KR20230035609A - 주요 우울 장애의 재발을 검출 및 예측하기 위한 시스템 및 방법 - Google Patents
주요 우울 장애의 재발을 검출 및 예측하기 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230035609A KR20230035609A KR1020237004114A KR20237004114A KR20230035609A KR 20230035609 A KR20230035609 A KR 20230035609A KR 1020237004114 A KR1020237004114 A KR 1020237004114A KR 20237004114 A KR20237004114 A KR 20237004114A KR 20230035609 A KR20230035609 A KR 20230035609A
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- data
- test
- training
- depression
- Prior art date
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
Abstract
환자의 우울증의 재발을 검출하기 위한 시스템 및 컴퓨터 구현 방법이 제공된다. 시스템은 환자의 움직임을 검출하도록 구성되고 환자의 움직임에 대응하는 활동기록기 데이터를 생성하도록 구성된 웨어러블 디바이스 및 디바이스로부터 활동기록기 데이터를 검색하기 위한 컴퓨팅 디바이스를 포함한다. 시스템 및 방법은 트레이닝 기간에 걸쳐 트레이닝 활동기록기 데이터를 포함하는 트레이닝 데이터를 획득하고 트레이닝 데이터를 이용하여 이상 검출기를 트레이닝한다. 시스템 및 방법은 순차적으로 환자로부터 테스트 데이터를 획득하고, 테스트 데이터로부터 복수의 특징들을 추출하고, 트레이닝된 이상 검출기를 이용하여 추출된 데이터를 분석한다. 자가 보고 테스트는 이상 검출기에 의해 식별된 이상이 환자가 우울증의 재발을 경험할 가능성이 있다고 나타내는지 여부를 결정하는 데 사용된다.
Description
우선권 주장
본 출원은 2020년 7월 7일자로 출원된 미국 가출원 제63/049,053호, 및 2021년 6월 28일자로 출원된 미국 가출원 제63/202,871호에 대한 우선권을 주장하며, 이들의 전체 내용은 본 명세서에 참조로서 포함된다.
주요 우울 장애(MDD)는 일반적인 성인 집단에서 평생 유병률이 대략 15%인, 전세계적 장애의 주요 원인들 중 하나이고(장애를 갖고 산 햇수로 측정됨), 중요한 이환율 및 사망률과 연관된다. 이 조건은 3억 이상의 사람들에게 영향을 미친다. MDD를 앓는 환자들은 광범위한 신체적, 정신적 및 인지 증상들, 예컨대, 우울한 기분, 모든/거의 모든 활동들에서 관심 또는 흥미 상실, 피로 및 수면 장애, 및 사고, 집중 및 의사 결정의 어려움을 경험할 수 있다. 이러한 증상들은 환자들이 느끼고, 생각하고 일상 활동들을 처리하는 방법을 포함하는 환자의 일상 생활에 심각한 영향을 미칠 수 있고, 그들의 건강, 관계, 취업, 교육, 및 전반적인 삶의 질에 영향을 미칠 수 있다. MDD의 심각한 경우에, 환자들은 죽음 또는 자살에 대해 생각할 수 있다. 특히, MDD를 앓는 이들은 일반적인 집단보다 20배 더 높은 위험을 갖는다. 또한, MDD는 다른 건강 질환들의 발전 또는 악화의 위험 증가에 기여하는 것으로 여겨진다. 예를 들어, MDD는 뇌졸중 및 제2형 당뇨와 같은 조건들을 발전시키는 위험을 증가시킬 수 있다.
환자들이 MDD의 증상 완화를 돕고, 환자들의 삶의 질을 향상시키는 다양한 치료 옵션들이 존재한다. 그러나, 치료에도 불구하고, MDD는 에피소드들이 재발하는 만성 질환이고, 따라서 환자들은 잔류 증상들은 경험하거나, 또는 우울증의 재발 또는 재발병을 경험할 수 있다. 임상 실습에서, 임상의는 임상 방문 동안에만 환자들을 관찰하고 이러한 임상 방문 동안 진행된 관찰들에 응답하여 필요에 따라 환자의 치료 요법에 변화를 줌으로써 반응적 접근법을 취한다. MDD는 완화의 기간들에 재발의 에피소드들이 산재된, 동적 질병이다. 질환 상태의 전이는 의사 방문 사이의 시간보다 더 빠른 시간스케일 상에서 발생할 수 있다. 이러한 반응적 접근법을 이용하면, 임상의는 종종 환자의 증상학적인 조기 변화를 알지 못한다. 재발 또는 재발병은 빈번하게 환자의 우울 증상들이 평가를 위한 임상 방문을 타당하게 만들기에 충분히 악화된 후에만 검출된다.
재발 또는 재발병 이후의 추가적인 치료의 획득의 지연은 환자들이 자해 또는 자살할 위험이 더 높게 할 수 있다. 완화를 달성한 MDD 환자들의 비율은 또한 각각의 치료 실패 이후에 현저하게 감소한다. 또한, 너무 길고/길거나 비효과적인 치료는 환자 고통을 연장시키고, 기대를 떨어뜨리고, 절망감과 같은 부정적 감정을 강화할 수 있다. 따라서, 우울증 재발 또는 재발병의 조기 식별 및 인식은 임상의가 질병 악화를 조기에 차단하고, 잠재적으로 생명을 구하고, 치료에 대한 의미있는 반응을 이루고 잠재적으로 완화에 도달할 환자의 기회를 개선하게 할 수 있다.
본 발명의 일 예시적인 실시예는 환자의 우울증의 재발을 검출 또는 예측하기 위한 컴퓨터 구현 방법에 관한 것이다. 방법은 (i) 트레이닝 기간에 걸쳐, 환자에 의해 착용된 웨어러블 디바이스로부터, 환자의 트레이닝 데이터를 획득하는 단계를 포함한다. 트레이닝 데이터는 트레이닝 기간에 걸쳐 환자의 움직임에 대응하는 트레이닝 활동기록기 데이터를 포함한다. 트레이닝 기간은 환자가 우울증의 재발의 시작을 경험하지 않은 기간 동안이다. 방법은 또한 (ii) 트레이닝 데이터를 이용하여 이상 검출기를 트레이닝하는 단계를 포함한다. 이상 검출기는 트레이닝 데이터로부터 편차들을 식별하도록 구성된다. 방법은 (iii) 트레이닝 기간 후에 테스트 기간 동안, 웨어러블 디바이스로부터, 환자의 테스트 데이터를 획득하는 단계를 추가로 포함한다. 테스트 데이터는 트레이닝 기간 이후의 환자의 움직임에 대응하는 테스트 활동기록기 데이터를 포함한다. 방법은 (iv) 테스트 데이터로부터 복수의 특징들을 추출하여 테스트 특징 데이터를 생성하는 단계를 추가로 포함하고, 특징들은 활동, 수면, 일주기성 리듬, 및 멀티프랙탈 역학 중 적어도 하나에 대한 메트릭들에 대응한다. 방법은 (v) 이상 검출기를 이용하여 테스트 특징 데이터를 분석하여 테스트 특징 데이터를 트레이닝 데이터에 비교하는 단계를 추가로 포함한다. 방법은 (vi) 이상 검출기가 테스트 특징 데이터가 트레이닝 활동기록기 데이터에 비교하여 이상일 가능성이 있다고 결정할 때 자가 보고 테스트를 환자에게 시행하여 환자로부터 복수의 입력들을 획득하는 단계를 추가로 포함한다. 방법은 (vii) 환자로부터의 복수의 입력들을 분석하여 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하는 단계를 추가로 포함한다.
환자의 우울증의 재발을 검출 또는 예측하기 위한 시스템이 또한 제공된다. 시스템은 환자의 움직임을 검출하도록 구성된 적어도 하나의 가속도계를 포함하는 웨어러블 디바이스를 포함한다. 웨어러블 디바이스는 환자의 움직임에 대응하는 활동기록기 데이터를 생성하도록 구성된다. 시스템은 또한 웨어러블 디바이스로부터 활동기록기 데이터를 수신하도록 웨어러블 디바이스에 동작가능하게 연결된 컴퓨팅 디바이스를 포함한다. 컴퓨팅 디바이스는 출력을 디스플레이하고 환자로부터 입력을 수신하기 위한 사용자 인터페이스, 및 프로세서 및 프로세서에 의해 실행가능한 명령어들의 세트를 포함하는 비일시적 컴퓨터 판독가능 저장 매체를 포함한다. 명령어들의 세트는: 트레이닝 기간에 걸쳐, 웨어러블 디바이스로부터, 환자의 움직임에 대응하는 트레이닝 활동기록기 데이터를 획득하고 - 트레이닝 기간은 환자가 우울증의 재발의 시작을 경험하지 않은 기간 동안임 -, 트레이닝 활동기록기 데이터를 포함하는 트레이닝 데이터를 이용하여 이상 검출기를 트레이닝하고 - 이상 검출기는 트레이닝 데이터로부터 편차들을 식별하도록 구성됨 -, 트레이닝 기간 이후에, 웨어러블 디바이스로부터, 환자의 움직임에 대응하는 테스트 활동기록기 데이터를 획득하고, 테스트 활동기록기 데이터로부터 복수의 특징들을 추출하여 테스트 특징 데이터를 생성하고 - 특징들은 활동, 수면, 일주기성 리듬, 및 멀티프랙탈 역학 중 적어도 하나에 대한 메트릭들에 대응함 -, 이상 검출기를 이용하여 테스트 특징 데이터를 분석하여 테스트 특징 데이터를 트레이닝 데이터에 비교하고, 사용자 인터페이스가 복수의 자가 보고 조사 질문들을 환자에게 디스플레이하도록 지시하고, 자가 보고 조사 질문들에 응답하여, 사용자 인터페이스를 통해, 환자로부터 복수의 입력들을 수신하고, 환자로부터의 복수의 입력들을 분석하여 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하도록 동작가능하다.
다른 양태에서, 환자의 우울증의 재발을 검출 또는 예측하기 위한 컴퓨터 구현 방법이 제공된다. 방법은 (i) 트레이닝 기간에 걸쳐, 환자에 의해 착용된 웨어러블 디바이스로부터, 환자의 트레이닝 데이터를 획득하는 단계를 포함한다. 트레이닝 데이터는 트레이닝 기간에 걸친 환자의 움직임에 대응하는 트레이닝 활동기록기 데이터를 포함하고, 트레이닝 기간은 환자가 우울증의 재발의 시작을 경험하지 않은 기간 동안이다. 방법은 또한 (ii) 트레이닝 데이터를 이용하여 이상 검출기를 트레이닝하는 단계를 포함하고, 이상 검출기는 트레이닝 데이터로부터 편차들을 식별하도록 구성된다. 방법은 (iii) 테스트 기간 동안, 웨어러블 디바이스로부터, 환자의 테스트 데이터를 획득하는 단계를 추가로 포함한다. 테스트 기간의 적어도 일부분은 트레이닝 기간 이후이다. 테스트 데이터는 트레이닝 기간 이후의 환자의 움직임에 대응하는 테스트 활동기록기 데이터를 포함한다. 방법은 (iv) 테스트 데이터로부터 복수의 특징들을 추출하여 테스트 특징 데이터를 생성하는 단계를 추가로 포함하고, 특징들은 모노프랙탈 패턴들, 멀티프랙탈 역학 및 샘플 엔트로피 중 적어도 하나에 대한 메트릭들에 대응한다. 방법은 (v) 이상 검출기를 이용하여 테스트 특징 데이터를 분석하여 테스트 특징 데이터를 트레이닝 데이터에 비교하여 테스트 특징 데이터 내의 이상을 검출하는 단계, 및 (vi) 자가 보고 테스트 데이터를 분석하여 테스트 특징 데이터에서 이상이 검출될 때 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 결정하는 단계를 추가로 포함하고, 자가 보고 테스트 데이터는 자가 보고 테스트에 응답하여 환자로부터의 복수의 입력들로부터 생성된다.
추가적인 양태에서, 환자의 우울증의 재발을 검출 또는 예측하기 위한 시스템이 제공된다. 시스템은 환자의 움직임을 검출하도록 구성된 적어도 하나의 가속도계를 포함하는 웨어러블 디바이스를 포함하고, 웨어러블 디바이스는 환자의 움직임에 대응하는 활동기록기 데이터를 생성하도록 구성된다. 시스템은 또한 웨어러블 디바이스로부터 활동기록기 데이터를 수신하도록 웨어러블 디바이스에 동작가능하게 연결된 컴퓨팅 디바이스를 포함한다. 컴퓨팅 디바이스는 출력을 디스플레이하고 환자로부터 입력을 수신하기 위한 사용자 인터페이스, 및 프로세서 및 프로세서에 의해 실행가능한 명령어들의 세트를 포함하는 비일시적 컴퓨터 판독가능 저장 매체를 포함한다. 명령어들의 세트는, 트레이닝 기간에 걸쳐, 웨어러블 디바이스로부터, 환자의 움직임에 대응하는 트레이닝 활동기록기 데이터를 획득하고 - 트레이닝 기간은 환자가 우울증의 재발의 시작을 경험하지 않은 기간 동안임 -, 트레이닝 활동기록기 데이터를 포함하는 트레이닝 데이터를 이용하여 이상 검출기를 트레이닝하고 - 이상 검출기는 트레이닝 데이터로부터 편차들을 식별하도록 구성됨 -, 테스트 기간 동안, 웨어러블 디바이스로부터, 환자의 움직임에 대응하는 테스트 활동기록기 데이터를 획득하고 - 테스트 기간의 적어도 일부분은 트레이닝 기간 이후임 -, 테스트 활동기록기 데이터로부터 복수의 특징들을 추출하여 테스트 특징 데이터를 생성하고 - 특징들은 활동 중 적어도 하나, 모노프랙탈 패턴들, 멀티프랙탈 역학 및 샘플 엔트로피 중 적어도 하나에 대한 메트릭들에 대응함 -, 이상 검출기를 이용하여 테스트 특징 데이터를 분석하여 테스트 특징 데이터를 트레이닝 데이터에 비교하여 테스트 특징 데이터 내의 이상을 검출하고, 자가 보고 테스트 데이터를 분석하여 테스트 특징 데이터에서 이상이 검출될 때 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 결정하도록 동작가능하다. 자가 보고 테스트 데이터는 사용자 인터페이스 상에 디스플레이되는 복수의 자가 보고 조사 질문들을 포함하는 자가 보고 테스트에 응답하여 사용자 인터페이스에 의해 환자로부터 수신된 복수의 입력들로부터 생성된다.
본 발명의 이들 및 다른 태양은 도면 및 첨부된 청구범위를 비롯한 본 발명의 하기의 상세한 설명을 읽은 후에 당업자에게 명백해질 것이다.
도 1은 본 출원의 예시적인 실시예에 따른 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 예시적인 시스템을 도시한다.
도 2는 본 출원의 예시적인 실시예에 따른 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 예시적인 방법을 도시한다.
도 3은 본 출원의 예시적인 실시예에 따른 수동적 환자 데이터에 기초하여 우울증의 재발의 시작이 발생할 가능성이 있는지 여부를 결정하도록 트레이닝 데이터로부터 편차들을 식별하기 위해 적어도 하나의 이상 검출기를 트레이닝하기 위한 예시적인 방법을 도시한다.
도 4는 본 출원의 예시적인 실시예에 따른 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 추가로 결정하기 위해 적어도 하나의 자가 보고 테스트를 환자에게 시행하고 자가 보고 테스트(들)의 결과들을 분석하기 위한 예시적인 방법을 도시한다.
도 5는 본 출원의 예시적인 실시예에 따른 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 추가로 결정하기 위해 적어도 하나의 자가 보고 테스트를 환자에게 시행하고 자가 보고 테스트(들)의 결과들을 분석하기 위한 대안적인 예시적인 방법을 도시한다.
도 6은 인코더 및 디코더를 갖는 LSTM 이상 검출기의 예시적인 개략도를 도시한다.
도 7은 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 도 2의 예시적인 방법의 환자에 의해 경험되는 바와 같이, 예시적인 타임라인을 도시한다.
도 8은 본 출원의 예시적인 실시예에 따른 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 다른 시적인 방법을 도시한다.
도 9는 동적 임계치를 이용하여 이상들을 식별하기 위한 예시적인 방법을 도시한다.
도 10a 내지 도 10f는 도 8의 예시적인 방법의 단계들에 따라 분석된 이상 점수들의 시계열의 예를 도시한다.
도 11은 데이터의 샘플 시계열에 걸친 도 8의 예시적인 방법의 구현의 예를 도시한다.
도 12는 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 도 8의 예시적인 방법의 환자에 의해 경험되는 바와 같이, 예시적인 타임라인을 도시한다.
도 13은 실시예 I의 예시적인 실시예에 따라, 우울증의 재발을 경험한 환자에 대해 트레이닝 활동기록기 데이터를 수집하고 후속 활동기록기 데이터를 분석하기 위한 예시적인 타임라인을 도시한다.
도 14는 실시예 II의 예시적인 실시예에 따른 실제 우울증의 시작 전에 일정 범위의 기간에 걸쳐 검출된 진양성 재발 환자들의 비율에 대응하는 실험 데이터를 도시한다.
도 15a는 실시예 III의 예시적인 실시예에 따른 다양한 트리거 비율들에 대해 환자들의 자가 보고 테스트가 시행된 빈도에 대응하는 실험 데이터를 도시하고, 환자 활동기록기 데이터는 자가 보고 테스트가 환자들에게 시행되는 때를 결정하는 데 사용된다.
도 15b는 실시예 III에 따른 다양한 트리거 비율들에 대해 환자들의 자가 보고 테스트가 시행된 빈도에 대응하는 실험 데이터를 도시하고, 자가 보고 테스트는 주 단위로 시행된다.
도 16a는 환자들이 진정되어 우울증의 재발에 가까워지지 않는 시간 프레임 동안 도 15a의 실험 데이터의 서브세트를 도시한다.
도 16b는 환자들이 진정되어 우울증의 재발에 가까워지지 않는 시간 프레임 동안 도 15b의 실험 데이터의 서브세트를 도시한다.
도 17a는 환자들이 우울증의 재발에 가까워지거나 또는 경험하는 시간 프레임 동안 도 15a의 실험 데이터의 서브세트를 도시한다.
