者是否可能经历抑郁复发的发作的时间序列。高条指示患者可能经历抑郁复发的发作。短条指示分析自我报告测试数据,并且如在时间序列1114中可以看到的,步骤1008识别在第381天之前抑郁的可能复发,其中患者的MADRS评分上升到22以上指示抑郁复发。
图12示出了用于检测和/或预测患者抑郁复发的图10的示例性方法1000的如患者所经历的示例性时间线1200。患者可以在初始访问精神健康提供者1201期间在时间1204启动方法1000,并且被提供有体动记录设备200,其中在患者访问精神健康提供者1201之间的日常活动期间(从时间1204到时间1212)从患者收集体动记录数据。在一个示例性实施方案中,体动记录设备200可以一直由患者穿戴(例如,每周7天每天24小时),以从时间1204到时间1212收集患者的正在进行的体动记录数据。虽然图12示出了远程评估1202包括体动记录数据的收集,但是可以设想远程评估1202也可以包括其他类型的被动患者数据的收集。在时间1204和时间1206之间(例如,可以是2个月的周期),在患者尚未经历复发时(如图12中白色所示),设备200通过远程评估1202收集数据作为训练数据。在时间1206,患者可以访问精神健康提供者1201以确认患者在时间1204和时间1206之间尚未经历复发。如果患者尚未经历复发,在时间1204和时间1206之间收集的数据可以用于训练异常检测器(例如,上述的Enc-Dec AD)。异常检测器用于分析新获得的来自患者的远程评估数据,以确定新数据是否指示患者可能经历抑郁复发的发作。
在时间1206和患者在时间1210下一次访问精神健康提供者1201之间,远程评估1202继续从患者收集数据。远程评估1202还包括计算设备300收集由患者输入的自我报告数据,如以上在步骤1006中所述。在示例性时间线1200中,每周获得自我报告评估。计算设备300根据方法1000迭代地分析新收集的体动记录和自我报告数据,以确定新数据是否指示患者可能经历抑郁复发的发作。对于方法1000的每次迭代(其示例在图12中被示出为旗帜),使用包括最近的远程评估数据作为训练数据的数据来更新异常检测器。在图12所示的示例性时间线中,每个白旗1208反映方法1000的迭代,其中使用方法1000分析新的远程评估数据,并且将该远程评估数据确定为不指示患者可能经历抑郁复发的发作。只要新的远程评估数据未被确定为指示患者可能经历抑郁复发的发作,并且精神健康提供者1201在时间1210确认患者没有经历复发,则时间1206和时间1210之间的周期可以被连续重复。
如示例性时间线1200所示,在时间1210和患者对精神健康提供者1201的下一次安排访问之间,远程评估1202继续从患者收集数据,并且使用方法1000迭代地分析新收集的数据,以确定患者是否可能经历抑郁复发的发作。然而,如图12的示例中所示,异常检测器将新的远程评估数据确定为指示患者不太可能经历抑郁复发的发作(图示为白旗1208),但是随后在随后的迭代中检测到患者可能经历抑郁复发的发作(图示为黑旗1211)。
当患者被确定为可能已经经历了抑郁复发的发作时,计算设备300指示患者在他们对精神健康提供者1201的下一次安排访问(未示出)之前,在时间1212预先访问他们的精神健康提供者1201。在时间1212的预先访问期间,精神健康提供者1201可以确认患者经历了复发(以黑色示出),并且随后向患者提供早期临床干预以稳定他们的抑郁症状。一旦患者稳定并且抑郁症状缓解,如时间1214所示(以白色示出),患者可以重新开始方法1000,从而返回到示例性时间线1200中的时间1204。
可以根据上述方法1000连续监测有复发风险的患者。在定期安排的(例如,每月两次)访问期间,由精神健康提供者连续收集体动记录数据并确定患者的复发状态。在每次安排访问中,如果精神健康提供者确定患者没有复发,则在访问之前收集的所有体动记录数据用于训练异常检测器,特别是Enc-Dec AD。训练的模型用于检测随后的临床访问活动数据中的异常实例。这些异常实例被修剪,然后通过自我报告的复发风险症状学评估来确认剩余实例。该过程随着每次对心理健康提供者的非复发访问而继续,并且Enc-Dec AD被重新训练。重新训练的Enc-Dec AD用于识别随后采集的体动记录数据中的异常。一旦方法100确定患者可能经历抑郁复发的发作,计算设备300可以指示患者联系他们的精神健康提供者。另选地,计算设备300可以向患者的精神健康提供者发送警报。精神健康提供者可以在接收到警报后对患者进行跟踪,例如,从精神健康提供者的办公室预先预约或打电话来检查患者的症状。基于心理健康提供者的判断,如果需要,可以采取早期干预,这可以最终防止即将发生的复发并导致更好的患者结果。