도 17b는 환자들이 우울증의 재발에 가까워지거나 또는 경험하는 시간 프레임 동안 도 15b의 실험 데이터의 서브세트를 도시한다.
도 18은 실시예 III의 예시적인 실시예에 따른 환자 활동기록기 데이터 및 자가 보고 테스트를 이용하여 우울증의 재발을 결정하기 위한 예시적인 방법의 성능 메트릭에 대한 실험 데이터를 도시한다.
도 19a는 임상의 방문수 증가의 추이에 대한 재발 대상체들의 수에 대응하는 데이터를 도시하고, 실시예 V에서 분석된 재발 방문의 분포를 입증한다.
도 19b는 임상의 방문수 증가의 추이에 대한 비-재발 대상체들의 수에 대응하는 데이터를 도시하고, 실시예 V에서 분석된 비-재발 방문의 분포를 입증한다.
도 20은 실시예 V의 예시적인 실시예에 따라 평가된 3회의 상이한 임상 방문에 대한 예시적인 타임라인들을 도시한다.
도 2는 본 출원의 예시적인 실시예에 따른 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 예시적인 방법을 도시한다.
도 3은 본 출원의 예시적인 실시예에 따른 수동적 환자 데이터에 기초하여 우울증의 재발의 시작이 발생할 가능성이 있는지 여부를 결정하도록 트레이닝 데이터로부터 편차들을 식별하기 위해 적어도 하나의 이상 검출기를 트레이닝하기 위한 예시적인 방법을 도시한다.
도 4는 본 출원의 예시적인 실시예에 따른 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 추가로 결정하기 위해 적어도 하나의 자가 보고 테스트를 환자에게 시행하고 자가 보고 테스트(들)의 결과들을 분석하기 위한 예시적인 방법을 도시한다.
도 5는 본 출원의 예시적인 실시예에 따른 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 추가로 결정하기 위해 적어도 하나의 자가 보고 테스트를 환자에게 시행하고 자가 보고 테스트(들)의 결과들을 분석하기 위한 대안적인 예시적인 방법을 도시한다.
도 6은 인코더 및 디코더를 갖는 LSTM 이상 검출기의 예시적인 개략도를 도시한다.
도 7은 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 도 2의 예시적인 방법의 환자에 의해 경험되는 바와 같이, 예시적인 타임라인을 도시한다.
도 8은 본 출원의 예시적인 실시예에 따른 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 다른 시적인 방법을 도시한다.
도 9는 동적 임계치를 이용하여 이상들을 식별하기 위한 예시적인 방법을 도시한다.
도 10a 내지 도 10f는 도 8의 예시적인 방법의 단계들에 따라 분석된 이상 점수들의 시계열의 예를 도시한다.
도 11은 데이터의 샘플 시계열에 걸친 도 8의 예시적인 방법의 구현의 예를 도시한다.
도 12는 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 도 8의 예시적인 방법의 환자에 의해 경험되는 바와 같이, 예시적인 타임라인을 도시한다.
도 13은 실시예 I의 예시적인 실시예에 따라, 우울증의 재발을 경험한 환자에 대해 트레이닝 활동기록기 데이터를 수집하고 후속 활동기록기 데이터를 분석하기 위한 예시적인 타임라인을 도시한다.
도 14는 실시예 II의 예시적인 실시예에 따른 실제 우울증의 시작 전에 일정 범위의 기간에 걸쳐 검출된 진양성 재발 환자들의 비율에 대응하는 실험 데이터를 도시한다.
도 15a는 실시예 III의 예시적인 실시예에 따른 다양한 트리거 비율들에 대해 환자들의 자가 보고 테스트가 시행된 빈도에 대응하는 실험 데이터를 도시하고, 환자 활동기록기 데이터는 자가 보고 테스트가 환자들에게 시행되는 때를 결정하는 데 사용된다.
도 15b는 실시예 III에 따른 다양한 트리거 비율들에 대해 환자들의 자가 보고 테스트가 시행된 빈도에 대응하는 실험 데이터를 도시하고, 자가 보고 테스트는 주 단위로 시행된다.
도 16a는 환자들이 진정되어 우울증의 재발에 가까워지지 않는 시간 프레임 동안 도 15a의 실험 데이터의 서브세트를 도시한다.
도 16b는 환자들이 진정되어 우울증의 재발에 가까워지지 않는 시간 프레임 동안 도 15b의 실험 데이터의 서브세트를 도시한다.
도 17a는 환자들이 우울증의 재발에 가까워지거나 또는 경험하는 시간 프레임 동안 도 15a의 실험 데이터의 서브세트를 도시한다.
도 17b는 환자들이 우울증의 재발에 가까워지거나 또는 경험하는 시간 프레임 동안 도 15b의 실험 데이터의 서브세트를 도시한다.
도 18은 실시예 III의 예시적인 실시예에 따른 환자 활동기록기 데이터 및 자가 보고 테스트를 이용하여 우울증의 재발을 결정하기 위한 예시적인 방법의 성능 메트릭에 대한 실험 데이터를 도시한다.
도 19a는 임상의 방문수 증가의 추이에 대한 재발 대상체들의 수에 대응하는 데이터를 도시하고, 실시예 V에서 분석된 재발 방문의 분포를 입증한다.
도 19b는 임상의 방문수 증가의 추이에 대한 비-재발 대상체들의 수에 대응하는 데이터를 도시하고, 실시예 V에서 분석된 비-재발 방문의 분포를 입증한다.
도 20은 실시예 V의 예시적인 실시예에 따라 평가된 3회의 상이한 임상 방문에 대한 예시적인 타임라인들을 도시한다.
용어 "활동기록기"는 본 명세서에 사용된 바와 같이 일정 기간에 걸쳐 환자의 움직임 및/또는 활동들을 측정하기 위한 방법을 지칭하고, 환자의 운동 활동, 수면 또는 일주기성 리듬에 대응할 수 있다.
용어 "재발(return)" 또는 "재발된(returned)"은 본 명세서에 사용된 바와 같이 우울증의 개선 및/또는 완화 이후에 동일한 우울증 에피소드 내에서 재발하는 증상을 갖거나 또는 새로운 우울증 에피소드로서 증상들의 재발을 지칭한다. 용어 "재발"은 우울증의 재발 및 재발병 둘 모두를 포함한다.
용어 "재발(relapse)" 또는 "재발된(relapsed)"은 본 명세서에 사용된 바와 같이 우울증의 개선 및/또는 완화 이후 동일한 우울증 에피소드 내에서 재발하는 증상들을 갖는 것을 지칭한다. 동일한 우울증 에피소드는 사전결정된 기간 내(예컨대, 치료 요법을 개시한 첫 6개월 내)에 우울증 증상들의 재발병일 수 있다. 특히, 재발된 증상들은, 예를 들어, DSM-5(Statistical Manual of Mental Disorders)에 정의된 임상적 기준과 같은, 우울증에 대한 임상적 진단 기준을 충족하는 것들일 수 있다. 많은 상이한 임상 테스트들이 있는데, 특히, 환자의 우울증의 재발을 식별하는 데 사용될 수 있는, 임상의에 의해 시행 및 평가되는 임상 테스트들이 있다. 일 예에서, MDD의 재발은 임상의가 MADRS(Montgomery-Åsberg Depression Rating Scale)를 이용하여 환자를 검사함으로써 식별될 수 있고, 이는 아래 추가적으로 논의된다.
용어 "재발병"은 본 명세서에 사용된 바와 같이 우울증의 개선 및/또는 완화 이후에 새로운 우울증 에피소드로서 재발하는 증상들을 갖는 것을 지칭한다. 사전결정된 기간 이후(예컨대, 치료 요법을 개시한 첫 6개월 이후)의 우울 증상들의 재발. 우울증의 새로운 재발 에피소드로서 재발된 증상들은, 예를 들어, DSM-5(Statistical Manual of Mental Disorders)에 정의된 임상적 기준과 같은, 우울증에 대한 임상적 진단 기준을 충족하는 것들일 수 있다.
용어 "항우울제"는 본 명세서에 사용된 바와 같이 우울증을 치료하는 데 사용될 수 있는 임의의 약제를 지칭한다. 적합한 예에는, 제한 없이, 모노-아민 옥시다제 억제제, 삼환계 화합물, 세로토닌 재흡수 억제제, 세로토닌 노르아드레날린성 재흡수 억제제, 노르아드레날린성 및 특이적 세로토닌성 작용제, 또는 비정형 항정신병제가 포함된다. 다른 예에는 모노-아민 옥시다제 억제제, 예컨대 페넬진, 트라닐시프로민, 모클로베미드 등; 삼환계 화합물, 예컨대 이미프라민, 아미트립틸린, 데시프라민, 노르트립틸린, 독세핀, 프로트립틸린, 트리미프라민, 클로미프라민, 아목사핀 등; 사환계 화합물, 예컨대 마프로틸린 등; 비환식 화합물, 예컨대 노미펜신 등; 트라이아졸로피리딘, 예컨대 트라조돈 등; 세로토닌 재흡수 억제제, 예컨대 플루옥세틴, 세르트랄린, 파록세틴, 시탈로프람, 시탈로프람, 에스시탈로프람, 플루복사민 등; 세로토닌 수용체 길항제, 예컨대 네파자돈 등; 세로토닌 노르아드레날린성 재흡수 억제제, 예컨대 벤라팍신, 밀나시프란, 데스벤라팍신, 둘록세틴, 레보밀나시프란 등; 노르아드레날린성 및 특이적 세로토닌성 작용제, 예컨대 미르타자핀 등; 노르아드레날린 재흡수 억제제, 예컨대 레복세틴, 에디복세틴 등; 비정형 항정신병제, 예컨대 부프로피온 등; 천연 제품, 예컨대 카바-카바, 세인트 존스 워트 등; 식이 보충제, 예컨대 s-아데노실메티오닌 등; 및 신경펩티드, 예컨대 갑상선 자극 호르몬-방출 호르몬 등; 신경펩티드 수용체를 표적으로 하는 화합물, 예컨대 뉴로키닌 수용체 길항제 등; 및 호르몬, 예컨대 트라이요오도티로닌 등이 포함되지만 이로 한정되지 않는다. 일부 실시 형태에서, 항우울제는 이미프라민, 아미트립틸린, 데시프라민, 노르트립틸린, 독세핀, 프로트립틸린, 트리미프라민, 마프로틸린, 아목사핀, 트라조돈, 부프로피온, 클로미프라민, 플루옥세틴, 둘록세틴, 에스시탈로프람, 시탈로프람, 세르트랄린, 파록세틴, 플루복사민, 네파자돈, 벤라팍신, 밀나시프란, 레복세틴, 미르타자핀, 페넬진, 트라닐시프로민, 모클로베미드, 카바-카바, 세인트 존스 워트, s-아데노실메티오닌, 갑상선 자극 호르몬 방출 호르몬, 뉴로키닌 수용체 길항제, 또는 트라이요오도티로닌이다. 바람직하게는, 항우울제는 플루옥세틴, 이미프라민, 부프로피온, 벤라팍신 및 세르탈린으로 이루어진 군으로부터 선택된다.
항우울제(예를 들어, 모노아민 옥시다제 억제제, 삼환계 화합물, 세로토닌 재흡수 억제제, 세로토닌 노르아드레날린성 재흡수 억제제, 노르아드레날린성 및 특이적 세로토닌성 작용제, 노르아드레날린 재흡수 억제제, 천연 제품, 식이 보충제, 신경펩티드, 신경펩티드 수용체를 표적으로 하는 화합물, 호르몬 및 본 명세서에 개시된 다른 약제학적 작용제)에 대한 치료적 유효량/투여량 수준 및 투여 계획은 당업자에 의해 용이하게 결정될 수 있다. 예를 들어, 판매용으로 승인된 약제학적 작용제에 대한 치료적 투여량 및 계획은 공개적으로 입수가능하며, 예를 들어 패키징 라벨(packaging label) 상에, 표준 투여량 가이드라인에, 표준 투여량 참고 문헌, 예컨대 문헌[Physician's Desk Reference (Medical Economics Company or online at http:///www.pdrel.com)] 또는 다른 출처에 열거된 바와 같다.
본 출원은 환자로부터의 수동적 환자 데이터, 및 컴퓨터 구현 방법에서의 자가 보고 테스트들에 대응하는 데이터를 이용하여, 환자들의 우울증의 재발을 검출 및/또는 예측하기 위한 시스템들 및 방법들에 관한 것이다. 수동적 환자 데이터는 환자의 일상 활동들 동안 수동적으로 수집될 수 있는 임의의 적합한 유형의 데이터를 포함할 수 있다. 특히, 수동적 환자 데이터는 환자가 능동적으로 센서 및/또는 디바이스를 이용하지 않고(예컨대, 환자가 지속적으로 센서 및/또는 디바이스를 모니터링하고 수동으로 입력을 제공하지 않고) 수집될 수 있다. 예를 들어, 수동적 환자 데이터는 환자의 신체적 행동들에 대응하는 수동적으로 수집된 데이터 및/또는 환자의 전자 디바이스 사용에 대응하는 데이터를 포함할 수 있다. 일 실시예에서, 본 출원의 우울증의 재발을 검출 및/또는 예측하기 위한 시스템들 및 방법들은 활동기록기 데이터를 포함하는 수동적 환자 데이터를 이용할 수 있다.
본 출원의 시스템들 및 방법들은 MDD를 앓는 환자들, 특히, MDD에 대한 치료를 받고, 그 증상들이 완화된 환자들에 사용될 수 있다. 치료는 정신요법, 뇌 자극 요법, 및/또는 항우울제 투여를 포함할 수 있다. 구체적으로, 환자들은 MDD가 있는 비-치료-내성 환자들, 예컨대, MDD가 있고 치료를 받아왔고 이에 반응해왔고, 계속해서 치료에 반응하고 치료를 받는 환자들일 수 있다. 환자들은 치료를 받아왔고 이에 반응해왔고 치료 하에서 정상으로 돌아온 환자들일 수 있다. 특히, 본 출원은 항우울제 치료 요법에 반응해왔고, 계속해서 이에 반응하며 받고 있는 환자들의 MDD의 증상들의 재발을 검출 및/또는 예측하기 위한 시스템들 및 방법들에 관한 것이다. 또한, 본 출원의 시스템 및 방법들은 증상들이 완화되었지만 우울증의 증상들이 재발하는 이전 에피소드들의 이력을 갖는, MDD에 대한 치료를 받고 있는 환자들에 사용될 수 있다. 본 명세서에 기재된 예시적인 실시예들은 우울증의 재발을 지칭하지만, 본 출원은 새로운 우울증 에피소드로서 증상들의 재발을 지칭될 수 있는, 우울증의 재발병을 포함하는 임의의 유형의 우울증 증상들의 재발을 검출 및/또는 예측하는 데 사용될 수 있다는 것이 고려된다.
도 1은 수동적 환자 데이터, 및 옵션적으로, 신체적 행동의 자가 보고 특성들에 대응하는 데이터(예컨대, 활동 또는 수면 적절성의 환자의 자체 평가)를 이용하여 우울증의 재발을 검출 및/또는 예측하기 위한 시스템(100)의 예시적인 실시예를 도시한다. 시스템(100)은 환자의 신체적 행동들(예컨대, 신체적 활동, 수면, 이동성 등)에 대응하는 데이터를 수동적으로 검출 및 생성하기 위한 디바이스(200) 및 디바이스(200)로부터 데이터를 수신하고 데이터를 분석하여 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하기 위한 컴퓨팅 디바이스(300)를 포함한다. 일 실시예에서, 디바이스(200)는 환자의 활동기록기 데이터 및/또는 이동성 데이터를 검출 및 생성한다. 활동기록기 데이터는 시간 경과에 따른 환자의 움직임들에 대응한다. 이동성 데이터는 시간 경과에 따른 환자에 의한, 예를 들어, 이동성 트레이스들과 같은 이동의 패턴들에 대응한다. 디바이스(200)는 바람직하게는 환자의 신체 상에 착용가능하기에 적절한 크기 및 형상을 갖는다. 예를 들어, 웨어러블 디바이스(200)는 하루 종일 환자의 신체 상에 착용하기 위해 환자에게 부착가능한 웨어러블 클립의 형태일 수 있다. 다른 실시예에서, 디바이스(200)는 디바이스(200)가 동작 구성에 있을 때, 환자의 손목에 디바이스(200)를 부착하기 위한 웨어러블 밴드(250)(예컨대, 워치 밴드)에 부착된다.
도 1에 도시된 바와 같이, 디바이스(200)는 프로세서(202), 컴퓨터 액세스가능 매체(204), 적어도 하나의 센서(206) 및 입력/출력 디바이스(208)를 포함한다. 센서들(206)은 환자의 움직임들을 검출하기 위한 활동기록기 센서(들) 및/또는 환자의 이동 패턴들을 검출하기 위한 이동성 센서(들)를 포함할 수 있다. 활동기록기 센서는 환자의 움직임들을 검출하기 위한 임의의 적합한 센서일 수 있다. 예를 들어, 활동기록기 센서는 디바이스(200)가 동작 구성에서 환자에 의해 착용될 때 환자의 움직임을 검출하기 위한 가속도계일 수 있다. 이동성 센서는 환자의 이동 패턴들을 검출하기 위한 임의의 적합한 센서일 수 있다. 예를 들어, 이동성 센서는 디바이스(200)가 동작 구성에서 환자에 의해 착용될 때 환자의 위치를 검출하기 위한 글로벌 포지셔닝 시스템(Global Positioning System, GPS) 디바이스일 수 있다.
센서(들)(206)는 센서(들)(206)에 의해 생성된 데이터를 프로세서(202)에 제공하기 위해 프로세서(202)에 동작가능하게 연결된다. 프로세서(202)는 센서(들)(206)로부터 데이터를 수신하여, 예를 들어, 환자의 활동기록기 데이터 및/또는 이동성 데이터와 같은 환자의 신체적 행동들에 대응하는 데이터를 생성한다. 프로세서(202)는, 예컨대, 하나 이상의 마이크로프로세서들을 포함하고, 컴퓨터-액세스가능 매체(204)(예컨대, 메모리 저장 디바이스) 상에 저장된 명령어들을 사용할 수 있다. 컴퓨터 액세스가능 매체(204)는 예컨대 실행가능한 명령어를 내부에 포함하는 비-일시적 컴퓨터 액세스가능 매체일 수 있다. 시스템(100)은 활동기록기 데이터 및/또는 이동성 데이터를 내부에 저장하기 위한 컴퓨터 액세스가능 매체(204)와는 별도로 제공되는 메모리 저장 디바이스(210)를 추가로 포함할 수 있다. 입력/출력 디바이스(208)는 활동기록기 디바이스(200)에서 데이터 또는 명령어들을 수신 및/또는 전송하는데 적합한 임의의 디바이스이다. 특히, 입력/출력 디바이스(208)는 디바이스(200)에서 명령어들을 수신 및/또는 데이터를 전송하기 위한 송수신기일 수 있다.
디바이스(200)는 디바이스(200)에 의해 수집된 데이터의 일부 또는 전부를 컴퓨팅 디바이스(300)에 전달하거나, 또는 컴퓨팅 디바이스(300)가 디바이스(200)로부터 데이터의 일부 또는 전부를 검색하도록 하기 위해 컴퓨팅 디바이스(300)에 동작가능하게 연결된다. 도 1에 도시된 바와 같이, 디바이스(200)는 통신 네트워크(110)(예컨대, 인터넷, Wi-Fi., 광역 네트워크, 로컬 영역 네트워크, 셀룰러 네트워크, 개인 영역 네트워크 등)를 통해 컴퓨팅 디바이스(300)에 동작가능하게 연결될 수 있다. 특히, 입력/출력 디바이스(208)는 통신 네트워크(110)로부터 명령어들을 수신하거나 또는 이를 통해 데이터를 전송하도록 통신 네트워크(110)에 동작가능하게 연결된다. 특정 실시예에서, 통신 네트워크(110)는 무선 네트워크이고, 더 구체적으로는, 디바이스들을 환자에 인근 근접하게 연결하기 위해 제한된 범위를 갖는 개인 영역 네트워크(예컨대, Bluetooth®)와 같은, 단거리 무선 네트워크이다. 그러나, 디바이스(200)는, 유선 연결을 통해, 컴퓨팅 디바이스(300)에 직접 연결가능하다는 것이 또한 고려된다.
컴퓨팅 디바이스(300)는 이 실시예에서 프로세서(302), 컴퓨터 액세스가능 매체(304), 컴퓨팅 디바이스(300)에서 데이터 또는 명령어들을 수신 및/또는 전송하기 위한 입력/출력 디바이스(306)를 포함한다. 프로세서(302)는, 예컨대, 하나 이상의 마이크로프로세서들을 포함하고, 컴퓨터-액세스가능 매체(304)(예컨대, 메모리 저장 디바이스) 상에 저장된 명령어들을 사용할 수 있다. 컴퓨터 액세스가능 매체(304)는 예컨대 실행가능한 명령어를 내부에 포함하는 비-일시적 컴퓨터 액세스가능 매체일 수 있다. 입력/출력 디바이스(306)는 통신 네트워크(110)로부터 명령어들을 수신하거나 또는 이를 통해 데이터를 전송하도록 통신 네트워크(110)에 동작가능하게 연결될 수 있다. 컴퓨팅 디바이스(300)는 또한 사용자로부터 입력을 획득하고 사용자에게 출력을 표시하기 위한 사용자 인터페이스(308)(예컨대, 터치스크린)를 포함할 수 있다. 사용자 인터페이스(308)는 또한 환자에게 출력을 표시하고 환자로부터 입력을 획득하기 위한, 예를 들어, 디스플레이 및 키보드와 같은 2개의 별도의 컴포넌트일 수 있다는 것이 고려된다. 사용자 인터페이스(308)는, 아래 더 논의되는 바와 같이, 사용자 인터페이스 상에 출력을 생성하고 환자로부터 획득된 입력들에 대응하는 데이터를 프로세서(302)에 제공하기 위한 명령어들을 제공하도록 프로세서(302)에 동작가능하게 연결된다. 컴퓨팅 디바이스(300)는 과거 활동기록기 데이터, 과거 이동성 데이터, 환자로부터의 과거 입력들, 의료 데이터, 약학 데이터를 저장하기 위한 메모리 저장 디바이스(310) 및/또는 우울증의 재발의 시작의 가능성을 결정하기 위한 적어도 하나의 이상 검출기를 추가로 포함할 수 있고, 적어도 하나의 이상 검출기는 컴퓨팅 디바이스(300)에 의해 생성 및/또는 트레이닝된다. 컴퓨팅 디바이스(300)는, 예를 들어, 모바일 컴퓨팅 디바이스, 스마트폰, 컴퓨팅 태블릿, 컴퓨팅 디바이스 등일 수 있다.
일부 실시예들에서, 컴퓨팅 디바이스(300)는 또한 수동적 환자 데이터, 특히, 환자의 전자 디바이스 사용에 대응하는 데이터를 추가적으로 수집하도록 구성된다. 구체적으로, 컴퓨팅 디바이스(300)는 환자가 또한 하루하루 활동들에서 사용하는 모바일 폰 또는 컴퓨팅 태블릿이다. 예를 들어, 환자는 웹-브라우징, 소셜 미디어 사용, 문자, 게임, 통화와 같은 활동들 및 환자가 통상적으로 개인용 전자 디바이스를 이용할 수 있는 다른 활동들에 컴퓨팅 디바이스(300)를 사용할 수 있다. 컴퓨팅 디바이스(300)는 환자의 활동들 동안 컴퓨팅 디바이스(300)의 사용을 추적하고, 예를 들어, 키보드 사용 활동, 키스트로크 역학, 텍스트 컨텍스트 등과 같은 컴퓨팅 디바이스(300)의 사용에 대응하는 데이터를 생성하도록 구성될 수 있다. 이 실시예에서, 시스템(100)은 디바이스(200) 및 컴퓨팅 디바이스(300) 둘 모두를 이용하여 수동적 환자 데이터를 수집할 수 있다. 대안적인 실시예에서, 시스템(100)은 컴퓨팅 디바이스(300)로부터의 수동적 환자 데이터, 구체적으로, 환자의 전자 디바이스 사용에 대응하는 데이터를 수집하고 분석하여 디바이스(200)를 시스템(100)으로부터 배제한다.
도 2는 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 예시적인 방법(400)을 도시한다. 예시적인 방법(400)은 수동적 환자 데이터 및 자가 보고 테스트(들)의 시행 둘 모두를 이용하여 환자의 우울증의 재발의 시작의 가능성을 결정한다. 수동적 환자 데이터는 우울증의 재발의 시작의 가능성에 대응하는 객관적이고 정량화가능한 측정을 제공한다. 방법(400)의 이 부분은 수동적 환자 데이터가 환자는 우울증의 증상들을 발전시킨 것으로 알려 지지 않은 때의 시기 동안 환자로부터 이전에 수집된 수동적 환자 데이터에 비교하여 이상인지 결정하기 위해 환자를 스크리닝하는 객관적인 트리거 단계를 제공한다. 방법(400)이 수동적 환자 데이터에서 이상을 검출하는 경우, 환자는 우울증의 재발의 위험이 더 높을 수 있다. 수동적 환자 데이터가 환자가 위험할 수 있다고 시사하는 경우, 추가적인 데이터가 방법(400)의 확인 단계에서 수집되어 더 정확하게 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정할 수 있다. 특히, 확인 단계는 정량적 스케일(들)에 따라 수행되고, 그럼으로써 우울증의 재발의 시작의 가능성에 대응하는 추가적인 정량화가능한 측정을 제공하는 자가 보고 테스트(들)를 포함할 수 있다.
예시적인 방법(400)은 환자의 자신의 이력 데이터(n = 1, 여기서 n은 샘플링된 개인들의 총수임)에 기초하여 이상 검출기를 트레이닝하는 적어도 하나의 머신 러닝 이상 검출기를 이용한다. 따라서, 트레이닝된 이상 검출기는 각각의 개별 환자에 개인화된다. 예시적인 방법(400)은, 아래 설명된 바와 같이, 환자로부터 트레이닝 데이터를 수집하고 계속해서 반복적으로 환자가 우울증이 재발된 것으로 알려지지 않은 때 테스트 데이터를 획득하고 분석한다. 예시적인 방법(400)은 연속적으로 반복될 수 있거나 또는 원하는 빈도로, 예컨대, 매일, 매주, 격주 등으로 반복될 수 있고, 따라서, 환자들이 재발이 이미 발생했음을 알게 된 이후에만 자가 보고하고 의학적 관심을 구하는 것에 비교하여 규칙적인 모니터링 및/또는 우울증의 재발의 조기 검출 / 예측을 가능하게 한다.
환자의 우울증 재발은 정신건강 서비스 제공자(예컨대, 정신과의사, 의사, 심리학자, 또는 요법사)에 의해 시행되거나 또는 환자에 의해 자가 시행되는 하나 이상의 테스트들을 이용하여 식별될 수 있다. 이 예시적인 실시예에서, 컴퓨팅 디바이스(300)는, 예를 들어, EMR(Electronic Medical Records), 및/또는 환자의 약물처치 기록에 대응하는 약학 데이터와 같은 환자의 의료 기록들에 대응하는 의료 데이터를 수신할 수 있고, 컴퓨팅 디바이스(300)는 의료 데이터 및/또는 약학 데이터를 분석하여 환자가 우울증이 재발했는지 여부를 결정할 수 있다. 컴퓨팅 디바이스(300)가 의료 데이터 및/또는 약학 데이터로부터 환자가 재발했다고 결정하는 경우, 예시적인 방법(400)은 종료된다. 그러나, 예시적인 방법(400)은 정신건강 서비스 제공자로부터의 컴퓨팅 디바이스(300)에 대한 수동 입력에 의해, 또는 컴퓨팅 디바이스(300)에 의해 의료 데이터 및/또는 약학 데이터로부터환자가 우울증이 완화되었다고 검출 시, 재시작될 수 있다고 고려된다.
일 예시적인 실시예에서, 컴퓨팅 디바이스(300)는 의료 데이터 및/또는 약학 데이터를 분석하고, 의료 데이터 및/또는 약학 데이터가 환자가 (1) 정신건강 서비스 제공자에 의해 우울증이 재발된 것으로 진단받았거나, (2) 심각한 우울증 증상(예컨대, 우울증의 악화로 인한 입원, 의도적인 자살 생각, 또는 자살 행동)을 경험했거나, 또는 (3) 정량적 테스트에서 사전결정된 임계치를 넘는 점수를 받고 검증된 것에 대응하는 데이터를 포함할 때 우울증의 재발이 발생했다고 결정할 수 있으며, 이는 아래 더 논의되는 바와 같다. 특히, 정량적 테스트는 환자가 우울증이 재발했는지 여부를 결정하기 위한 환자의 정신건강 서비스 제공자에 의한 MADRS 상의 평가일 수 있다. MADRS는 우울증 중증도를 측정하고 항우울제 치료로 인한 변화를 검출한다. 테스트는 10개의 항목으로 이루어져 있으며, 이들의 각각은 0(항목이 존재하지 않거나 또는 정상)부터 6(증상이 중증이거나 또는 연속적으로 존재함)까지 점수화되며, 가능한 총 점수는 60이다. 더 높은 점수는 더 심한 상태를 나타낸다. MADRS는 명백한 슬픔, 보고된 슬픔, 내면 긴장, 수면, 식욕, 집중력, 무기력, 관심도, 비관적인 생각, 및 자살에 대한 생각을 평가한다.
컴퓨팅 디바이스(300)는 의료 데이터 및/또는 약학 데이터가 MADRS 총 점수 ≥ 22를 갖는 환자에 대응하는 데이터를 포함하고, 후속 검증에 대응하는 데이터를 포함할 때, 환자가 재발했다고 결정한다. 후속 검증에 대응하는 데이터는 (1) 환자가 MADRS 총 점수 ≥ 22인 것으로 관찰된 때로부터 특정 기간 이내(예컨대, 14일 이내)의 치료 요법의 변화(예컨대, 약물의 유형, 약물의 투여량, 또는 약물의 빈도의 변화), 또는 (2) 우울증의 악화를 나타내는 별도의 테스트에 대응하는 데이터를 포함할 수 있다. 별도의 테스트에 대응하는 데이터는 정신건강 서비스 제공자에 의해 등급이 메겨진 바와 같은, 상이한 정량적 스케일 상의 적어도 사전결정된 임계량의 증가에 대응하는 데이터를 포함할 수 있다. 예를 들어, 별도의 테스트는 평가의 시점에 환자의 질환의 중증도를 등급 매기기 위한 스케일인, CGI-S(Clinical Global Impression - Severity) 스케일을 이용한 환자의 정신건강 서비스 제공자에 의한, 동일한 진단 및 치료를 통한 개선을 갖는 환자들과의 정신건강 서비스 제공자의 과거 경험에 대한 평가일 수 있다. 전체 임상 경험을 고려하여, 환자는 다음에 따른 정신 질환의 중증도에 기초하여 CGI-S 스케일 상에서 평가된다: 0 = 평가 안됨; 1 = 정상(전혀 병든 상태가 아님); 2 = 경계성의 정신적으로 병든 상태; 3 = 경도로 병든 상태; 4 = 중정도로 병든 상태; 5 = 현저하게 병든 상태; 6 = 중도로 병든 상태; 7 = 가장 극심하게 병든 상태의 환자. 컴퓨팅 디바이스(300)는 후속 검증이 의료 데이터가 환자가 기준선으로부터 2점 이상 CGI-S 점수의 증가를 갖는 것으로 평가된 정신건강 서비스 제공자에 대한 추적 방문에 대응하는 데이터를 포함할 때 발생했다고 결정한다.
단계(402)에서, 수동적 환자 데이터는 사전결정된 트레이닝 기간에 걸쳐 디바이스(200) 및/또는 컴퓨팅 디바이스(300)에 의해 수집되어 트레이닝 데이터를 생성한다. 트레이닝 데이터는 트레이닝 기간에 걸친 환자의 신체적 행동들에 대응하는 데이터 및/또는 트레이닝 기간에 걸친 환자의 전자 디바이스 사용에 대응하는 데이터를 포함할 수 있다. 일 실시예에서, 트레이닝 데이터는 트레이닝 활동기록기 데이터 및/또는 트레이닝 이동성 데이터를 포함한다. 구체적으로, 디바이스(200)는 환자에 의해 착용되어 사전결정된 트레이닝 기간에 걸쳐 환자의 움직임을 검출하고 트레이닝 활동기록기 데이터를 생성할 수 있다. 트레이닝 활동기록기 데이터는 트레이닝 기간 내의 운동 활동 및/또는 수면 동안 환자의 움직임들에 대응한다. 유사하게, 디바이스(200)는 환자에 의해 착용되어 사전결정된 트레이닝 기간에 걸쳐 환자의 이동 패턴들을 검출하고 트레이닝 이동성 데이터의 세트를 생성할 수 있다.
디바이스(200)는 환자에 의해 연속적으로 또는 실질적으로 연속적으로 착용될 수 있다. 예를 들어, 디바이스(200)는 실질적으로 연속적으로 착용되어 디바이스는 환자가 적합하지 않을 수 있는 활동들에 참여하도록 하거나 또는, 예를 들어, 샤워, 운동, 및/또는 청소 중일 때와 같이 환자가 디바이스(200)를 착용하지 않도록 짧은 기간에만 환자로부터 제거된다. 다른 실시예들에서, 디바이스(200)는 환자에 의해 매일 착용될 수 있다. 특히, 디바이스(200)는 환자가 깨어있는 대부분의 시간(예컨대, 시간의 적어도 95%, 적어도 90%, 적어도 80%, 적어도 70%, 또는 적어도 60%) 동안 및/또는 환자가 잠에 빠지거나 또는 잠든 동안 환자에 의해 매일 착용될 수 있다. 사전결정된 트레이닝 기간은 우울증의 재발의 시작의 가능성을 결정하기 위해 적어도 하나의 이상 검출기를 트레이닝하기 위한 트레이닝 활동기록기 데이터의 세트에 적합한 임의의 기간일 수 있다. 예를 들어, 트레이닝 기간은 1 개월 이상, 또는 3 개월 이상, 또는 6 개월 이상일 수 있다. 일 실시예에서, 트레이닝 기간은 3 개월이다.
트레이닝 활동기록기 데이터 및/또는 트레이닝 이동성 데이터는, 트레이닝 활동기록기 데이터 및/또는 트레이닝 이동성 데이터의 전부 또는 일부를 컴퓨팅 디바이스(300)에 전송하기 위해 컴퓨팅 디바이스(300)에 동작가능하게 연결될 때까지, 디바이스(200)의 메모리 저장 디바이스(210)에 저장될 수 있다. 구체적으로, 트레이닝 활동기록기 데이터 및/또는 트레이닝 이동성 데이터의 전부 또는 일부는 디바이스(200)로부터 입력/출력 디바이스(208)를 통해 전송될 수 있고 컴퓨팅 디바이스(300)에 의해 입력/출력 디바이스(306)를 통해 수신될 수 있다. 대안적인 실시예에서, 트레이닝 활동기록기 데이터 및/또는 트레이닝 이동성 데이터는 활동기록기 데이터 및/또는 이동성 데이터가 디바이스(200)에 의해 수집됨에 따라 디바이스(200)로부터 컴퓨팅 디바이스(300)로 연속적으로 전송된다. 더 구체적으로는, 활동기록기 데이터 및/또는 이동성 데이터는 활동기록기 데이터 및/또는 이동성 데이터가 디바이스(200)에 의해 수집됨에 따라 실시간 또는 실질적으로 실시간으로 디바이스(200)에서 컴퓨팅 디바이스(300)로 무선으로 전송된다.