本领域的技术人员应当理解,本文所述的示例性实施方案可以任何数量的方式实现,包括以单独的软件模块形式、以硬件和软件的组合形式等。例如,示例性方法可以是存储在非暂态存储介质中并且包含代码行的一个或多个程序中的实施方案,该代码行在被编译时可由一个或多个处理器内核或单独的处理器执行。根据一个实施方案的系统包括多个处理器内核和在多个处理器内核上执行以执行上述示例性方法的一组指令。处理器内核或单独的处理器可结合在任何合适的电子设备中或可与任何合适的电子设备(例如在设备内的板处理布置结构或设备外部的处理布置结构上)进行通信,所述电子设备例如移动计算设备、智能电话、计算平板电脑、计算设备等,其可与设备的至少一部分进行通信。
实施例
实施例I
在实施例I中,根据上述示例性方法400和700,向患者提供示例性体动记录设备200以收集体动记录数据并确定患者的抑郁复发。另外,要求患者响应于以下两个自我报告评估问题每天提供睡眠感知的定量评估:(1)你感觉休息得好吗?以及(2)你是否觉得自己有足够的睡眠?来自这些自我报告评估问题的输入被用于生成训练自我报告数据,该训练自我报告数据被包括在用于训练实施例I中使用的异常检测器的训练数据中。实施例I中的患者在先前的24个月周期内符合关于非精神性、复发性MDD的DSM-5诊断标准,并且正在服用口服抗抑郁药,但是在利用体动记录设备200的体动记录监测的开始时不满足重性抑郁发作的标准。如图13所示,收集了3个月周期的训练体动记录数据,并且随着方法400每周迭代而更新。除了每天收集患者体动记录数据并且每周重复方法400以提供与患者体动记录分离的测试来识别患者是否经历了抑郁复发之外,精神健康提供者大约每8周对患者进行MADRS测试。该单独测试基于以下步骤确定患者复发:初始MADRS评分≥22,随后对精神健康提供者进行验证访问,其中精神健康提供者确定患者的CGI-S评分比开始方法400之前(即,在第1天或之前)获得的基线增加2,或者在从患者最初经历MADRS总分≥22起的14天内改变药物类型或药物剂量。在该测试下,如果患者因抑郁恶化而住院,具有有意图的自杀意念或自杀行为,或以其他方式被心理健康提供者指示为复发,则同样认为该患者复发,而不考虑MADRS评分。该单独的测试还根据以下步骤确定患者非复发:初始MADRS评分≥22,随后对精神健康提供者进行验证访问,其中MADRS评分降低至低于22,并且CGI-S评分显示与基线相比改变不超过2,并且从患者初始经历MADRS总评分≥22时起14天内患者的药物治疗也没有变化。如图13所示和下表2中所列,实施例I中的患者通过该单独测试被确定为从第297天至第332天非复发和从第339天至第381天复发。需注意,因为MADRS测试以8周的间隔施用,所以在第381天使用MADRS量表检测患者的复发,但是患者被认为可能从在第339天至第381天施用MADRS测试后立即开始复发,如图13和表3所示。
实施例I利用计算设备300的处理器302来根据用于基于患者的体动记录数据来检测抑郁复发的发作的示例性方法400分析患者的体动记录数据,如上所述,并且每周迭代。实施例I利用两个单独的异常检测器:一类SVM异常检测器和IF异常检测器,以使用体动记录数据来确定复发的可能性。如表2所示,当使用一类SVM异常检测器的处理器302确定测试数据与训练数据一致(例如,不太可能对应于复发)时,处理器报告值0;并且当处理器确定测试数据是异常(例如,可能对应于复发)时,报告值1。使用IF异常检测器的计算设备300报告与测试数据对应于异常的可能性相对应的异常评分。此外,实施例I利用方法700经由计算设备300实施两次自我报告测试,并且进一步确定患者是否可能经历了抑郁复发的发作。具体地,实施例I实施了QIDS-SR16和/或GAD-7测试,并且分析最近三周的当前和先前结果,以确定患者是否有复发的风险。在该示例中,可以分析最近三周的数据,如下表2所示。
表2.
需注意,在表2中,可用的测试数据的周数是指在最近的三周数据内QIDS-SR16和/或GAD-7评分可用的最近连续周数。实施例I的QIDS-SR16和GAD-7评分报告在下表3中。
表3.
如上面的表3所示,实施例I表明,基于使用QIDS-SR16和GAD-7测试获得的患者体动记录数据和评分,从患者收集并由计算设备分析的体动记录数据将在第381天之前确定患者有复发的风险。这种识别在从如上所述MADRS分析显示患者经历抑郁复发时起的7天内进行。该数据表明,在实施例I中使用患者体动记录数据在抑郁发生后7天内识别出其复发,从而提供复发的早期识别,并且使得能够更早地针对复发改变患者的治疗。
实施例II
在实施例II中,示例性体动记录设备200被提供给41名随后复发的患者。实施例II的数据以与上述实施例I类似的方式收集。体动记录设备200收集体动记录数据,并且计算设备300响应于上述实施例I中的两个自我报告评估问题收集患者对睡眠感知的定量评估。数据由计算设备300的处理器302分析,以使用SVM异常检测器根据与上述实施例I中相同的方法检测和/或预测患者抑郁复发的开始。实施例II的性能量度如下表4所示。
表4.