일부 실시예들에서, 트레이닝 데이터는 사전결정된 트레이닝 기간 동안 획득된 트레이닝 자가 보고 데이터에 대응하는 데이터를 추가로 포함할 수 있다. 트레이닝 자가 보고 데이터는 트레이닝 기간에 걸쳐 환자에 의해 컴퓨팅 디바이스(300)에 입력되는 바와 같은, 신체적 행동의 자가 보고 특성들에 대응한다. 예를 들어, 프로세서(302)는 사용자 인터페이스(308)에게 환자로부터 응답을 촉구하는 복수의 질문들을 디스플레이하도록 지시하고, 질문들에 응답하여 사용자 인터페이스(308)를 통해 사용자로부터 복수의 입력들을 수신한다. 복수의 질문들은 신체적 행동의 특성들의 자가 보고 평가(예컨대, 활동, 수면 적절성, 수면 질의 환자의 자체 평가)를 형성할 수 있다. 더 구체적으로는, 자가 보고 평가는 디바이스(200) 또는 컴퓨팅 디바이스(300)에 의해 수동적으로 측정될 수 없는 신체적 행동의 특성들에 관한 질문들을 포함한다. 예를 들어, 자가 보고 평가는 휴식 및/또는 수면의 환자의 인식에 관한 질문들을 포함한다. 일 예에서, 자가 보고 평가는 MOS-S(Medical Outcome Study Sleep) 스케일 평가로부터의 질문들 중 일부 또는 전부를 포함할 수 있다. 바람직하게는, 자가 보고 평가는 사용자 인터페이스(308)를 이용한 능동적 참여(예컨대, 질문에 대답하기)를 위해 환자의 부담을 최소화하도록 제한된 수의 질문들을 포함한다. 예를 들어, 자가 보고 평가는 12개 이하의 질문들, 10개 이하의 질문들, 5개 이하의 질문들, 또는 3개 이하의 질문들을 포함할 수 있다. 일 실시예에서, 자가 보고 평가는 2개의 질문을 포함한다. 예를 들어, 자가 보고 평가는 환자에게 수면의 인식에 대한 정량적 평가를 제공하도록 묻는 2가지 질문을 포함한다, 예를 들어: (1) 쉬었다고 느끼십니까; 및 (2) 충분한 수면을 취했다고 느끼십니까. 자가 보고 평가는 사전결정된 트레이닝 기간 동안 임의의 원하는 시간 간격(예컨대, 매일, 격일, 매주 등)에서 반복될 수 있고 트레이닝 기간 동안 획득된 입력들은 트레이닝 자가 보고 데이터를 생성하는 데 사용된다.
단계(402)에서 획득된 트레이닝 데이터는 우울증의 재발의 시작의 가능성을 결정하기 위한 적어도 하나의 이상 검출기를 트레이닝하는 데 사용된다. 이상 검출기(들)는 트레이닝 데이터로부터 편차들을 식별하도록 구성된 머신 러닝 이상 검출기(들)를 포함하고, 이는 단계(408)에 관련하여 아래 추가로 논의된다. 도 3은 단계(402)에서 획득된 트레이닝 데이터를 이용하여 우울증의 재발의 시작의 가능성을 결정하기 위해 적어도 하나의 이상 검출기를 트레이닝하기 위한 방법(500)의 예시적인 실시예를 도시한다. 일 예시적인 실시예에서, 트레이닝 데이터는 컴퓨팅 디바이스(300)로 전송되어 컴퓨팅 디바이스(300)에 의해 예시적인 방법(500)으로 사용되어 우울증의 재발의 시작의 가능성을 결정하기 위해 적어도 하나의 이상 검출기를 트레이닝할 수 있다.
단계(502)에서, 컴퓨팅 디바이스(300), 특히, 프로세서(302)는 단계(402)에서의 트레이닝 데이터를 분석하고 이로부터 복수의 특징들을 추출하여 트레이닝 특징 데이터를 생성한다. 일 실시예에서, 프로세서(302)는 단계(402)에서 디바이스(300)로부터 획득된 미가공 데이터를 분석하고 미가공 데이터로부터 복수의 특징들을 추출한다. 예를 들어, 미가공 데이터는 디바이스(200)로부터 획득된 미가공 가속도계 데이터일 수 있다. 일 예시적인 실시예에서, 프로세서(302)는 단계(402)에서의 트레이닝 데이터를 분석하여 복수의 특징들을 추출하여 트레이닝 특징 데이터를 생성한다. 특징들은 환자의 활동기록기, 이동성 및/또는 사회적 활동에 대응할 수 있다. 예를 들어, 특징들은 수면 변화, 집중력 감소, 활동들의 관심 또는 흥미 감소 및/또는 우울한 기분 및 피로 또는 에너지 손실 중 적어도 하나에 대한 메트릭들, 예컨대, 수면 지속시간, 수면 시작, 수면 종료, 수면 교란, 부동 시간, 전화기 잠금해제 지속시간, 특정 위치들에 있는 동안 전화기 잠금해제 지속시간, 대화 지속시간, 방문한 위치들의 수, 특정 위치들에서 소비된 시간, 심박수, 프랙탈 활동 패턴들, 활동 데이터의 모노프랙탈 패턴들 또는 멀티프랙탈 역학, 활동 데이터의 전부 또는 일부의 엔트로피, 그 중에서도, 전체적으로 본 명세서에 참조로서 포함된, 왕(Wang) 등, "Tracking Depression Dynamics in College Students Using Mobile Phone and Wearable Sensing," Proceedings of the ACM on Interactive Mobile Wearable and Ubiquitous Technologies, Vol. 2, No. 1, Article 43 (March 2018)에 설명된 것들에 대응할 수 있다.
특히, 프로세서(302)는 단계(402)에서의 트레이닝 활동기록기 데이터를 분석하고 이로부터 복수의 활동기록기 특징들을 추출하여 트레이닝 특징 데이터의 적어도 일부분을 생성한다. 추출된 활동기록기 특징들은 환자의 운동 활동, 수면, 각성 및 일주기성 리듬 중 적어도 하나에 대한 메트릭들에 대응할 수 있다. 예를 들어, 특징들은 수면 지속시간(예컨대, 밤마다 수면 시간의 총 시간), 수면 패턴(예컨대, 하루 중 수면 시작 시간, 하루 중 수면 종료 시간), 수면 질(예컨대, 휴식 기간 동안 분당 평균 활동 카운트, 수면 분절의 백분율, 수면 효율의 백분율, 수면 시작 후 각성의 분들에 대한 활동기록 추정치), 활동 또는 수면 동안 프랙탈 패턴들 또는 역학/거동(예컨대, 활성 또는 수면 시간들 동안 모노프랙탈 패턴들 또는 멀티프랙탈 역학에 대한 변화, 상이한 활동 시간들에서의 상이한 스케일링 속성들에 의해 캡처된 수면 패턴들에 대한 일시적 로컬 변동들), 낮시간 활동(예컨대, 분당 낮시간 활동 카운트, 분당 피크 낮시간 활동 카운트), 및 활동 또는 수면 동안의 엔트로피(예컨대, 활동 시 또는 수면 동안 무작위성 및 혼돈 특성을 측정)에 대한 메트릭들을 포함할 수 있다. 더 구체적으로는, 활동기록기 특징들은 수면 교란을 검출하기 위한 메트릭들을 포함하고, 이는 환자의 수면, 각성 및/또는 일주기성 리듬에 대한 메트릭들을 포함할 수 있다. 수면 교란은 MDD가 있는 환자들에게서 일반적인 증상이고 환자들은 종종 우울병 에피소드의 재발병 또는 재발 이전 또는 그 중간에 수면 질 감소를 경험한다고 여겨진다.
활동기록기 데이터의 엔트로피는 데이터의 복잡성에 대한 정량화된 메트릭을 제공하고, 이는 복수의 활동기록기 특징들 중 하나로서 사용될 수 있다. 일 예에서, 활동 시계열에 대한 활동기록기 데이터는 
로서 표현될 수 있고, 여기서 
내지 
이고, 
분이다. 활동 시계열 
의 샘플 엔트로피(SaEn)는 활동기록기 데이터가 획득되는 전체 시스템의 역학의 (m-차원) 상태 공간 표현들인 활동 시계열로부터의 벡터들의 재구성을 수반한다 벡터들은 
로서 표현될 수 있고, 여기서 δ는 벡터의 연속적인 컴포넌트들 사이의 시간 지연이다. 이 예에서의 벡터들은 복잡성 분석 시 통일되게 설정된다. SaEn은 m 차원에서 선택된 거리 r 내의 벡터 
의 발생 확률(밀도)과 
차원에서 동일한 선택된 거리 r 내의 
의 발생 확률 사이의 대수적 차(logarithmic difference)로서 결정된다. 상태 공간의 밀도들 
및 
는 m 차원 및 
차원에서 각각 선택된 반경 r 내에 드는 재구성된 벡터들의 분할들의 측정이다. SaEn은 다음과 같이 표현될 수 있다:
일 예시적인 실시예에서, 활동기록기 데이터의 각각의 하루는 4개의 에포크로 고르게 분할될 수 있다: 오전(6 am 내지 12 pm), 오후(12 pm 내지 6 pm), 저녁(6 pm 내지 12 am), 및 밤(12 am 내지 6 am). SaEn은 각각의 하루 및 각각의 에포크에 대해 결정될 수 있다. 일 예에서, SaEn은 지난 7일의 활동 카운트에 걸친(어떠한 식별된 갭도 없음) (z-점수 활동 카운트 상에서) 중앙 SaEn 값으로 결정된다.
특징들은 아래 표 1에서 열거되고 정의된 예시적인 활동기록기 특징들 중 하나 이상을 포함할 수 있다.
[표 1]
또한, 활동기록기 데이터는 프랙탈 변동 (예컨대, 광범위한 시간 스케일에서의 시간적, 구조적 및/또는 통계적 변동)을 포함할 수 있고, 이는 동일한 개인들 내에서 안정한 것으로 여겨지지만 병리학적 조건들에 민감할 수 있다. 프랙탈 조절을 입증하는 데이터는 생리학적 시스템의 적응성을 나타내고 조절 프로세스들이 광범위한 시간 스케일에 걸쳐 서로 작용하도록 기능하는 생리학적 네트워크의 복잡성을 반영한다고 여겨진다. 따라서, 활동기록기 데이터의 프랙탈 변동의 측정은 위에서 식별된 특징들 중 하나 이상 대신에 또는 그와 함께 활동기록기 특징들로서 추출될 수 있다. 일 예에서, 활동기록기 데이터는 활동기록기 특징들로서 이용될 수 있는 스케일 불변(모노프랙탈) 패턴들에 의해 특징지어지는 복잡한 시간적 변동을 디스플레이한다. 모노프랙탈 패턴들은 균일하고 전체 신호에 걸쳐 동일한 스케일링 속성들을 갖는다. 활동기록기 데이터는 또한 활동기록기 특징들로서 또한 포함될 수 있는 멀티프랙탈로 불리는 특별한 클래스의 복잡한 프로세스를 나타낼 수 있다. 멀티프랙탈 거동은 상이한 시간 스케일 (수 분에서 수 시간)에서 별개의 서명에 의해 특징지어진다. 멀티프랙탈 거동은 상이한 시간에 상이한 스케일링 속성들에 의해 캡처된 국부적인 시간적 변동을 생성할 수 있는 다수의 공존하는 동적 프로세스들을 포함할 수 있다.
활동기록기 데이터의 프랙탈 패턴들은 추세제거된 변동 분석(DFA) 방법들을 이용하여 결정될 수 있다. DFA 방법들은 수 분 내지 수 시간의 일정 범위의 시간 스케일에 걸쳐 활동기록기 데이터 내의 변동의 스케일링 거동을 결정한다. DFA 방법들은 다수의 시간 스케일에서 활동 변동들의 멀티스케일 상관관계들을 조사한다. 예를 들어, DFA 방법은 시간 스케일 n의 함수로서 변동 진폭 
을 제공한다. 장거리-상관 데이터의 경우 
는 멱법칙을 따르고 
, 스케일링 또는 변동 지수(α)는 멀티스케일 상관관계를 다음과 같이 정량화한다: 
인 경우, 변동에 상관관계가 없고("백색 소음"); 
인 경우, 변동에서 양의 상관관계가 있고(큰 값에는 큰 값이 따를 가능성이 더 높음(및 그 반대)); 
5인 경우, 변동에서 음의 상관관계가 있다(큰 값에는 작은 값이 따를 가능성이 더 높음(및 그 반대). 건강한 조건 하에서의 많은 생리학적 출력들은 가장 복잡한 기본 제어 메커니즘을 나타내는 1.0에 가까운 변동 지수
값들을 나타낸다. DFA는 2차 다항 함수를 이용하여 데이터를 추세 제거하여 데이터 내의 가능한 선형적 추세들의 효과를 제거한다.
일 실시예에서, 활동기록기 데이터의 멀티프랙탈 역학은 MFDFA 방법을 이용하여 결정된다. 본 출원의 예시적인 MFDFA 방법에서, 데이터의 변동은 일반적으로 다음과 같이 표현된다:
여기서 Y는 데이터의 누적 합계로서 생성된 프로파일 함수이고(평균 감산) v의 중복되지 않은 서브시퀀스들로 분할되고, 각각의 길이는 s이다. 각각의 세그먼트 v의 데이터는 k차 다항식 
에 의해 피팅되고, q는 q차 변동을 나타내는 인덱스 변수이다. MFDFA 방법 하에서 변동의 일반화된 표현은 q = 2일 때 DFA 방법으로 단순화된다. 일 예에서, k = 2는 2차 다항식이 MFDFA 방법에 사용됨을 나타낸다. 변동 함수 
는 q = 2일 때 모노프랙탈 추세 제거된 변동 분석으로 단순화된다. 멀티프랙탈 신호들의 경우, 
는 멱법칙: 
을 따르고, 
는 일반화된 Hurst 지수로서 정의된다. 또한, 멀티프랙탈 신호의 경우, 
는 식 
에 따라 q에 비선형적으로 변화한다. 멀티프랙탈 시계열을 특징짓는 하나의 방법은 특이성 스펙트럼 
에 의한 것이고, 이는 다음과 같은 르장드르 변환에 의해 
에 관련될 수 있다: 
여기서 
임.
일 예에서, DFA 방법은 MFDFA 방법의 특정 실시예일 수 있고, MFDFA 방법은 상이한 시간 스케일 n에서 진폭 변동 F(n)을 도출할 수 있고, 
로서 표현되고, 스케일링 또는 변동 지수 α는 변동의 상관관계를 나타낸다. α > 0.5의 값은 양의 상관관계(큰 값에는 큰 값이 따를 가능성이 더 높음(및 그 반대))를 나타내고, α < 0.5는 음의 상관관계(큰 값에는 작은 값이 따를 가능성이 더 높음(및 그 반대))를 나타내고 α = 1은 장거리 상관관계 또는 모노프랙탈 표현을 나타낸다. 건강한 조건 하에서의 많은 생리학적 출력들은 가장 복잡한 기본 제어 메커니즘을 나타내는 1.0에 가까운 α 값들을 나타낸다. 진폭 변동은 상이한 모먼트들로 정량화된다. 이어서 멀티프랙탈 스펙트럼은 상이한 모먼트들에 대해 상이한 스케일링 지수 α의 분포로서 계산된다. 멀티프랙탈 스펙트럼에서의 더 넓은 폭(αmax - αmin)은 멀티프랙탈 역학의 존재를 나타내고, 더 짧은 폭은 멀티프랙탈 역학의 손실 또는 모노프랙탈 역학의 존재를 나타낸다. 멀티프랙탈 스펙트럼은 represents 2개의 측정가능한 치수, Dq(q차 특이성/프랙탈 치수) 및 hq(q차 특이성 지수)를 나타낸다 (매틱(Matic) 등, "Objective differentiation of neonatal EEG bac㎏round grades using detrended fluctuation analysis." Front. Hum. Neurosci., 9: 189 (2015) (https://www.frontiersin.org/articles/10.3389/fnhum.2015.00189에서 이용가능함)에 언급되고 본 명세서에 참조로서 포함된 바와 같음). 멀티프랙탈 스펙트럼의 시각적 평가에서, 수평 및 수직 위치설정(hq, Dq 값들), 폭(width_hq)의 차이가 의식될 수 있을 뿐 아니라 멀티프랙탈 스펙트럼의 일반적인 형상의 차이도 의식되어 국소적 Hurst 지수의 시간적 변화를 반영할 수 있고, 이러한 특징들은 이상 검출기를 트레이닝하기 위한 복수의 활동기록기 특징들로서 사용될 수 있다. 예시적인 멀티프랙탈 추세제거 변동 분석 방법들은 일렌 등(Ihlen et al.), "Introduction to multifractal detrended fluctuation analysis in Matlab," Front. Physiol., Vol. 3, Article 141, 1-18 (https://www.frontiersin.org/articles/ 10.3389/fphys.2012.00141/full에서 이용가능함), 이바노프 등(Ivanov, et al.) "Multifractality in human heartbeat dynamics." Nature 399: 461-465 (1999) (https://www.nature.com/articles/20924에서 이용가능함), 프랜카 등(
et al.), "On multifractals: a non-linear study of actigraphy data." Physica A: Statistical Mechanics and its Applications 514: 612-619 (2019) (https://www.sciencedirect.com/science/article/pii/ S037843711831255X에서 이용가능함), 및 칸텔하트 등(Kantelhardt et al.), "Multifractal detrended fluctuation analysis of nonstationary time series," Physica A, 316: 87-114 (2002)에 설명되어 있고, 이들은 모두 본 명세서에 참조로서 포함된다.
전술된 활동기록기 특징들 대신에 또는 이들과 함께 다른 특징들이 트레이닝 데이터로부터 추출될 수 있다. 예를 들어, 특징들은 예를 들어, 이동성 트레이스들, 지리적 특징들, 커버되는 총 거리, 두 위치 사이의 최대 거리, 회전 반경, 변위들의 표준편차, 집으로부터의 최대 거리, 상이한 위치들을 방문한 횟수, 상이한 중요도의 위치들을 방문한 횟수, 바넷 등(Barnett et al.), "Inferring Mobility Measure from GPS Traces with Missing Data," Biostatistics, pp. 1-33 (2018); 칸지앤 등(Canzian et al.), "Trajectory of Depression: Unobstrusive Monitoring of Depressive States by means of Smartphone Mobility Traces Analysis" UbiComp '15: Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing, 1293-1304 (September 2015); 및 칸지앤 등, "From Mobile Phone Monitoring of Depressive States using GPS Traces Analysis to Data-Driven Behavior Change Interventions," Frontiers in Public Health (January 2016)에 설명된 것들과 같은, 루틴 인덱스와 같은 환자의 이동성 데이터로부터 추출될 수 있고, 이들은 전체적으로 본 명세서에 참조로서 포함된다. 다른 예에서, 추가적인 특징들은, 마스토라스 등(Mastoras et al.), "Touchscreen typing pattern analysis for remote detection of the depression tendency," Nature Scientific Reports, 9:13414 (2019) and Zulueta et al., "Predicting Mood Disturbance Severity with Mobile Phone Keystroke Metadata: A BiAffected Digital Phenotyping Study," J. Med. Internet Res., 20(7): e241 (July 2018)에 설명된 것들과 같은 환자의 전자 디바이스 사용에 대응하는 데이터로부터 추출될 수 있고, 이들은 전체적으로 본 명세서에 참조로서 포함된다.
프로세서(302)는 트레이닝 데이터로부터 임의의 적합한 수의 특징들을 추출할 수 있다. 증가된 수의 특징들은 본 출원의 시스템들 및 방법들의 예측 성능을 개선할 수 있지만, 연산적으로 부담이 될 수 있다. 따라서, 예측 성능을 연산 효율과 균형을 맞추도록 적절한 수의 특징들이 선택될 수 있다. 일부 실시예들에서, 프로세서(302)는 트레이닝 데이터로부터 10개, 적어도 20개, 적어도 30개, 적어도 40개, 또는 적어도 50개의 상이한 특징들을 추출할 수 있다. 일 특정 실시예에서, 프로세서(302)는 트레이닝 활동기록기 데이터로부터 31개의 특징들을 추출한다. 더 구체적으로는, 프로세서(302)는 위 표 1에서 식별된 특징들의 일부 또는 전부를 추출할 수 있다. 다른 실시예에서, 프로세서(302)는 트레이닝 데이터로부터 환자의 수면, 각성 및/또는 일주기성 리듬에 대한 메트릭들을 포함할 수 있는 수면 교란을 검출하기 위한 특징들을 추출할 수 있다. 추가적인 실시예에서, 프로세서(302)는 트레이닝 데이터로부터 활동 또는 수면 동안의 모노프랙탈 패턴들, 활동 또는 수면 동안의 멀티프랙탈 역학/거동들, 및/또는 활동 또는 수면 동안의 엔트로피를 포함하는 특징들을 추출할 수 있다.
단계(504)에서, 프로세서(302)는 트레이닝 데이터로부터 추출된 트레이닝 특징 데이터를 필터링하여 데이터 포인트들의 상당 부분(예컨대, 30% 초과, 40% 초과, 또는 50% 초과)이 없는 특징들 및/또는 시간 포인트들이 트레이닝 특징 데이터로부터 제거되어 필터링된 트레이닝 데이터를 생성하도록 한다. 예를 들어, 필터링된 특징 데이터는 특징에 대한 데이터 포인트들 중 40% 미만이 누락된 특징들만을 유지하고, 시간 포인트에 대한 특징들 중 40% 미만이 누락되는 시간 포인트들만을 유지한다.
단계(506)에서, 프로세서(302)는 누락된 데이터 포인트들을 귀속시켜 귀속된 트레이닝 데이터를 생성함으로써 필터링된 트레이닝 데이터를 추가로 수정할 수 있다. 일 예시적인 실시예에서, 누락된 데이터 포인트들은 프로세서(302)에 의해 그것의 복수의 최근접 이웃들을 분석함으로써 추정되어 최근접 이웃들에 기초하여 누락된 데이터 포인트들에 대한 추정 값을 생성할 수 있다. 예를 들어, 특정 시간 포인트들에서 데이터를 누락한 특징부는 프로세서(302)에 의해 데이터가 없는 시간 포인트들에 인접한 시간 포인트들로부터의 데이터를 이용하여 추정될 수 있다. 누락된 데이터 포인트들의 각각은 그것의 k 최근접 이웃들을 이용하여 추정될 수 있고, k는 2 내지 10, 3 내지 8, 또는 4 내지 6일 수 있다. 일 실시예에서, k = 5이다. 프로세서(302)는 임의의 적합한 방법을 이용하여 그것의 k개의 최근접 이웃들에 기초하여 누락된 데이터 포인트들을 추정할 수 있다. 예를 들어, 프로세서(302)는 트레이닝 데이터로부터의 다중-파라미터들에 기초하여 유클리드 거리를 이용하고, 최근접 k 이웃들을 고립시키고 누락 특징들에 대한 입력으로서 상이한 특징들의 평균값을 이용할 수 있다. 다른 예시적인 실시예에서, 누락된 데이터 포인트들은 프로세서(302)에 의해 배깅 트리(bagged trees)를 이용하여 필터링된 트레이닝 데이터를 분석함으로써 추정될 수 있다. 구체적으로, 각각의 특징에 대해, 결정 트리 모듈, 특히, 배깅 트리 모듈은 필터링된 트레이닝 데이터의 나머지 다른 특징들을 이용하여 누락된 데이터를 귀속시키기 위해 생성될 수 있다. 또한, 결정 트리 모듈은 누락된 데이터 포인트들을 귀속시키기 위해, 최고의 대리 예측자를 이용하여 결정 트리 모듈이 좌측 또는 우측 자식 노드로 트레이스되도록 하는 대리 스플릿들을 포함할 수 있다. 단계(508)에서, 귀속된 트레이닝 데이터는 모평균 및 표준편차(데이터-평균(모집단 데이터) / 표준편차(모집단 데이터)를 이용하여 중앙위치 및 스케일링될 수 있다. 전력 변환(예컨대, 여존슨 변환(YeoJohnson transformation), 또는 박스 콕스 변환(Box Cox transformation))은 또한 귀속된 트레이닝 데이터의 모든 특징들에 적용되어 정규화된 분포를 갖는 수정된 트레이닝 데이터를 생성할 수 있다.
단계(508)에서 획득된 수정된 트레이닝 데이터는 우울증의 재발의 시작의 가능성을 결정하기 위한 적어도 하나의 이상 검출기를 트레이닝하기 위해 프로세서(302)에 의해 단계(510)에서 사용된다. 이상 검출기(들)가 프로세서(302)에 의해 도 3에 도시된 예시적인 방법(500)에 따라 트레이닝되면, 방법(400)은 단계(404)로 진행하여 환자로부터 테스트 데이터를 획득한다. 단계(402)와 유사하게, 단계(404)에서, 트레이닝 기간 후에 디바이스(200) 및/또는 컴퓨팅 디바이스(300)에 의해 테스트 데이터가 수집되고, 따라서, 단계(402)에서 획득된 테스트 데이터는 방법(500)에서 이상 검출기를 트레이닝하는 데 이전에 활용되지 않았던 데이터이다. 테스트 데이터는 실시간으로 생성될 수 있거나 또는 원하는 테스트 기간에 걸쳐 생성될 수 있다. 테스트 기간은 1일 또는 약 1일 내지 2주 또는 약 2주의 지속시간동안일 수 있다. 일 실시예에서, 테스트 기간은 1주일 또는 약 1주일 또는 2주일 또는 약 2주일이다. 단계(406)에서, 프로세서(302)는 단계(502)에 관련하여 위에서 논의된 바와 유사한 방식으로 테스트 데이터를 분석하고 이로부터 복수의 특징들을 추출하여 테스트 특징 데이터를 생성한다.
단계(408)에서, 프로세서(302)는 우울증의 재발의 시작의 가능성을 결정하기 위해 방법(500)에 의해, 구체적으로, 단계(510)에서 트레이닝된 이상 검출기(들)를 이용하여 단계(406)로부터의 테스트 특징 데이터를 분석한다. 특히, 이상 검출기(들)는 우울증의 재발의 시작의 가능성을 결정하기 위해 테스트 특징 데이터를 트레이닝 데이터(또는 수정된 트레이닝 데이터와 같은 트레이닝 데이터에서 도출된 데이터)와 비교한다. 일 실시예에서, 프로세서(302)는 이상 검출기(들)를 이용하여 테스트 특징 데이터를 분석하여 테스트 특징 데이터가 트레이닝 데이터와 비교하여 이상일 가능성이 있는지 여부를 결정할 수 있다. 이상은 트레이닝 데이터와는 상이한 특성들을 갖는 데이터이다. 위에서 논의된 바와 같이, 트레이닝 데이터는 환자가 우울증의 재발의 시작을 경험하지 않았을 때 수집되고, 따라서, 트레이닝 데이터에서의 이상은 우울증의 재발의 시작에 대응한다.
이상 검출기(들)는 트레이닝 데이터로부터 편차들을 식별하도록 구성된 머신 러닝 이상 검출기(들)를 포함한다. 이상 검출기(들)는 지도 및/또는 비지도 학습 이상 검출기들을 포함할 수 있다. 예를 들어, 이상 검출기(들)는 (예컨대, 환자가 우울증이 재발하지 않았을 때) 수정된 트레이닝 데이터를 이용하여 정상 사례들의 프로파일들을 구성하고, (예컨대, 환자가 우울증의 재발의 시작을 경험할 때) 정상 프로파일들로부터 도출된 임의의 추가적인 데이터를 이상으로 식별할 수 있다. 대안예에서, 이상 검출기(들)는 복수의 이진 트리들을 이용하여 수정된 트레이닝 데이터로부터 벗어난 임의의 추가적인 데이터를 격리시킴으로써 이상들로서 식별할 수 있다.
이상 검출기(들)는 수정된 트레이닝 데이터로부터 이상을 검출하기 위한 임의의 적합한 유형의 이상 검출기(들)를 포함할 수 있다. 예를 들어, 이상 검출기(들)는 1-클래스 지지 벡터 머신들(1-클래스 SVM들), 아이솔레이션 포레스트(IF) 모듈들, 1-클래스 신경망(예컨대, 장단기 메모리(Long short-term memory, LSTM) 네트워크), 및 기타 1-클래스 분석 방법들을 이용할 수 있다. 일 실시예에서, 이상 검출기(들)는 1 클래스 SVM 및 IF 이진 트리들 중 적어도 하나를 포함한다. 본 출원의 활동기록기 데이터에 적용될 수 있는 예시적인 1-클래스 SVM들은 쇤코프 등(
et al.), "Support Vector Method for Novelty Detection," Advances in Neural Information Processing Systems, 582-588 (2000), Tax & Duin, "Support Vector Data Description," Machine Learning, 54:45-66 (2004) and Manevitz and Yousef, "One-Class SVMs for Document Classification," Journal of Machine Learning Research, 2: 139-154 (2001)에 설명된 것들을 포함하고, 이들은 모두 본 명세서에 전체적으로 참조로서 포함된다. 일 예시적인 실시예에서, 이상 검출기(들)는 마네비츠 및 유세프(Manevitz and Yousef), "One-Class SVMs for Document Classification," Journal of Machine Learning Research, 2: 139-154 (2001)에 설명된 것과 같은 이상치 SVM을 포함하고, 이는 본 명세서에 참조로서 포함된다. 다른 예로서, 예시적인 IF 이상 검출기는, IF 이진 트리들을 이용하여, 본 출원의 활동기록기 데이터에 적용될 수 있다. IF 이상 검출기는 리우 등(Liu et al.), "Isolation-Based Anomaly Detection," ACM Transactions on Knowledge Discovery from Data, 6(1): 1-39 (March 2012)에 설명된 iForest 방법론을 포함하고, 이는 또한 본 명세서에 참조로서 포함된다.
일 실시예에서, 프로세서(302)는 적어도 하나의 이상 검출기를 이용하여 테스트 특징 데이터를 분석하여 이진 출력(즉, 테스트 데이터가 우울증의 재발에 해당할 가능성이 있는지 여부를 나타내는 0 또는 1)을 생성 및/또는 테스트 데이터가 우울증의 재발에 해당할 가능성이 있는 확률에 대응하는 이상 점수를 생성한다. 특히, 이상 검출기(들)는 이진 출력을 생성하도록 구성된 1-클래스 SVM 이상 검출기를 포함할 수 있고, 여기서 0은 테스트 특징 데이터가 환자의 비-재발에 대응할 가능성이 있음을 나타내고, 1은 테스트 특징 데이터가 트레이닝 데이터에 비교하여 이상일 가능성이 있음을 나타낸다. 이상 검출기(들)는 추가로, 또는 대안예에서, 테스트 특징 데이터가 이상일 가능성이 있다는 확률에 대응하는 이상 점수를 생성하기 위한 트리 기반 이상 검출기, 구체적으로 IF 이상 검출기를 포함할 수 있다. 프로세서(302)는 이상 점수가 특정 임계치를 초과할 때 테스트 특징 데이터가 트레이닝 데이터와 비교하여 이상일 가능성이 있다고 결정한다. 임계값은 신호 대 노이즈를 분별하여 - 이상에 대응할 가능성이 있는 데이터 포인트들을 IF 이상 검출기에 의해 분석된 바와 같이 환자의 테스트 데이터 내의 일반적인 가변성에 대응하는 데이터 포인트들로부터 분리하도록 선택될 수 있다. 예를 들어, 프로세서(302)는 IF 이상 검출기로부터의 이상 점수 ≥ 0.6일 때, 테스트 특징 데이터가 이상에 대응할 가능성이 있고, 따라서, 우울증의 재발에 대응할 가능성이 있다고 결정할 수 있다.
일 실시예에서, 이상 검출기는 활동기록기 데이터의 정상 행동을 모델링하고, 모델의 예측 오차들을 이용하여 이상들을 식별할 수 있다. 예를 들어, 이상 검출기는 장단기 메모리(LSTM) 신경망을 이용하여 테스트 활동기록기 데이터의 멀티프랙탈 역학을 분석하여 예측 오류들을 정량화할 수 있고, 이는 순차적으로 이상들을 식별하는 데 사용된다. 더 구체적으로는, 이상 검출기는 2개의 컴포넌트: 입력 시계열의 벡터 표현을 학습하는 인코더 및 벡터 표현을 이용하여 시계열을 재구성하는 디코더를 갖는 적층된 LSTM 신경망을 통해 활동기록기 데이터를 분석한다. 테스트 특징 데이터의 재구성 오차는 이상의 가능성을 결정하는 데 사용된다.
도 6은 인코더 및 디코더(Enc-Dec AD)를 갖는 LSTM 이상 검출기의 예시적인 개략도를 도시한다. 시간 경과에 따라 환자로부터 수집된 활동기록기 데이터로부터 추출된 활동기록기 특징 데이터(802)는 시간 경과에 따른 벡터의 시계열로 표현되고, t 1 은 데이터 시리즈에서 가장 빠른 시간 포인트를 나타낸다. 도 6에서, 활동기록기 특징 데이터(802)는 p의 총 길이를 갖는, 일정 기간 동안 수집된 활동기록기 데이터로부터 m개의 특징들에 대해 추출된다. l의 길이를 갖는 시간 시퀀스에 대한 데이터인, 활동기록기 특징 데이터(804)의 서브세트는 테스트 특징 데이터일 수 있다. Enc-Dec AD는 활동기록기 특징 데이터(806)의 서브세트의 시간 시퀀스를 학습하기 위한 인코더(804)를 포함하고, 인코더(604)로부터의 결과들을 이용하여 디코더(808)를 이용하여 출력 시퀀스(810)를 재구성한다. Enc-Dec AD는 활동기록기 활동기록기 특징 데이터 내의 각각의 포인트에 대해 오차 벡터들을 결정한다. 시간 포인트 
에 대한 오차 벡터는 
로서 결정되고, 
는 시간 포인트 
에 실증적으로 관찰된 값이고, 
는 Enc-Dec AD에 의해 결정된 시간 포인트 
에서 재구성된 값이다. 환자가 우울증의 증상들이 발전된 것으로 알려지지 않은 동안 수집된, 트레이닝 활동기록기 데이터로부터 생성된 오차 벡터들은 최대가능성추정(Maximum Likelihood Estimation)을 이용하여 정규분포 
의 평균(μ) 및 표준편차(Σ)를 결정하는 데 사용된다. 이상 점수, 또는 마할라노비스 거리(Mahalanobis distance), 
는 트레이닝 활동기록기 데이터로부터 생성된 오차 벡터들의 μ 및 Σ에 기초하여 생성된 오차 벡터들로부터 계산된다.
우울증의 재발은 통상적으로 수 주에 걸쳐 점진적으로 발생하기 때문에, 일정 기간에 걸친 우울증의 잠재적 재발에 대한 활동기록기 마커의 지속적 검출은 예시적인 방법(400)에 의해 생성된 위양성의 특수성을 개선하고, 위양성의 가능성을 줄이는 데 유용할 수 있다. 따라서, 프로세서(302)는, 예를 들어, 적어도 1주일, 적어도 2주일, 또는 적어도 1개월과 같은 원하는 기간에 걸쳐 이상 검출기(들)에 의해 생성된 복수의 결과들을 분석할 수 있다. 단계들(404 내지 408)의 이전 반복에서 이상 검출기(들)를 이용하여 이전 테스트 데이터를 분석한 결과(들)는 메모리 저장 디바이스(310)에 저장될 수 있으며, 이는 아래 더 논의될 바와 같다. 단계(410)에서, 프로세서(302)는 단계(408)의 현재 반복으로부터의 결과들 및 단계(408)의 앞선 반복들에서의 이전 테스트 데이터를 이용하여 이상 검출기(들)에 의해 생성된 결과들에 대응하는 메모리 저장 디바이스(310)에 저장된 임의의 이용가능한 이전 데이터를 분석한다. 특히, 단계(410)는 단계(408)로부터의 결과(들) 및 메모리 저장 디바이스(310)에 저장된 이전 데이터를 분석하여 이상 검출기(들)가 테스트 특징 데이터를 1주일의 기간 또는 2주일의 기간에 걸쳐 유력한 이상들로서 지속적으로 식별했는지 여부를 결정한다. 일 예시적인 실시예에서, 방법(400)은 매주 반복되고 단계(410)는 단계(408)로부터 생성된 결과(들) 및 메모리 저장 디바이스(310)에 저장된 이전 데이터를 분석하여 이상 검출기(들)가 방법(400)의 2회의 연속적인 반복에서 유력한 이상들을 지속적으로 식별했는지 여부를 결정한다.