性能量度 | 值 |
真阳性 | 30 |
真阴性 | 25 |
假阳性 | 16 |
假阴性 | 10 |
准确度 | 0.68 |
灵敏度 | 0.75 |
特异性 | 0.61 |
平衡准确度(BAC) | 0.68 |
阳性预测值(PPV) | 0.65 |
阴性预测值(NPV) | 0.71 |
DOR | 4.69 |
F<sub>1</sub>-测量 | 0.70 |
图14示出了与30位真阳性患者的组中的比例相对应的数据,所述真阳性患者被确定为可能在实施例I中描述的MADRS方法确定的复发实际开始前的时间量内已经复发。图14的数据显示,使用体动记录数据,30位真阳性患者中的83%被识别为可能比实际复发发作早7天或更早复发。
实施例III
在实施例III中,向大约330名受检者提供示例性的体动记录设备200,其中大约88名受检者复发。如以上在实施例I中所述,体动记录设备300收集体动记录数据和训练自我报告数据,并且计算设备400根据与以上在实施例I中所述相同的方法分析该数据以确定患者的抑郁复发。
图15a示出了对应于在各种触发比例下实施自我报告测试的患者的频率的数据,其中自我报告调查是在通过如以上实施例I中所述的体动记录数据确定时对患者实施的。图9a中示出的数据具有双样本Kolmogorov-Smirnov拟合优度假设测试P值≤0.001,指示触发比例分布中的分布差异。图9b示出了对应于在各种触发比例下实施自我报告测试的患者的频率的数据,其中每周实施自我报告测试。如图9a中可以看出,与图9b相比,如体动记录所指引的实施自我报告测试的患者的较大频率显示了较低的触发比例(例如,0.2),其中最大频率是1.0的触发比例。图9a和图9b中所示的数据表明当自我报告测试由患者体动记录数据触发时,较少地实施此类测试,从而减少患者的负担并促进患者的依从性。图10a示出了图9a中所示的数据的针对患者处于缓解状态并且不接近复发的时间范围的子集。类似地,图10b示出了图9b中所示数据的针对患者处于缓解状态并且未接近复发的时间范围的子集。图11a示出了图9a中所示的数据的针对患者接近复发的时间范围的子集。类似地,图11b示出了图9b中所示的数据的针对患者接近复发的时间范围的子集。图12示出了使用实施例III中的体动记录数据确定抑郁复发的方法的性能量度。在图12中,ACC指示准确度,SEN指示敏感度,SPEC指示特异性,BAC指示平衡准确度,PPV指示阳性预测值,并且NPV指示阴性预测值。
实施例IV
在实施例IV中,示例性体动记录设备200被提供给41名随后复发的患者。实施例IV的数据以与上述实施例I类似的方式收集。体动记录设备200收集体动记录数据,并且计算设备300响应于上述实施例I中的两个自我报告评估问题收集患者对睡眠感知的定量评估。数据由计算设备300的处理器302分析,以检测和/或预测患者抑郁复发的开始。实施例IV利用与实施例I中所述类似的方法,除了如下所述,使用SVM异常检测器,并且每周进行迭代。实施例IV利用方法600并经由计算设备300实施与实施例I相同的两次自我报告测试,并且通过分析最近三周的当前和先前结果来确定患者是否有复发的风险,从而进一步确定患者是否可能经历了抑郁复发的发作,如下表5所示。
表5.
需注意,在表5中,可用的测试数据的周数是指在最近的三周数据内QIDS-SR16和/或GAD-7评分可用的最近连续周数。实施例IV的性能量度如下表6所示。
表6.
性能量度 | 值 |
真阳性 | 29 |
真阴性 | 25 |
假阳性 | 16 |
假阴性 | 10 |
准确度 | 0.68 |
灵敏度 | 0.74 |
特异性 | 0.61 |
平衡准确度(BAC) | 0.68 |
阳性预测值(PPV) | 0.6 |
阴性预测值(NPV) | 0.71 |
DOR | 4.53 |
F<sub>1</sub>-测量 | 0.69 |
图8示出了与30位真阳性患者的组中的比例相对应的数据,所述真阳性患者被确定为可能在实施例I中描述的MADRS方法确定的复发实际开始前的时间量内已经复发。图8的数据显示,使用体动记录数据,30位真阳性患者中的83%被识别为可能比实际复发发作早7天或更早复发。
实施例V
在实施例V中,使用从211名MDD受检者收集的数据来评估使用Enc-Dec AD并基于14天的窗口(w=14天)识别异常的图8的方法1000。来自211名MDD受检者的数据包括对自我报告症状的纵向评估(每周、每两周等测量)并连续收集多于一年或直到抑郁复发的首次发作的体动记录数据。受检者还坚持定期每月两次进行临床访问。受检者中的每个受检者在临床访问时和之间以规律的频率(例如,从每周到每月两次)使用智能电话完成自我报告评估。使用穿戴在非主导手腕上的设备从每个受检者连续地收集体动记录数据,该设备测量在平行于设备的面部的方向上的加速度,具有32Hz的连续采样,诸如由PhilipsRespironics提供的Philips Actiwatch。该设备记录的原始加速度数据被整合到反映移动振幅的15秒时段计数(体动记录数据)中。为了最小化具有零活动计数的时段,通过对每分钟内的15秒时段求和来创建分钟分辨率活动计数数据流,从而在一天内产生1440个活动计数数据点。
如果患者满足以下列出的标准中的任何一个标准,则将每次临床访问标记为复发:
(1)在研究访问时MADRS总分≥22,并且在大约1-2周的间隔内确认症状恶化。
(2)如果受检者在研究访问(安排或非安排)中接收MADRS评定≥
22,将在1至2周内安排附加的访问(即复发验证访问)
○在复发验证访问时MADRS评定≥22的受检者将被视为复发
○在复发验证访问时CGI-S较基线值的变化≥2,或在研究访问
+或-14天期间发生药物变化,将被视为复发。
(3)因抑郁恶化而住院
(4)有意图的自杀意念或自杀行为
(5)精神健康提供者的决定
如果临床访问不符合上述标准,其被标记为非复发。假设标记持续到先前临床访问的后一天。在211名MDD受检者中,评估了对应于50名复发受检者和161名非复发受检者的总共1190次访问(1140次非复发访问和50次复发访问)。开始收集所有受检者的体动记录数据后的首次临床访问用于训练每个受检者的Enc-Dec AD,并且因此不包括在1190次访问中用于评估。另外,针对复发受检者评估的最后一次访问是他们的复发访问。因此,实施例V的评估是直到首次复发,并且在该实施例中不考虑多次复发。
表7中提供了211名MDD受检者按照以上识别的每种复发标准的分布。
表7.