프로세서(302)가 단계(410)에서 환자의 테스트 특징 데이터가 이상 검출기(들)에 의해 원하는 기간 동안 유력한 이상들로서 지속적으로 식별되지 않았다고 결정하는 경우, 방법은 단계(412)로 진행하여 단계(408)로부터의 결과(들)를 메모리 저장 디바이스(310)에 저장하고, 이는 방법(400)의 다음 반복에서 이전 테스트 데이터를 이용하여 생성된 결과들로서 사용될 것이다. 프로세서(302)가 단계(410)에서 환자의 테스트 특징 데이터가 이상 검출기(들)에 의해 원하는 기간 동안 이상들에 대응할 가능성이 있는 것으로 지속적으로 식별되었다고 결정하는 경우, 방법(400)은 방법(600)으로 진행하여 컴퓨팅 디바이스(300)를 통해 적어도 하나의 자가 보고 테스트를 시행하는데, 더 구체적으로는, 프로세서(302)는 자동으로 방법(600)으로 진행하여 컴퓨팅 디바이스(300)를 통해 환자에게 자가 보고 테스트(들)를 시행하고 자가 보고 테스트(들)에 기초하여 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 추가적으로 결정한다.
통상적으로, 자가 보고 테스트(들)는 환자에게 능동적으로 컴퓨팅 디바이스(300)를 이용하여 일련의 조사 질문들에 답할 것을 요구한다. 예시적인 방법(400)은 환자에게 더 낮은 부담을 부과하는데, 그 이유는 수동적 환자 데이터가 환자로부터 수동적으로 (예컨대, 활동기록기 디바이스(200)를 착용함으로써) 수집되고, 이상 검출기(들)가 단계(410)에서 활동기록기 데이터를 이용하여 이상들을 식별한 이후에만 자가 보고 테스트(들)가 시행되기 때문이다. 따라서, 방법(400)은 이러한 테스트들이 규칙적(예컨대, 매주) 스케줄로 시행되는 것에 비교하여 더 낮은 빈도에서 자가 보고 테스트(들)를 시행한다. 단계(410)의 분석은 프로세서(302)가 우울증의 재발의 검출의 민감도를 위해 환자로부터 수동적으로 수집된 활동기록기 데이터를 이용하도록 한다. 자가 보고 테스트(들)를 시행하기 위한 추가적인 단계들은 우울증의 재발의 예측 및/또는 검출에 있어서 특수성을 추가로 제공하지만, 덜 빈번하게 시행되고 그럼으로써 컴퓨팅 디바이스(300)를 이용한 능동적 참여(예컨대, 조사 질문들에 응답)를 위한 환자의 부담을 줄인다. 줄어든 환자의 부담은 환자의 편안함 및 예시적인 방법(400)의 준수를 촉진한다.
도 4는 컴퓨팅 디바이스(300)를 통해 적어도 하나의 자가 보고 평가 테스트를 시행하고 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 추가적으로 결정하기 위한 예시적인 방법(600)을 도시한다. 일 예시적인 실시예에서, 방법(400)은 주 단위로 반복된다. 단계(602)에서, 컴퓨팅 디바이스(300)는 자가 보고 테스트(들)를 환자에게 시행함으로써 능동적으로 환자를 참여시킨다. 구체적으로, 프로세서(302)는 사용자 인터페이스(308)에게 환자로부터 응답을 촉구하는 복수의 질문들을 디스플레이도록 지시하고, 일련의 조사 질문들에 응답하여 사용자 인터페이스(308)를 통해 사용자로부터 복수의 입력들을 수신한다. 자가 보고 테스트(들)는 환자에게 정량적 스케일(예컨대, 각각의 증상에 대한 숫자 눈금 상의 등급)에 따라 일련의 응답들을 입력하도록 촉구하는 우울증의 증상들에 대응하는 일련의 조사 질문들을 갖는 임의의 적합한 테스트를 포함할 수 있다. 예를 들어, 자가 보고 테스트(들)는 환자에게 MDD 증상들, 불안 증상들, 수면 교란, 무쾌감증, 에너지/동기, 항우울제 약물, 부착, 기능/장애, 건강 관련한 삶의 질, 통증, 재발에 선행할 수 있는 제1 징후에 관한 자기 통찰력, 건강관리 활용, 및/또는 스트레스/회복력을 평가하기 위해 정량적 스케일에 따라 일련의 응답들을 입력하도록 촉구하는 조사 질문들을 포함할 수 있다. 예를 들어, 자가 보고 테스트(들)는 P-FIBS(Pain Frequency, Intensity and Burden Scale), HRUQ(Health Resource Use Questionnaire), RLCST(Recent Life Changes Stress Test), PSS(Perceived Stress Scale), SHAPS(Snaith Hamilton Pleasure Scale), WHODAS 2.0(WHO Disability Assessment Schedule), EQ-5D-5L(EuroQol health state in 5 dimensions and 5 levels), GAD-7(General Anxiety Disorder 7-Item Scale), MOS Sleep-R(Sleep measure), PAQ(Patient Adherence to Antidepressant Medication Questionnaire), QIDS-SR16(Quick Inventory of Depressive Symptoms), VQIDS-SR5(Very Quick Inventory of Depressive Symptoms), R-SAT(Rothschild Scale for Antidepressant Tachyphylaxis) 등을 이용한 평가들을 포함할 수 있다.
일 실시예에서, 자가 보고 테스트(들)는 QIDS-SR16 및/또는 GAD-7를 이용한 평가를 포함한다. QIDS-SR16은 우울 증상들의 중증도를 평가하도록 설계된 환자-보고 측정이다. QIDS-SR16은 주요 우울병 에피소드를 진단하도록 DSM-5에 의해 지정된 모든 기준 증상 도메인들을 평가한다. 환자들은 16개 항목의 각각에 4포인트 눈금으로 응답을 제공하고, 점수들의 범위는 각각의 항목에 대해 0부터 3까지이다. QIDS-SR16의 점수화 시스템은 16개의 개별 항목들에 대한 응답들을 9개의 DSM-5 증상 기준 도메인들로 변환하고, 도메인들은: 1) 슬픈 기분; 2) 집중력; 3) 자기 비판; 4) 자살 생각; 5) 관심; 6) 에너지/피로; 7) 수면 교란(초기, 중기, 후기 불면증 또는 과다수면); 8) 식욕 또는 체중의 감소 또는 증가; 및 9) 정신운동 초조 또는 지체를 포함한다. 총 점수는 DSM-5 MDD 기준의 9개 증상 도메인들의 각각에 대해 점수들을 합산함으로써 획득된다: 4개 항목은 수면 교란(초기, 중기, 및 후기 불면증 및 과다수면)을 평가하는 데 사용되고; 2개 항목은 정신운동 및 지체를 평가하는 데 사용되고; 4개 항목은 식욕(증가 또는 감소 및 체중 증가 또는 감소)을 평가하는 데 사용된다. 하나의 항목은 나머지 6개의 도메인(슬픈 기분, 관심, 에너지/피로, 자기 비판, 집중력, 및 자살 생각)을 평가하는 데 사용된다. 없음, 경도, 중등도, 중증, 및 매우 중증의 우울증의 중증도의 스케일을 이용하여, 대응하는 QIDS-SR16 총 점수들은 없음, 1 내지 5; 경도, 6 내지 10; 중등도, 11 내지 15; 중증, 16 내지 20; 및 매우 중증, 21 내지 27이다. GAD-7은 불안의 7개 항목 자가 보고 평가이다. 각각의 항목은 4포인트 눈금(0 내지 3) 상에서 점수화되고, 총 점수의 범위는 0 내지 21이다. GAD-7 점수 ≥ 5는 경도의 우울증에 연관된다. GAD-7 점수 ≥ 10은 중등도 내지 중증의 우울증에 연관된다.
단계(603)에서, 프로세서(302)는 단계(602)의 자가 보고 테스트(들)의 복수의 조사 질문들에 응답하여 환자로부터의 복수의 입력들에 대응하는 데이터를 분석하여 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하고, 만약 그렇다면, 단계(610)로 진행한다. 구체적으로, 프로세서(302)는 자가 보고 테스트에서 환자로부터의 복수의 입력들에 기초하여 생성된 결과 점수를 분석하고, 결과 점수가 제1 임계값 이상이면 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정할 수 있다. 예를 들어, QIDS-SR16 점수에 대한 제1 임계값은 11이다. 다른 예에서, GAD-7 점수에 대한 제1 임계값은 10이다.
자가 보고 테스트(들)의 결과 점수(들)가 제1 임계값들을 충족하지 않는 경우, 방법(600)은 자가 보고 테스트(들)의 복수의 조사 질문들에 응답하여 환자로부터의 복수의 입력들에 대응하는 데이터를 메모리 저장 디바이스(310)에 저장된 이전 데이터를 이용하여 추가로 분석하도록 진행한다. 단계(604)에서, 프로세서(302)는 메모리 저장 디바이스(310)에 저장된 이전 데이터를 이용하여 가장 최근 사전결정된 기간 내에 환자 거동의 데이터를 수집하도록 자가 보고 테스트(들)가 연속적으로 시행되었는지 여부를 결정한다. 사전결정된 기간은 2주 기간 또는 3주 기간일 수 있다. 일 예시적인 실시예에서, 방법(400)은 주 단위로 반복되고 프로세서(302)는, 단계(604)에서, 메모리 저장 디바이스(310)에 저장된 이전 데이터가 자가 보고 테스트(들)가 3회의 연속적인 반복(방법(400)의 단계(602)에서 시행된 테스트를 포함)으로 시행되었음을 나타내는지 여부를 분석한다. 만약 그렇다면, 방법(600)은 단계(606)로 진행한다. 프로세서(302)가 자가 보고 테스트(들)가 방법(400)의 2회의 연속적인 반복(단계(602)에서 시행된 테스트를 포함)으로 시행되었다고 결정하는 경우, 방법은 단계(608)로 진행한다. 더 구체적으로는, 프로세서(302)가 자가 보고 테스트(들)가 가장 최근 2회 반복(방법(400)의 단계(602)에서 시행된 테스트 포함)으로 시행되었다고 결정하는 경우, 방법(600)은 단계(608)로 진행한다. 그렇지 않다면, 방법(600)은 단계(612)로 진행한다.
단계(606)에서, 프로세서(302)는 추가로 단계(602)로부터의 데이터 및 메모리 저장 디바이스(310)에 저장된 이전 데이터를 분석하여 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하고, 만약 그렇다면, 단계(610)로 진행한다. 구체적으로, 프로세서(302)는 자가 보고 테스트에서 환자로부터의 복수의 입력들에 기초하여 생성된 결과 점수를 분석하고, 프로세서(302)가 현재 결과 점수 및 메모리 저장 디바이스(310)에 저장된 이전 데이터가 환자의 자가 보고 테스트 점수들이 선행한 사전결정된 기간(예컨대, 가장 최근 3주 기간) 동안 적어도 2주에 대해 제2 임계값을 초과했다고 나타낸다고 결정할 때 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정한다. 제2 임계값은 제1 임계값보다 낮다. 이 실시예에서, 프로세서(302)는 결과 점수가 제2 임계값 초과이고 메모리 저장 디바이스(310) 내의 이전 데이터가 결과 점수가 방법(400)의 적어도 2회의 연속적인 반복들에 걸쳐 증가했음을 나타낼 때 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정할 수 있다(단계(610)). 추가적으로 또는 대안적으로, 프로세서(302)는 프로세서(302)가 결과 점수가 선행하는 사전결정된 기간 내에 적어도 한번 제2 임계값을 초과했고, 결과 점수가 선행하는 사전결정된 기간(예컨대, 결과 점수에서 적어도 1 포인트 증가) 동안 증가하여, 환자의 우울증 증상들의 악화를 나타낸다고 결정할 때 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정할 수 있다(단계(610)). 예를 들어, QIDS-SR16 점수에 대한 제2 임계값은 9이다. 다른 예에서, GAD-7 점수에 대한 제2 임계값은 6이다. 추가적인 예에서, GAD-7 점수에 대한 제2 임계값은 5이다.
단계(606)와 유사하게, 단계(608)의 프로세서(302)는 단계(602)로부터의 데이터 및 메모리 저장 디바이스(300)에 저장된 이전 데이터를 분석하여 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하고, 만약 그렇다면, 단계(610)로 진행한다. 특히, 단계(608)의 프로세서(302)는 자가 보고 테스트에서의 환자로부터의 복수의 입력들에 기초하여 생성된 결과 점수를 분석하고, 결과 점수가 제1 임계값보다 낮은 제2 임계값 이상일 때 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정할 수 있고, 프로세서(302)는 메모리 저장 디바이스(310)에 저장된 이전 데이터로부터 선행하는 사전결정된 기간의 (예컨대, 가장 최근 2주 기간의) 이전 결과 점수들이 또한 제2 임계값 초과라고 결정한다. 이 실시예에서, 프로세서(302)는 결과 점수가 제2 임계값 초과이고 메모리 저장 디바이스(310) 내의 이전 데이터가 방법(400)의 직전 연속적인 반복의 이전 결과 점수가 또한 제2 임계값 초과임을 나타낼 때 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정할 수 있다(단계(610)). 이러한 기준이 충족되지 않는 경우, 프로세서(302)는 단계(612)로 진행한다. 단계(612)에서, 단계(408)로부터의 결과(들) 및 전술된 바와 같이 자가 보고 테스트(들)를 이용하여 획득된 결과 점수(들)는 메모리 저장 디바이스(310)에 저장되어 방법(400)의 다음 반복에서 이전 테스트 데이터를 이용하여 생성되는 결과들로서 사용되게 한다.
대안적인 실시예에서, 단계들(602, 606, 608)의 기준이 충족되지 않는 경우, 방법(600)은 단계(608)의 결과 점수를 분석하는 추가적인 단계(미도시)로 진행할 수 있다. 구체적으로, 상대적 변화 인덱스(CI)는 다음과 같이 결정된다:
x 2는 단계(602)로부터의 입력에 기초하여 결과 점수에 대응하고, x 1은 이전 데이터로부터 생성된 환자에 대한 기준선 점수에 대응하고, σ 1은 기준 데이터의 세트의 표준편차에 대응하고, r은 자가 보고 테스트의 테스트 신뢰성을 나타내는 값에 대응한다. CI가 사전결정된 임계치를 초과하는 경우, 프로세서(302)는 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정할 수 있다(단계(610)). 그렇지 않다면, 방법(600)은 단계(612)로 진행한다.
도 5는 컴퓨팅 디바이스(300)를 통해 2회의 자가 보고 테스트를 시행하고 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 추가로 결정하기 위한 방법(700)의 예시적인 실시예를 도시한다. 방법(700)은 아래 더 설명되는 것을 제외하고, 실질적으로 방법(600)과 유사하다. 방법(700)은 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 평가하고, 환자의 우울증 재발을 검출 및/또는 예측하는데 있어서 추가적으로 특수성을 제공하기 위해 2개의 독립적인 스케일을 제공하도록 2회의 자가 보고 테스트를 적용하는 데 사용될 수 있다. 도 5에 도시된 예시적인 방법(700)은 도 2에 도시된 환자의 활동기록기 데이터에 기초하여 우울증의 재발의 시작을 검출 및/또는 예측하기 위해 방법(400)에서 방법(600)을 대체할 수 있다는 것에 유의한다.
단계(702)에서, 프로세서(302)는 자가 보고 테스트들이 방법(400)의 현재 반복에서 시행되는지 여부에 대응하는 메모리 저장 디바이스 내의 트리거 변수를 "ON"의 값으로 설정할 수 있다. 단계(704)에서, 컴퓨팅 디바이스(300)는 환자를 참여시키고 단계(602)에서 전술된 것과 실질적으로 유사한 방식으로 QIDS-SR16 또는 GAD-7에 대한 복수의 조사 질문들을 시행한다. 일 실시예에서, 단계(704)는 QIDS-SR16 및 GAD-7 둘 모두에 대한 복수의 조사 질문들을 시행할 수 있다. QIDS-SR15 및 GAD-7의 각각에 대한 질문들에 따라 획득된 입력들은 아래 추가적으로 설명된 바와 같이 단계들(705 내지 718)에 따라 프로세서(302)에 의해 개별적으로 분석될 수 있다.
단계(603)와 유사하게, 단계(705)에서, 프로세서(302)는 QIDS-SR16 또는 GAD-7에 대한 복수의 조사 질문들에 응답하여 환자로부터의 복수의 입력들에 대응하는 데이터를 분석하여 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하고, 만약 그렇다면, 단계(716)로 진행한다. 구체적으로, 프로세서(302)는 QIDS-SR16에 대한 조사 질문들에 응답하여 환자로부터의 복수의 입력들에 대응하여 데이터를 분석하여 QIDS-SR16 점수를 생성할 수 있다. 유사하게, 프로세서(302)는 GAD-7에 대한 조사 질문들에 응답하여 환자로부터의 복수의 입력들에 대응하여 데이터를 분석하여 GAD-7 점수를 생성할 수 있다. QIDS-SR16 점수가 11 이상인 경우, 또는 GAD-7 점수가 10 이상인 경우, 방법(700)은 단계(716)로 진행한다.
QIDS-SR16 또는 GAD-7 테스트의 결과 점수가 단계(705)에서 전술된 임계값들을 충족시키지 않는 경우, 방법(700)은 메모리 저장 디바이스(310)에 저장된 이전 데이터로 QIDS-SR16 또는 GAD-7 점수를 추가로 분석하도록 진행한다. 단계(706)에서, 프로세서(302)는 트리거 변수들이 방법(400)의 가장 최근 2회 또는 3회의 연속적인 반복들(단계(702)의 현재 트리거 변수를 포함) 내에 "on"으로 설정되는지 여부를 결정한다. 특히, 방법(400)은 주 단위로 반복되고, 프로세서(302)는 방법(400)의 3회의 연속적인 반복들(단계(702)의 현재 트리거 변수를 포함)에 대해 메모리 저장 디바이스들(310)에 저장된 이전 데이터가 트리거 변수에 대해 "on" 값을 포함하는지(예컨대, "1"은 트리거가 on임을 나타내고, "0"은 트리거가 off임을 나타냄) 분석한다. 만약 그렇다면, 방법(700)은 단계(708)로 진행한다. 프로세서(302)가 트리거 변수들이 방법(400)의 가장 최근 2회 반복들(단계(702)의 현재 트리거 변수를 포함)에 대해 "on" 값으로 설정된다고 결정하는 경우, 방법(700)은 단계(712)로 진행한다. 그렇지 않다면, 방법(700)은 단계(716)로 진행한다.
단계(606)와 유사하게, 단계(708)에서, 프로세서(302)는 방법(400)의 가장 최근 3회의 연속적인 반복들 동안 QIDS-SR16 점수들을 분석한다. 프로세서(302)가 현재 QIDS-SR16 점수 및 메모리 저장 디바이스(310)에 저장된 이전 데이터로부터 방법(400)의 가장 최근 3회의 연속적인 반복들에 걸친 QIDS-SR16 점수가 적어도 2회의 반복 동안 ≥ 9라고 결정하는 경우, 프로세서(302)는 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정하고, 단계(716)로 진행한다. 또한, 프로세서(302)가 현재 QIDS-SR16 점수 및 메모리 저장 디바이스(310)에 저장된 이전 데이터로부터 가장 최근 3회의 연속적인 반복들에 걸친 적어도 하나의 QIDS-SR16 점수가 ≥ 9이고, QIDS-SR16 점수가 가장 최근 3회의 연속적인 반복들에 걸쳐 악화되었다고(예컨대, 1 포인트 증가로 표시됨) 결정하는 경우, 프로세서(302)는 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정하고, 단계(716)로 진행한다. 유사하게, 프로세서(302)가 현재 GAD-7 점수 및 메모리 저장 디바이스(310)에 저장된 이전 데이터로부터 방법(400)의 가장 최근 3회의 연속적인 반복들에 걸친 GAD-7 점수가 적어도 2회의 반복 동안 ≥ 6이라고 결정하는 경우, 프로세서(302)는 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정하고, 단계(716)로 진행한다. 또한, 프로세서(302)가 현재 GAD-7 점수 및 메모리 저장 디바이스(310)에 저장된 이전 데이터로부터 가장 최근 3회의 연속적인 반복들에 걸친 적어도 하나의 GAD-7 점수가 ≥ 6이고 QIDS-SR16 점수가 가장 최근 3회의 연속적인 반복들에 걸쳐 악화되었다고(예컨대, 1 포인트 증가로 표시됨) 결정하는 경우, 프로세서(302)는 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정하고, 단계(716)로 진행한다. 이러한 기준 중 어느 것도 충족되지 않는 경우, 프로세서(302)는 단계(718)로 진행한다.
단계(608)와 유사하게, 단계(712)에서, 프로세서(302)는 방법(400)의 가장 최근 2회의 연속적인 반복들 동안 QIDS-SR16 점수들을 분석한다. 현재 QIDS-SR16 점수가 (단계(704)에서 제공된 입력에 기초하여) ≥ 9이고, 프로세서(302)가 메모리 저장 디바이스(310)에 저장된 이전 데이터로부터 방법(400)의 직전 반복에서의 이전 QIDS-SR16 점수가 또한 ≥ 9라고 결정하는 경우, 프로세서(302)는 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정하고, 단계(716)로 진행한다. 유사하게, 현재 GAD-7 점수가 (단계(704)에서 제공된 입력에 기초하여) ≥ 6이고, 프로세서(302)가 메모리 저장 디바이스(310)에 저장된 이전 데이터로부터 방법(400)의 직전 반복에서의 이전 GAD-7 점수가 또한 ≥ 6라고 결정하는 경우, 프로세서(302)는 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정하고, 단계(716)로 진행한다. 이러한 기준이 충족되지 않는 경우, 프로세서(302)는 단계(718)로 진행한다. 단계(612)와 유사하게, 단계(718)는 단계(408)로부터의 결과(들) 및 QIDS-SR16 및/또는 GAD7 점수(들)를 전술된 바와 같이 메모리 저장 디바이스(310)에 저장하여 방법(400)의 다음 반복에서 이전 테스트 데이터를 사용하여 생성된 결과로서 사용되게 한다.
두 단계들(610, 716)에서, 프로세서(302)는 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정한다. 프로세서(302)에 의한 이러한 결정에 후속하여, 프로세서(302)는 우울증 치료에 대한 조정을 지시하거나 또는 이를 지시하는 신호를 출력할 수 있다. 우울증 치료는 정신요법, 뇌 자극 요법, 또는 항우울제 투여를 포함할 수 있다. 항우울제는 경구 항우울제, 비강 투여 항우울제, 또는 경피 항우울제일 수 있다. 정신요법에 대한 조정은 세션들의 빈도 및/또는 각각의 세션의 시간의 길이를 늘리거나 또는 줄이는 것을 포함할 수 있다. 뇌 자극 요법에 대한 조정은 자극 개입의 빈도 및/또는 세기를 늘리거나 또는 줄이는 것을 포함할 수 있다. 항우울제 투여에 대한 조정은 항우울제 요법 변경(예컨대, 항우울제 투여의 용량 및/또는 빈도를 증가 또는 감소), 항우울제의 유형 또는 클래스 변경, 또는 다른 항우울제의 첨가를 포함할 수 있다. 일부 실시예들에서, 항우울제 요법에 대한 조정은 비-치료 내성(예컨대, 경구 항우울제 요법에 비-내성)인 환자들을 대상으로 할 수 있다. 다른 실시예들에서, 항우울제 요법에 대한 조정은 계속해서 경구 항우울제에 반응하고 수용한 환자들을 대상으로 할 수 있다. 추가적인 실시예에서, 항우울제 요법에 대한 조정은 경구 항우울제 요법에 치료 내성이 있는 환자들을 대상으로 할 수 있고, 조정은 비강 또는 경피로 투여되는 다른 항우울제의 첨가이다. 다른 실시예에서, 환자가 우울증의 재발의 시작을 경험할 가능성이 있다는 결정 후, 프로세서(302)는 우울증의 증상들을 제어하는 데 적합할 수 있는, 예를 들어, N-메틸-D-아스파르테이트 수용체 길항제, 이오노트로픽 글루탐산염 수용체 길항제, 및 에스케타민과 같은, 다른 제제들의 투여를 지시하거나 또는 이를 지시하는 신호를 출력할 수 있다. 투여에 대한 조정은 제제의 용량 및/또는 빈도를 늘리거나 또는 줄이는 것을 포함할 수 있다. 대안적으로, 투여에 대한 조정은 항우울제를 대신하여, 또는 항우울제에 추가하여 제제를 대체하는 것을 포함할 수 있다.
방법(400)의 각각의 반복의 종료 시, 단계(412) 및 방법(600)은 (환자가 재발을 경험한 것으로 식별되지 않은 경우) 단계(414)로 진행한다. 단계(404)에서, 트레이닝 활동기록기 데이터는 방법(500)에서 적어도 하나의 이상 검출기를 재트레이닝하는 데 사용된 업데이트된 트레이닝 활동기록기 데이터의 일부로서 가장 최근 수집된 테스트 활동기록기 데이터를 포함하도록 업데이트된다. 일 예시적인 실시예에서, 업데이트된 트레이닝 활동기록기 데이터는 가장 최근 수집된 테스트 활동기록기 데이터를 포함시키고, 가장 최근 사전결정된 기간보다 앞서 획득된 트레이닝 활동기록기 데이터를 제거한다. 예를 들어, 트레이닝 활동기록기 데이터가 3개월 기간에 획득되는 경우, 가장 최근 수집된 테스트 활동기록기 데이터는 업데이트된 트레이닝 활동기록기 데이터 및 업데이트된 트레이닝 활동기록기 데이터로부터 3 개월 더 오래된 데이터에 통합된다.
도 7은 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 도 2의 예시적인 방법(400)의 환자에 의해 경험되는 바와 같이, 예시적인 타임라인(900)을 도시한다. 환자는 정신건강 서비스 제공자(901)를 처음 방문하는 동안 시간(904)에 방법(400)을 개시할 수 있다. 환자에게는 활동기록기 디바이스(200) 및 원격 평가(902)를 위한 컴퓨팅 디바이스(300)가 제공될 수 있고, 여기서 환자들이 정신건강 서비스 제공자(901)로부터 멀리 떨어져 있는 동안 데이터가 환자로부터 그들의 일일 활동들 동안, 시간(904)부터 시간(912)까지 수집된다. 일 예시적인 실시예에서, 활동기록기 디바이스(200)는 환자에 의해 항상(예컨대, 1주 7일, 하루 24시간) 착용되어 시간(904)부터 시간(912)까지 환자의 진행중인 활동기록기 데이터를 수집할 수 있다. 컴퓨팅 디바이스(300)는 수면 적절성의 자가 보고 평가와 같은 자가 보고 데이터를, 환자에 의해 입력되는 바와 같이 수집한다. 자가 보고 평가는 수면에 대한 환자의 인식에 관련된 질문들에 응답하여 입력될 수 있거나 또는 수면 적절성에 관련된 MOS-S Scale 평가로부터의 질문들을 포함할 수 있다. 예시적인 타임라인(900)에서, 자가 보고 평가는 매주 획득된다. 도 7은 원격 평가(902)가 활동기록기 데이터의 수집을 포함한다고 도시하지만, 원격 평가(902)가 또한 다른 유형들의 수동적 환자 데이터의 수집을 포함할 수 있다고 고려된다.
시간(904)과 시간(906) 사이에(예컨대, 3개월의 기간일 수 있음), 환자가 재발을 경험하지 않는 동안(도 7에서 흰색으로 표시된 바와 같음) 활동기록기 디바이스(200) 및 컴퓨팅 디바이스(300)는 원격 평가(902)에 의한 데이터를 수집한다. 시간(906)에, 환자는 정신건강 서비스 제공자(901)를 방문하여 환자가 시간(904)과 시간(906) 사이에 재발을 경험하지 않았음을 확인할 수 있다. 환자가 재발을 경험하지 않은 경우, 시간(904)과 시간(906) 사이에 수집된 데이터는 이상 검출기를 트레이닝하는 데 사용될 수 있다. 이상 검출기는 새로운 데이터가 이전에 수집된 원격 평가 데이터에 비교하여 이상한 지 결정하기 위해 환자로부터 새롭게 획득된 원격 평가 데이터를 스크리닝하는 데 사용된다.
시간(906)과 시간(910)에서의 환자의 정신건강 서비스 제공자(901)의 다음 방문 사이에, 원격 평가(902)는 계속해서 환자로부터 데이터를 수집하고, 새로운 데이터가 이상인 지 여부를 결정하기 위해 트레이닝된 이상 검출기를 이용하여 새롭게 수집된 데이터를 반복적으로 분석한다. 방법(400)의 각각의 반복 동안 (이들의 예가 도 7에서 깃발로 도시됨) 이상 검출기는 가장 최근 3개월의 원격 평가 데이터를 트레이닝 데이터로서 이용하여 업데이트된다. 도 7에 도시된 예시적인 타임라인(900)에서, 각각의 하얀 깃발(908)은 새로운 원격 평가 데이터가 이상 검출기를 이용하여 분석되고 이상이 아니라고 결정된 방법(400)의 반복을 반영한다. 시간(906)과 시간(910) 사이의 기간은, 새로운 원격 평가 데이터가 이상 검출기에 의해 이상인 것으로 결정되지 않고 정신건강 서비스 제공자(901)가 시간(910)에 환자가 재발을 겪고 있지 않다고 확인하는 한, 연속적으로 반복될 수 있다.
예시적인 타임라인(900)에 도시된 바와 같이, 시간(910)과 환자의 정신건강 서비스 제공자(901)의 다음 방문 스케줄 사이에, 원격 평가(902)는 계속해서 환자로부터 데이터를 수집하고, 새로운 데이터가 이상인 지 여부를 결정하기 위해 트레이닝된 이상 검출기를 이용하여 새롭게 수집된 데이터를 반복적으로 분석한다. 그러나, 이상 검출기는 초기에 새로운 원격 평가 데이터를 이상이 아닌 것으로 결정하지만(하얀 깃발들(908)로 도시됨), 순차적으로 후속 반복들에서 새로운 이상 데이터(검은 깃발들(911)로 도시됨)를 검출한다. 이상이 검출되면, 추가적인 데이터 수집이 트리거된다. 예를 들어, 이상이 검출되면, 컴퓨팅 디바이스(300)는 방법(600) 또는 방법(700)으로 진행하여 적어도 하나의 자가 보고 테스트를 환자에게 시행하고 자가 보고 테스트(들)에 기초하여 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 추가로 결정할 수 있다.
도 7에 도시된 예시적인 타임라인(900)에서, 방법(600) 또는 방법(700)은 자가 보고 테스트(들)에 기초하여 환자는 우울증의 재발의 시작을 경험했을 가능성이 있다고 결정하고, 환자에게 정신건강 서비스 제공자(901)에 대한 환자의 다음 방문 스케줄(미도시) 이전에 시간(912)에 선제적으로 환자의 정신건강 서비스 제공자(901)를 방문하도록 지시할 수 있다. 시간(912)의 선제적 방문 동안, 정신건강 서비스 제공자(901)는 환자가 재발을 경험했음을 확인하고(검은색으로 도시됨), 순차적으로 조기 개입 개입을 환자에 제공하여 환자의 우울증 증상들을 안정시킬 수 있다. 환자가 안정되고 우울증의 증상들이 호전되면, 시간(914)에 도시된 바와 같이(흰색으로 도시됨), 환자는 방법(400)을 다시 개시하고, 예시적인 타임라인(900)에서 시간(904)으로 돌아갈 수 있다.
도 8은 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 다른 예시적인 방법(1000)을 도시한다. 예시적인 방법(1000)은 아래 달리 설명된 바를 제외하고 방법(400)과 유사하다. 예시적인 방법(1000)은 활동기록기 데이터로부터 추출된 다수의 특징들, 및 환자의 자신의 이력 데이터(n=1, 여기서 n은 샘플링된 개인들의 총수임)에 기초하여 이상 검출기를 트레이닝하는 적어도 하나의 머신 러닝 이상 검출기를 이용하여 환자의 우울증의 재발의 시작의 가능성을 결정한다. 환자의 우울증 재발은 방법(400)에 관련하여 위에서 논의된 바와 같이 하나 이상의 테스트들을 이용하여 식별될 수 있다. 컴퓨팅 디바이스(300)가 환자가 재발했다고 결정하는 경우, 예시적인 방법(1000)은 종료된다. 방법(1000)은 환자가 우울증 완화될 때 방법(400)과 유사한 방식으로 재시작될 수 있다. 따라서, 방법(1000)은 연속적으로 환자로부터 기록된 모든 비-재발 활동기록기 데이터에 대해 하나 이상의 이상 검출기들을 트레이닝하고, 순차적으로 기록된 데이터를 연속적으로 분석하고 여기에서 이상들을 검출하는 데 사용될 수 있다. 일 예에서, 이상 검출기(들)는 방법(1000)의 연속적인 반복들을 통해 비-재발 기간 동안 획득된 활동기록기 데이터로부터 추출된 특징들에 대해 연속적으로 트레이닝된다. 환자로부터 기록된 활동기록기 데이터에서 이상들을 검출하기 위한 방법(1000)의 일부분은 활동기록기 데이터가 환자가 우울증의 증상(들) 및/또는 우울증의 재발을 발전시킨 것으로 알려지지 않은 기간 동안 환자로부터 이전에 수집된 활동기록기 데이터에 비교하여 이상인지 결정하기 위한 환자의 객관적인 평가를 제공한다. 이상 사례들이 식별되면, 자가 보고 증상학(우울증 및 불안의 핵심 증상들) 설문 알고리즘(SRSQA)이 재발 특징을 확인하는 데 사용된다. 자가 보고 증상학 설문 또는 SRSQA는 자가 보고 테스트들과 실질적으로 유사할 수 있고, 이는 방법(400)의 방법들(600 또는 700)에 대해 전술된 바와 같다.
단계(1002)에서, 트레이닝 데이터는 사전결정된 트레이닝 기간에 걸쳐 디바이스(200) 및/또는 컴퓨팅 디바이스(300)에 의해 수집된다. 트레이닝 데이터는 사전결정된 트레이닝 기간에 걸쳐 디바이스(200)에 의해 수집된 활동기록기 데이터를 포함한다. 디바이스(200)는 환자에 의해 착용되어 단계(402)에서 전술된 바와 유사한 방식으로 사전결정된 트레이닝 기간에 걸쳐 환자의 움직임을 검출하고 트레이닝 활동기록기 데이터를 생성할 수 있다. 방법(400)과 유사하게, 방법(1000)은 또한 컴퓨팅 디바이스(300)가 환자가 재발했다고 결정하는 경우 종료된다. 따라서, 트레이닝 데이터는 비-재발 기간 동안 수집된다.
단계(1004)는, 단계(1002)에서 획득된 트레이닝 데이터는, 예를 들어, 아래 달리 언급된 것을 제외하고, 방법(500)에 유사한 방식으로 우울증의 재발의 시작의 가능성을 결정하기 위한 적어도 하나의 이상 검출기를 트레이닝하는 데 사용된다. 단계(502)와 유사하게, 단계(1004)의 트레이닝 데이터는 트레이닝 특징 데이터를 생성하기 위해 트레이닝 데이터로부터 복수의 특징들을 추출하도록 분석된다. 예를 들어, 트레이닝 데이터는 트레이닝 활동기록기 데이터를 포함한다. 다양한 특징들이 트레이닝 활동기록기 데이터로부터 추출되고 트레이닝 특징 데이터에 포함된다. 특히, 트레이닝 활동기록기 데이터로부터 추출된 특징들은 트레이닝 활동기록기 데이터의 모노프랙탈 패턴들 및/또는 멀티프랙탈 역학을 포함하고, 추가로 상이한 시간 프레임들에 걸쳐 샘플 엔트로피(SaEn)를 포함할 수 있다.