下表8总结了211名MDD受检者的特性。
表8.
另外,图19a和图19b分别示出了复发受检者和非复发受检者的所有可用访问。
分析体动记录特征以提取DFA、MFDFA和样本熵的特征。这些特征被认为较少受到不受控制的日常安排和环境条件的影响,这可导致对昼夜节律和活动模式复杂度的客观评估。在实施例V中,使用二阶多项式函数来确定DFA特征,以去趋势体动记录数据,从而消除数据中可能的线性趋势的影响。为了确保在时间尺度n上F(n)的可靠估计,使用每天没有>72分钟的间隙(一天中1440分钟的活动计数的5%)的最近连续活动天数(至少2个连续天)。在两个不同的时间尺度上的波动指数(α),分别为在10(即,10个数据点,其中时段长度为1分钟)分钟到90分钟期间的α1和在120分钟到600分钟期间的α2,以捕获不同的活动动态区域。使用从-5到5以0.1的增量变化的q值和从10分钟到600分钟变化的s来提取MFDFA特征。为每天和四个时段中的每个时段提取样本熵特征,这四个时段是早晨(上午6点到中午12点)、下午(中午12点到下午6点)、晚上(下午6点到凌晨12点)和夜间(凌晨12点到上午6点)。更特别地,SaEn被确定为在过去7天的活动计数(不具有任何已识别的间隙)中的SaEn中值(在z评分活动计数上)。
每天计算所有体动记录特征,其中连续活动计数的最后7天具有至少2天的连续活动计数的最低要求。进一步对活动计数进行信号质量检查,以检测以下情况:(i)振幅偏离全球平均水平10个标准差的巨大尖峰信号的隔离;以及(ii)持续时间>60分钟的零序列。所识别的数据点或数据段被标记为间隙,并且在特征计算中被适当处理。
在首次每月两次的临床访问前的初始周期中从体动记录数据中提取的特征用于训练Enc-Dec AD。实施例V的Enc-Dec AD根据表9中列出的参数来指定。
表9
参数 | 值 |
隐藏层 | 1 |
隐藏单元的数量 | 5 |
序列长度 | 14 |
训练迭代 | 100 |
学习率 | 0.001 |
批次大小 | 1 |
优化 | Adam |
输入维度 | 7 |
如果首次每月两次的临床访问确定患者没有复发抑郁,则随后收集的体动记录数据根据方法1000使用训练的Enc-Dec AD进行分析,以识别任何异常。该过程随着每次非复发访问持续到临床访问,并且在指示患者没有复发抑郁的每次访问之后重新训练Enc-DecAD。重新训练的Enc-Dec AD用于识别为后续访问收集的数据中的异常。对于任何识别的异常,评估在识别异常的同时收集的自我报告症状学问卷VQIDS-SR5和GAD-7,以根据步骤1008进一步评估,作为用于确定异常是否指示患者可能经历抑郁复发的发作的进一步确认步骤。在实施例V中,在分析了在检测到异常的一周和异常周之后的一周期间来自自我报告症状学问卷的数据之后,异常被确定为指示患者可能经历抑郁复发的发作。如果在检测到异常的一周期间或者在异常周之后的一周期间,来自自我报告症状学问卷的数据不可用,则该异常不被确定为指示抑郁复发的发作是可能的。
图20示出了三个不同临床访问的示例性时间线,示出了在每个非复发访问的体动记录数据上连续训练实施例V的Enc-Dec AD,并且在后续访问体动记录数据中预测异常。顶部时间线2002示出了具有至少1次非复发访问的患者,并且先前的体动记录数据被用作用于分析测试数据的训练数据。如中间时间线2004所示,来自先前访问的测试数据(在时间线2002中示出)成为时间线2002中示出的访问的训练数据。类似地,在底部时间线2006中,来自先前访问的测试数据(在时间线2002和2004中示出)成为时间线2006中示出的访问的训练数据。对于每个复发和非复发受检者,该过程继续直到首次复发,这是实施例v中复发患者的最后一次临床访问。
用于确定实施例V中未复发与复发的性能量度如下表10所示。
表10.