예를 들어, 트레이닝 활동기록기 데이터로부터 추출된 특징부들은 전술된 DFA 방법을 이용하여 결정된 프랙탈 패턴들을 포함한다. 이 예시적인 방법(1000)에서, 시간 스케일 n에서 
의 신뢰성있는 추정을 보장하기 위해, 각각의 날에 대해 갭 > 72분(하루의 활동 카운트의 1440분의 5%) 없는 가장 최근 연속적인 날들의 활동(적어도 연속 2일)에 대한 활동기록기 데이터가 DFA 방법에 사용되어 활동기록기 데이터의 프랙탈 패턴들을 결정하게 한다. 이 예시적인 방법(1000)에서, DFA 방법에 대한 변동 지수(α)가 2개의 상이한 시간 스케일에서 10(즉, 1분의 에포크 길이를 갖는 10개의 데이터 포인트들)분 내지 90분 동안 
및 120분 내지 600분 동안 
로서 각각 결정되어 활동 역학의 구분된 영역들을 캡처하도록 한다. 트레이닝 활동기록기 데이터로부터 추출된 특징들은 또한 MFDFA 방법을 이용한 활동기록기 데이터의 멀티프랙탈 역학을 포함한다. 이 예시적인 방법(1300)에서, 멀티프랙탈 역학은 전술된 예시적인 MFDFA 방법을 이용하여 결정되고, 데이터의 변동은 일반적으로 다음과 같이 표현된다:
또한, 트레이닝 활동기록기 데이터로부터 추출된 특징들은 전술된 방식으로 결정된 각각의 하루 및 4개의 에포크, 오전(6 am 내지 12 pm), 오후(12 pm 내지 6 pm), 저녁(6 pm 내지 12 am), 및 밤(12 am 내지 6 am) 각각에 대해 트레이닝 활동기록기 데이터의 샘플 엔트로피(SaEn)를 포함한다.
추출된 트레이닝 특징 데이터는 단계(504)와 동일한 방식으로 필터링될 수 있고, 프로세서(302)는 단계(506)와 유사한 방식으로 생성된 귀속된 트레이닝 데이터에 누락된 데이터 포인트들을 귀속시킴으로써 필터링된 트레이닝 특징 데이터를 순차적으로 수정할 수 있다. 일 예에서, 누락된 데이터에는 0의 값이 귀속된다. 귀속된 트레이닝 데이터는 단계(508)와 동일한 방식으로 모평균 및 표준편차(데이터-평균(모집단 데이터) / 표준편차(모집단 데이터)를 이용하여 중앙위치 및 스케일링될 수 있다. 전력 변환(예컨대, 여존슨 변환(YeoJohnson transformation), 또는 박스 콕스 변환(Box Cox transformation))은 또한 귀속된 트레이닝 데이터의 모든 특징들에 적용되어 정규화된 분포를 갖는 수정된 트레이닝 데이터를 생성할 수 있다.
수정된 트레이닝 데이터는 우울증의 재발의 시작의 가능성을 결정하기 위한 적어도 하나의 머신 러닝 이상 검출기를 트레이닝하는 데 사용된다. 일 예에서, 이상 검출기는 트레이닝 특징 데이터에 기초하여 정상 행동을 모델링하고, 모델의 예측 오차를 이용하여 이상들을 식별한다. 구체적으로, 이상 검출기는 전술된 Enc-Dec AD이다. Enc-Dec AD의 인코더는 활동기록기 데이터의 시계열에 대한 벡터 표현을 학습하도록 트레이닝 특징 데이터를 이용하여 트레이닝된다. 수정된 트레이닝 데이터는 최대가능성추정을 이용하여 시계열의 정규분포 
의 평균(μ) 및 표준편차(Σ)를 결정하는 데 사용된다. μ 및 Σ는 Enc-Dec AD에 의해 순차적으로 사용되어 이상이 검출되었는지 여부를 평가하기 위한 이상 점수를 결정한다.
단계(1006)에서, 디바이스(200)는 전술된 단계(404)와 유사하게 환자로부터 테스트 데이터를 획득한다. 테스트 데이터는 환자로부터의 테스트 활동기록기 데이터를 포함한다. 테스트 데이터는 실시간으로 생성될 수 있거나 또는, 예를 들어, w일의 기간, 예컨대, 14일과 같은 원하는 테스트 기간에 걸쳐 생성될 수 있다. 일부 실시예들에서, 전체 w일 기간은 단계(1006)에서 생성될 수 있다. 다른 실시예들에서, 테스트 데이터는 이전에 생성된 데이터의 일부 및 단계(1006)에서 원하는 데이터 수집 기간(예컨대, y 수의 날들)에 걸쳐 생성되고 획득된 새로운 데이터를 포함할 수 있다. 이전에 수집된 데이터의 일부는 w-y 일수의 지속시간 동안일 수 있다. 예를 들어, 테스트 데이터는 13일의 이전에 생성된 데이터 및 1일의 새로운 데이터를 포함할 수 있다. 프로세서(302)는 단계(1004)에 관련하여 위에서 논의된 바와 유사한 방식으로 테스트 데이터를 분석하고 이로부터 복수의 특징들을 추출하여 테스트 특징 데이터를 생성한다.
단계(1006) 동안, 컴퓨팅 디바이스(300)는 또한 컴퓨팅 디바이스(300)를 통해 자가 보고 평가 테스트(들)를 시행하여 환자들로부터 자가 보고 테스트 데이터를 수집할 수 있다. 예를 들어, 자가 보고 테스트는 원하는 테스트 기간 동안 주 단위로 시행될 수 있다. 따라서, 자가 보고 테스트는 방법(1000)의 각각의 반복에서 시행되지 않을 수 있다. 자가 보고 테스트(들)는 환자에게 방법들(400, 600)에 관련하여 위에서 논의된 바와 같이 정량적 스케일(예컨대, 각각의 증상에 대한 숫자 눈금 상의 등급)을 따라 일련의 응답들을 입력하도록 촉구하는 조사 질문들을 포함할 수 있다. 예를 들어, 자가 보고 테스트(들)는 환자에게 우울 증상들, 기분 관련 인지, 에너지/동기, 무쾌감증, 통증, 건강관리 활용, 스트레스/회복력, 기능/장애, 건강 관련한 삶의 질, 불안 및/또는 수면 교란을 평가하기 위해 정량적 스케일을 따라 일련의 응답들을 입력하도록 촉구하는 조사 질문들을 포함할 수 있다. 일 실시예에서, 단계(1006)에서 시행되는 자가 보고 테스트(들)는 VQIDS-SR5 및/또는 GAD-7를 이용한 평가를 포함한다. VQIDS-SR5은 우울 증상들의 중증도를 평가하도록 설계된 환자-보고 측정이다. VQIDS-SR5는 핵심 우울증 도메인들, 즉, 슬픈 기분, 자체 전망, 병발, 피로, 및 정신운동 느려짐을 평가하고, 이들은 주요 우울병 에피소드를 빠르게 식별하기 위해 QIDS-SR16로부터 추출된다. 총 VQIDS-SR5 점수는 5개의 우울증 도메인의 각각에 대한 점수들을 합산함으로써 획득된다. VQIDS-SR5 점수 ≥ 5는 경도의 우울증에 연관된다. VQIDS-SR5 점수 ≥ 6은 중등도 내지 중증의 우울증에 연관된다. GAD-7은 전술된 바와 같다.
단계(1008)에서, 프로세서(302)는 단계(1002)에서 트레이닝된 이상 검출기(들)를 이용하여 단계(1006)로부터의 테스트 특징 데이터를 분석한다. 특히, 이상 검출기(들)는 테스트 특징 데이터를 트레이닝 특징 데이터와 비교하여 트레이닝 특징 데이터가 테스트 기간 동안 이상일 가능성을 정량화하는 이상 점수들을 생성한다. 일 특정 실시예에서, 이상 검출기는 단계(1004)에서 트레이닝된 Enc-Dec AD이다. Enc-Dec AD의 디코더는 트레이닝 특징 데이터로부터 학습된 벡터 표현에 기초하여 테스트 특징 데이터의 시간 프레임에 대한 예측된 출력을 생성한다. Enc-Dec AD는 이상 점수 
를 
로 결정하고, μ 및 Σ는 트레이닝 특징 데이터를 이용하여 단계(1004)에서 결정된 바와 같고, 
이고, 여기서 
는 시간 포인트 
에서의 테스트 특징 데이터이고 
는 Enc-Dec AD에 의해 결정된 시간 포인트 
에서 재구성된 값이다. 시간 포인트 
는 트레이닝 데이터가 환자로부터 수집되는 테스트 기간 내의 시간 포인트이다. 이상 점수는 전술된 방식으로 테스트 기간 내의 (예컨대 각각의 하루에 대한) 각각의 시간 포인트에 걸쳐 계산될 수 있다.
단계(1008)에서 생성된 이상 점수들은 분석되고 이상 사례들을 식별하기 위해 동적, 데이터 구동 임계치들을 이용하여 분석될 수 있다. 도 9는 동적 임계치를 이용하여 이상들을 식별하기 위한 예시적인 방법(1050)을 도시한다. 방법(1050)은 비지도 이상 점수화 방법이다. 일 예에서, 테스트 특징 데이터에 기초하여 생성된 이상 점수들의 시계열이 주어지면, 방법(1050)은 w일의 윈도우에 기초하여 이상들을 식별한다. w일 윈도우는 1일의 단계들에서 
로 표현될 수 있다. N은 환자로부터 활동기록기 데이터가 기록된 총 일수이다. 일부 예들에서, N은 환자로부터 수집된 트레이닝 데이터 및 테스트 데이터의 총 일수일 수 있다. 윈도우는 임의의 적합한 일수에 걸쳐 연장될 수 있는데, 예를 들어, w는 1 내지 30일이다. 특히, w는 단계(1006)에서 위에 논의된, 원하는 테스트 기간과 동일한 값이다. 바람직한 실시예에서, w = 14일이다. w일의 윈도우에 걸친 각각의 반복 동안, 이상 검출에 대한 데이터 구동 임계치들을 결정하기 위해, 이력 이상 점수들, 즉, 1일의 단계들에서의 
(이는 
를 포함함)이 사용된다. 이력 이상 점수들
은 트레이닝 특징 데이터 및 테스트 특징 데이터에 기초하여 생성된 이상 점수들을 포함하거나 또는 이들로 구성될 수 있다.
단계(1052)에서, 
의 비-이상 섹션들은 
로 식별된다. 구체적으로, 이력 이상 점수들(
)은 제1 이상 임계치, 
를 결정하는 데 사용되고, 
에서 제1 이상 임계치를 초과하는 이상 점수는 잠재적 이상을 나타낼 수 있다. 
미만의 이상 점수들을 갖는 
의 섹션들은 비-이상으로 식별되고, 
초과의 이상 점수들을 갖는 
의 섹션들은 이상으로 식별된다. 제1 이상 임계치, 
는 다음과 같이 결정된다:
여기서 
는 
의 이상 점수들의 평균이고, 
는 
의 이상 점수들의 표준편차이고, 
은 
이 
을 초과하여 설정되는 표준편차들의 수를 나타내는 1과 10 사이의 값이다. 일 예에서, 
는 2로 설정되어, 표준편차들의 수 
가 
을 초과하여 설정됨을 나타낸다. 
초과의 
에서 이상 사례들 및 이상 사례들의 대응하는 시퀀스(각각의 이상 시퀀스는 각각의 이상 사례 전 1 시간 포인트 및 각각의 이상 사례 후의 1 시간 포인트임)는 제거되어 
로서 결정하고, 이는 
의 비-이상 섹션들이다.
단계(1054)에서, 
의 잠재적 이상 사례들이 식별된다. 
에서 제2 이상 임계치, 
를 초과하는 이상 점수는 잠재적 이상을 나타낼 수 있는데, 제2 이상 임계치는 
에 기초하여 결정된다. 특히, 제2 이상 임계치, 
는 다음과 같이 결정된다:
여기서 
는 
의 이상 점수들의 평균이고, 
는 
의 이상 점수들의 표준편차이고, 
는 
가 
를 초과하여 설정되는 표준편차들의 수를 나타내는 1과 10 사이의 값이다. 일 예에서, 
는 2로 설정되어, 표준편차들의 수 
가 
를 초과하여 설정됨을 나타낸다. 
의 비-이상 섹션들 
은 
에서 이상 사례들의 검출 누락을 야기할 수 있는 
에 존재하는 큰 이상치 피크들의 시나리오들을 완화하도록 제2 이상 임계치 
를 결정하는 데 사용된다. 제2 이상 임계치, 
의 사용이 
에서 어떠한 이상 사례들도 식별하지 않는 경우, 
가 
내에 잠재적 이상 사례들로 포함될 수 있도록, 국소적인 최대값이 
에서 관찰된다.
단계(1056)에서, 단계(1054)에서 식별된 잠재적 이상 사례들은 이상일 가능성이 가장 높은 사례들을 식별하기 위해 제거된다. 우선, 단계(1054)에서 식별된 
에서의 잠재적 이상 사례들은 
로부터 제거되어 
를 획득하는데, 이들은 
의 비-이상 섹션들이다. 각각의 이상 시퀀스 
에 대해, 각각의 이상 시퀀스는 각각의 이상 사례 전 1 시간 포인트 및 각각의 이상 사례 후 1 시간 포인트이고, 시간 포인트 t i 에서의 백분율 감소 
는 다음과 같이 결정된다:
여기서 i는 각각의 이상 사례에 대응하는 식별자이다. 
를 갖는 이상 시퀀스들은 단계(1056)에 유지되고 이상으로 식별된다. 이상 시퀀스들이 유지되지 않는 경우 및 
인 이상 피크 
가 있는 경우, 최대 백분율 감소에 대응하는 이상 시퀀스는 가능한 이상 사례로서 유지된다.
도 10a 내지 도 10f는 예시적인 기간 동안 환자로부터 수집되고 가장 최근 획득된 14일의 활동기록기 데이터를 분석하여 단계들(1052 내지 1056)에 따라 이상 사례들을 식별하는 활동기록기 데이터에 대한 이상 점수들의 시계열의 예를 도시한다. 도 10a는 연구의 개시 후 338일부터 367일까지 수집된 활동기록기 데이터에 대한 예시적인 타임라인을 도시한다. 이 예시적인 실시예에서, 338일부터 354일까지의 이상 점수들은 338일부터 354일까지, 그러나 354일은 포함되지 않는 기간 동안 수집된 활동기록기 데이터에 기초하여 트레이닝 특징 데이터로부터 생성된다. 354일부터 시작하여 367일까지의 이상 점수들은 354일부터 367일까지 기간 동안 수집된 활동기록기 데이터에 기초하여 테스트 특징 데이터로부터 생성된다. 도 10a에 도시된 음영 영역은 이 예시적인 실시예에 대해 
에 대응한다. 이 예시적인 실시예에 대한 
는 14의 기간이다. 따라서, 
는 본 명세서에서 이 예에서 이러한 일련의 이상 점수들에 대해 사용될 것이다. 도 10a에서 볼 수 있는 바와 같이, 
는 354일부터 367일까지의 기간을 통해 연장되고(크로스 해치로 도시됨) 
와 완전히 중첩된다. 이 예시적인 시계열에 대해 
는 도 10a에 걸쳐 수평 점선으로 도시된다. 알 수 있는 바와 같이, 367일에 대한 이상 점수는 is 
보다 높다. 따라서, 367일에 대한 이상 점수는 이 예의 
로부터 배제되고, 이는 도 10b의 음영 영역으로 도시된다. 도 10c는 도 10a로부터의 이상 점수들의 동일한 
시계열을 음영 영역으로 도시한다. 도 10d는 단계(1054)에 따라 식별된 
에서 잠재적 이상 사례들을 도시한다. 잠재적 이상 사례들 및 대응하는 이상 시퀀스들(각각의 이상 사례의 1일전 및 1일후)이 도 10d에서 음영 영역으로 도시된다. 이 실시예에 대해 
는 도 10d에 걸쳐 수평 점선으로 도시된다. 도 10d에서 볼 수 있는 바와 같이, 362일 및 367일에 대한 이상 점수는 
보다 높다. 따라서, 362일 및 367일에 대한 이상 점수들은 
로부터 배제되고, 이는 도 10e에 음영으로 도시된다. 도 10d에 도시된 잠재적 이상 사례들은 단계(1054)에 따라 추가로 제거된다. 도 10f는 도 10d에서 식별된 2가지 이상 사례의 각각에 대한 백분율 감소 
를 도시한다. 362일의 사례에 대한 백분율 감소 
는 0.3 미만이고, 따라서 단계(1056) 동안 제거된다. 367일의 사례에 대한 백분율 감소 
는 0.3 초과이고, 따라서 유지되고 이상으로 식별된다.
단계(1010)에서, 컴퓨팅 디바이스(30)는 원하는 기간에 대응하고/하거나 그 안에 속하는 자가 보고 테스트 데이터를 방법(1050)에 의해 식별된 임의의 이상으로부터 분석하여 이상이 환자가 우울증의 재발의 시작을 경험할 가능성이 있음을 나타내는지 여부를 결정한다. 각각의 이상에 대해, 대응하는 자가 보고 테스트 데이터 또는 이상으로부터 원하는 기간 내의 자가 보고 데이터를 분석하여 이상이 환자가 우울증의 재발의 시작을 경험할 가능성이 있음을 나타내는지 여부를 결정한다. 특히, 단계(1008)는 테스트 특징 데이터의 제1 w일 또는 w/2일 내에 방법(1050)에 의해 이상이 식별되는지 여부를 결정한다.
일 예에서, w는 14일이고 단계(1008)에서 추가로 분석된 이상들은 14일 기간 중 가장 최근 7일 내의 이상 사례의 존재에 기초하여 식별된다. 방법(1000)은 이 예의 단계(1006)에서 매주(즉, 7일마다) 자가 보고 테스트 데이터를 수집하는지 여부를 고려한다. 방법(1050)에 의해 이상이 식별된 각각의 주에 대해, 식별된 그 주에 대한 자가 보고 테스트 데이터가 단계(1006)에서 수집된다. 또한, 방법(1000)에 의해 이전 주에서 이상이 식별된 각각의 주에 대해 (즉, 이상이 식별된 주 뒤의 주) 자가 보고 테스트 데이터는