#复发周期 | 50 |
#非复发周期 | 1140 |
SEN(敏感度) | 0.66 |
SPEC(特异性) | 0.82 |
BAC(平衡准确度) | 0.74 |
PPV(阳性预测值) | 0.14 |
NPV(阴性预测值) | 0.98 |
FAR(误报率) | 0.18 |
如上表10所示,实施例V在预测复发方面实现了0.66的灵敏度、0.82的特异性和0.74的平衡准确度。观察到的复发率为4.2%,并且实施例V实现0.14的阳性预测值以及0.98的阴性预测值。实施例V还在复发受检者和非复发受检者中实现0.18的总误报率(FAR)(复发受检者的FAR为0.28,并且非复发受检者的FAR为0.16)。
如上表10所示,在复发受检者和非复发受检者中,实施例V的误报率为0.18。复发受检者中的误报率为0.28,并且非复发受检者中的误报率为0.16,指示实施例V在复发受检者中更经常地检测和/或预测抑郁复发的能力,并且因此指示由实施例V确定可能经历抑郁复发可最终导致复发事件。
如表10所示,将实施例V中用于确定非复发与复发的性能量度与用于单独检测测试体动记录数据中的异常或单独基于每周收集自我报告测试数据识别复发的性能量度进行比较。
表11.
从表11中可以看出,与单独的异常检测或单独的自我报告测试数据相比,实施例V提供了相当的灵敏度,同时显著增加了特异性。值得注意的是,与单独的异常检测或每周收集自报告测试数据相比,实施例V提供显著降低的FAR。实施例V提供单独通过这些组分中的每一种不能实现的FAR的降低。如表11所示,利用异常检测和自我报告测试数据的特定时间对准组合的实施例V提供比异常检测和自我报告测试数据的两个单独分析的组合出乎意料地更大(或协同)的FAR降低。该数据表明,对于基于基线评估存在复发风险的任何受检者,除非早期干预,否则框架的阳性预测将最有可能导致最终复发。实施例V的方法能够在抑郁发作前平均21天识别患者可能经历抑郁复发的发作,这提供了在抑郁症复发的发作前调整抑郁治疗的机会窗口。
鉴于FAR的降低,与单独的异常检测或单独的自我报告测试数据相比,实施例V的方法也显著降低了提供者的负担。从下表12中可以看出
表12.
患者负担(%)* | 提供者负担(%)** | |
仅异常检测 | 0 | 85.6 |
仅自我报告测试数据 | 80.6 | 32.7 |
实施例V | 37.6 | 20.3 |
*每周评估总数=8237;**每月两次访问总数=1190
表12示出了由所安排的每月两次预先访问的百分比表示的提供者负担,该双月预先访问对应于基于单独的异常检测、单独的自我报告测试数据或实施例V的方法确定患者可能经历抑郁复发的发作。值得注意的是,与单独的异常检测或每周收集自报告测试数据相比,实施例V提供了提供者负担的显著减少。实施例V提供单独通过这些组分中的每一种不能实现的提供者负担的降低。如表12所示,利用异常检测和自我报告测试数据的特定时间对准组合的实施例V提供比异常检测和自我报告测试数据的两个单独分析的组合出乎意料地更大(或协同)的提供者负担降低。
表12还示出了由总安排每周自我报告评估的百分比表示的患者负担,该总安排每周自我报告评估对应于这样的确定,即在确定患者是否可能经历复发的发作时将分析自我报告数据(即,在分析中使用的那些)。对于在确定患者可能经历复发的发作之后安排的每周自我报告评估,这些评估不是表示患者负担的百分比的一部分。该数据是从211名受检者的研究人群中收集的,随访时间为一年或更长。如表12所示,根据实施例V选择性地实施自我报告测试也显著降低了患者的负担,并且由此提供了监测患者的有效方法,该方法足够灵敏,具有低FAR,并且对患者和提供者两者具有低负担。
本文描述和受权利要求书保护的本发明的范围不受本文所公开的具体实施方案的限制,因为这些实施方案旨在作为本发明的若干方面的说明。任何等同的实施方案旨在处于本发明的范围内。实际上,除了本文所示和所述的那些之外,根据前面的描述,本发明的各种修改形式对于本领域的技术人员将变得显而易见。此类修改也旨在落入所附权利要求书的范围内。本文引用的所有公布全文以引用方式并入并入。
Claims (37)
1.一种用于检测或预测患者抑郁再发的计算机实现的方法,包括:
(i)从所述患者穿戴的可穿戴设备获得所述患者在训练周期内的训练数据,其中所述训练数据包括对应于所述患者在所述训练周期内的移动的训练体动记录数据,并且所述训练周期是在所述患者尚未经历抑郁再发的发作的时间段期间;
(ii)使用所述训练数据训练异常检测器,其中所述异常检测器被配置为识别与所述训练数据的偏差;
(iii)从所述可穿戴设备获得在所述训练周期之后的测试周期期间的所述患者的测试数据,所述测试数据包括对应于所述训练周期之后所述患者的移动的测试体动记录数据;
(iv)从所述测试数据中提取多个特征以生成测试特征数据,其中所述特征对应于活动、睡眠、昼夜节律和多重分形动态中的至少一者的量度;
(v)使用所述异常检测器分析所述测试特征数据,以将所述测试特征数据与所述训练数据进行比较;
(vi)当所述异常检测器确定所述测试特征数据与所述训练体动记录数据相比可能是异常时,对所述患者实施自我报告测试以从所述患者获得多个输入;以及
(vii)分析来自所述患者的所述多个输入,以确定所述患者是否可能经历抑郁再发的发作。
2.根据权利要求1所述的方法,还包括:
(viii)更新所述训练数据以包括所述测试数据,以及重复步骤(ii)至(vii),直到确定所述患者已经再发抑郁。
3.根据权利要求2所述的方法,其中每周重复步骤(ii)至(vii)。
4.根据权利要求1至3中任一项所述的方法,其中所述训练数据还包括对应于所述患者在所述训练周期内的身体行为的自我报告特性的数据,并且所述测试数据还包括对应于所述患者在所述测试周期期间的身体行为的自我报告特性的数据。
5.根据权利要求1至4中任一项所述的方法,其中步骤(vi)包括:
经由用户界面向所述患者显示多个自我报告调查问题;以及
经由所述用户界面接收来自所述患者的响应于所述自我报告调查问题的所述多个输入。
6.根据权利要求1至5中任一项所述的方法,其中步骤(vii)包括:
分析所述多个输入以生成所述自我报告测试的结果评分;以及
将所述结果评分与至少一个阈值进行比较,以确定所述患者是否可能经历抑郁再发的发作。
7.根据权利要求1至6中任一项所述的方法,其中所述异常检测器是单类支持向量机模块。
8.根据权利要求1至6中任一项所述的方法,其中所述异常检测器是隔离森林模块。
9.根据权利要求1至8中任一项所述的方法,其中所述训练周期为至少3个月。
10.根据权利要求5所述的方法,其中所述多个自我报告调查问题对应于抑郁的症状,并且来自所述患者的所述多个输入对应于每个症状的数字量表上的评定。
11.根据权利要求1至10中任一项所述的方法,还包括:
当确定所述患者可能经历抑郁再发的发作时,调整施用给所述患者的抗抑郁药的剂量。
12.根据权利要求1至10中任一项所述的方法,还包括:
当确定所述患者可能经历抑郁再发的发作时,增加施用给所述患者的抗抑郁药的剂量。
13.一种用于检测或预测患者抑郁复发的系统,包括:
可穿戴设备,所述可穿戴设备包括被配置为检测所述患者的移动的至少一个加速度计,所述可穿戴设备被配置为生成对应于所述患者的移动的体动记录数据;以及
计算设备,所述计算设备可操作地连接到所述可穿戴设备以从所述可穿戴设备接收体动记录数据,所述计算设备包括:
用户界面,所述用户界面用于显示输出和接收来自所述患者的输入;以及
处理器和非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括由所述处理器可执行的指令集,所述指令集能够操作以:
从所述可穿戴设备获得对应于所述患者在训练周期内的移动的训练体动记录数据,其中所述训练周期是在所述患者尚未经历抑郁再发的发作的时间段期间,
使用包括所述训练体动记录数据的训练数据来训练异常检测器,其中所述异常检测器被配置为识别与所述训练数据的偏差,
从所述可穿戴设备获得对应于所述训练周期之后所述患者的移动的测试体动记录数据,
从所述测试体动记录数据提取多个特征以生成测试特征数据,其中所述特征对应于活动、睡眠、昼夜节律和多重分形动态中的至少一者的量度,
使用所述异常检测器分析所述测试特征数据,以将所述测试特征数据与所述训练数据进行比较,
指引所述用户界面向所述患者显示多个自我报告调查问题,
经由所述用户界面接收来自所述患者的响应于所述自我报告调查问题的所述多个输入,以及
分析来自所述患者的所述多个输入,以确定所述患者是否可能经历抑郁再发的发作。
14.根据权利要求13所述的系统,其中体动记录设备在操作配置中被配置用于穿戴在所述患者的手腕周围。
15.根据权利要求13至14中任一项所述的系统,其中所述用户界面是触摸屏。
16.根据权利要求13至15中任一项所述的系统,其中所述计算设备选自由移动计算设备、智能电话和计算平板组成的组。
17.根据权利要求13至16中任一项所述的系统,其中所述异常检测器是单类支持向量机模块。
18.根据权利要求13至16中任一项所述的系统,其中所述异常检测器是隔离森林模块。
19.根据权利要求13至18中任一项所述的系统,其中所述多个自我报告调查问题对应于抑郁的症状,并且来自所述患者的所述多个输入对应于每个对应症状的数字量表上的评定。
20.根据权利要求13至19中任一项所述的系统,其中所述指令集还包括能够操作以当所述患者被所述计算设备确定为可能经历抑郁再发的发作时指引指示对施用给所述患者的抗抑郁药的剂量的调整的输出的指令。
21.一种用于检测或预测患者抑郁再发的计算机实现的方法,包括:
(i)从所述患者穿戴的可穿戴设备获得所述患者在训练周期内的训练数据,其中所述训练数据包括对应于所述患者在所述训练周期内的移动的训练体动记录数据,并且所述训练周期是在所述患者尚未经历抑郁再发的发作的时间段期间;
(ii)使用所述训练数据训练异常检测器,其中所述异常检测器被配置为识别与所述训练数据的偏差;
(iii)从所述可穿戴设备获得在测试周期期间所述患者的测试数据,所述测试周期的至少一部分在所述训练周期之后,所述测试数据包括对应于所述训练周期之后所述患者的移动的测试体动记录数据;
(iv)从所述测试数据中提取多个特征以生成测试特征数据,其中所述特征对应于单分形模式、多重分形动态和样本熵中的至少一者的量度;
(v)使用所述异常检测器分析所述测试特征数据,以将所述测试特征数据与所述训练数据进行比较,从而检测所述测试特征数据中的异常;以及
(vi)当在所述测试特征数据中检测到异常时,分析自我报告测试数据以确定所述患者是否可能经历抑郁再发的发作,其中所述自我报告测试数据是响应于自我报告测试而从来自所述患者的多个输入生成的。
22.根据权利要求21所述的方法,其中所述自我报告测试是从与所检测到的异常同时的时间收集的。
23.根据权利要求21或22所述的方法,其中在检测到异常之后从所述患者收集所述自我报告测试。
24.根据权利要求21至23中任一项所述的方法,还包括:
(vii)更新所述训练数据以包括所述测试数据,以及重复步骤(ii)至(vi),直到确定所述患者已经再发抑郁。
25.根据权利要求24所述的方法,其中连续重复步骤(ii)至(vii),直到确定所述患者已再发抑郁。
26.据权利要求21至25中任一项所述的方法,其中步骤(vi)包括:
分析所述自我报告测试数据以生成所述自我报告测试的结果评分;以及
将所述结果评分与至少一个阈值进行比较,以确定所述患者是否可能经历抑郁再发的发作。
27.根据权利要求21至26中任一项所述的方法,其中所述异常检测器利用长短期记忆(LSTM)神经网络,所述异常检测器包括编码器和解码器。
28.根据权利要求27所述的方法,其中步骤(v)包括:
使用第一异常阈值识别所述测试特征数据的非异常部分;
使用第二异常阈值确定所述测试特征数据中的潜在异常实例,其中所述第二异常阈值是基于所述非异常部分确定的;
基于每个潜在异常实例的百分比减少来修剪所述潜在异常实例,以识别所述测试特征数据中的所述异常。
29.根据权利要求21至28中任一项所述的方法,其中所述训练周期为至少14天。
30.根据权利要求21至29中任一项所述的方法,还包括:
当确定所述患者可能经历抑郁再发的发作时,调整施用给所述患者的抗抑郁药的剂量。
31.根据权利要求21至30中任一项所述的方法,还包括:
当确定所述患者可能经历抑郁再发的发作时,增加施用给所述患者的抗抑郁药的剂量。
32.一种用于检测或预测患者抑郁复发的系统,包括:
可穿戴设备,所述可穿戴设备包括被配置为检测所述患者的移动的至少一个加速度计,所述可穿戴设备被配置为生成对应于所述患者的移动的体动记录数据;以及
计算设备,所述计算设备可操作地连接到可穿戴体动记录设备以从所述可穿戴设备接收体动记录数据,所述计算设备包括:
用户界面,所述用户界面用于显示输出和接收来自所述患者的输入;以及
处理器和非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括由所述处理器可执行的指令集,所述指令集能够操作以:
从所述可穿戴设备获得对应于所述患者在训练周期内的移动的训练体动记录数据,其中所述训练周期是在所述患者尚未经历抑郁再发的发作的时间段期间,
使用包括所述训练体动记录数据的训练数据来训练异常检测器,其中所述异常检测器被配置为识别与所述训练数据的偏差,
从所述可穿戴设备获得对应于所述患者在测试周期期间的移动的测试体动记录数据,所述测试周期的至少一部分在所述训练周期间之后,
从所述测试体动记录数据中提取多个特征以生成测试特征数据,其中所述特征对应于以下项中的至少一者的量度:活动,单分形模式、多重分形动态和样本熵中的至少一者,
使用所述异常检测器分析所述测试特征数据,以将所述测试特征数据与所述训练数据进行比较,从而检测所述测试特征数据中的异常,
当在所述测试特征数据中检测到异常时,分析自我报告测试数据以确定所述患者是否可能经历抑郁再发的发作,
其中根据多个输入来生成所述自我报告测试数据,所述多个输入响应于包括显示在所述用户界面上的多个自我报告调查问题的自我报告测试通过所述用户界面从所述患者接收。
33.根据权利要求32所述的系统,其中所述体动记录设备在操作配置中被配置用于穿戴在所述患者的手腕周围。
34.根据权利要求32或33所述的系统,其中所述用户界面是触摸屏。
35.根据权利要求32至34中任一项所述的系统,其中所述计算设备选自由移动计算设备、智能电话和计算平板组成的组。
36.根据权利要求32至35中任一项所述的系统,其中所述异常检测器利用长短期记忆(LSTM)神经网络,所述异常检测器包括编码器和解码器。
37.根据权利要求32至36中任一项所述的系统,其中所述多个自我报告调查问题对应于抑郁的症状,并且来自所述患者的所述多个输入对应于每个对应症状的数字量表上的评定。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063049053P | 2020-07-07 | 2020-07-07 | |
US63/049053 | 2020-07-07 | ||
US202163202871P | 2021-06-28 | 2021-06-28 | |
US63/202871 | 2021-06-28 | ||
PCT/EP2021/068689 WO2022008523A1 (en) | 2020-07-07 | 2021-07-06 | System and method for detecting or predicting return in major depressive disorder |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115867983A true CN115867983A (zh) | 2023-03-28 |
Family
ID=77155732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180048453.XA Pending CN115867983A (zh) | 2020-07-07 | 2021-07-06 | 用于检测或预测重度抑郁症再发的系统和方法 |
Country Status (9)
Country | Link |
---|---|
US (1) | US20230245773A1 (zh) |
EP (1) | EP4179546A1 (zh) |
JP (1) | JP2023532790A (zh) |
KR (1) | KR20230035609A (zh) |
CN (1) | CN115867983A (zh) |
AU (1) | AU2021303739A1 (zh) |
CA (1) | CA3188798A1 (zh) |
IL (1) | IL299689A (zh) |
WO (1) | WO2022008523A1 (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190117143A1 (en) * | 2017-10-23 | 2019-04-25 | Massachusetts Institute Of Technology | Methods and Apparatus for Assessing Depression |
-
2021
- 2021-07-06 EP EP21748791.7A patent/EP4179546A1/en active Pending
- 2021-07-06 US US18/002,527 patent/US20230245773A1/en active Pending
- 2021-07-06 IL IL299689A patent/IL299689A/en unknown
- 2021-07-06 AU AU2021303739A patent/AU2021303739A1/en active Pending
- 2021-07-06 CN CN202180048453.XA patent/CN115867983A/zh active Pending
- 2021-07-06 WO PCT/EP2021/068689 patent/WO2022008523A1/en unknown
- 2021-07-06 CA CA3188798A patent/CA3188798A1/en active Pending
- 2021-07-06 JP JP2023501190A patent/JP2023532790A/ja active Pending
- 2021-07-06 KR KR1020237004114A patent/KR20230035609A/ko unknown
Also Published As
Publication number | Publication date |
---|---|
US20230245773A1 (en) | 2023-08-03 |
KR20230035609A (ko) | 2023-03-14 |
IL299689A (en) | 2023-03-01 |
AU2021303739A1 (en) | 2023-03-09 |
JP2023532790A (ja) | 2023-07-31 |
CA3188798A1 (en) | 2022-01-13 |
WO2022008523A1 (en) | 2022-01-13 |
EP4179546A1 (en) | 2023-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alberdi et al. | Smart home-based prediction of multidomain symptoms related to Alzheimer's disease | |
US20230410166A1 (en) | Facilitating integrated behavioral support through personalized adaptive data collection | |
Hovsepian et al. | cStress: towards a gold standard for continuous stress assessment in the mobile environment | |
Reinertsen et al. | A review of physiological and behavioral monitoring with digital sensors for neuropsychiatric illnesses | |
US20200234823A1 (en) | Health monitoring using social rhythms stability | |
Shishvan et al. | Machine intelligence in healthcare and medical cyber physical systems: A survey | |
US11164596B2 (en) | Sensor assisted evaluation of health and rehabilitation | |
US20230094344A1 (en) | Next best action based on mental predictive model of patient mental health | |
Plarre et al. | Continuous inference of psychological stress from sensory measurements collected in the natural environment | |
Akbulut et al. | Wearable sensor-based evaluation of psychosocial stress in patients with metabolic syndrome | |
US20150148621A1 (en) | Methods and systems for creating a preventative care plan in mental illness treatment | |
KR20180110100A (ko) | 심부전을 평가하기 위한 장치 및 방법 | |
US20210375423A1 (en) | Method and system for remotely identifying and monitoring anomalies in the physical and/or psychological state of an application user using baseline physical activity data associated with the user | |
JP2023547875A (ja) | 個人化された認知介入システム及び方法 | |
Booth et al. | Toward robust stress prediction in the age of wearables: Modeling perceived stress in a longitudinal study with information workers | |
Walsh et al. | Noncontact pressure-based sleep/wake discrimination | |
CN114096195A (zh) | 用于采用移动设备检测认知衰退的系统和方法 | |
US20210375424A1 (en) | Method and system for remotely identifying and monitoring anomalies in the physical and/or psychological state of an application user using average physical activity data associated with a set of people other than the user | |
Nguyen et al. | Decision support system for the differentiation of schizophrenia and mood disorders using multiple deep learning models on wearable devices data | |
US20200285700A1 (en) | Technology-Facilitated Support System for Monitoring and Understanding Interpersonal Relationships | |
US11967432B2 (en) | Method and system for remotely monitoring the physical and psychological state of an application user using altitude and/or motion data and one or more machine learning models | |
CN115867983A (zh) | 用于检测或预测重度抑郁症再发的系统和方法 | |
WO2022008694A1 (en) | Method for determining probability of a mood disorder | |
Parousidou | Personalized Machine Learning Benchmarking for Stress Detection | |
US20220148708A1 (en) | Technology-facilitated support system for monitoring and understanding interpersonal relationships |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |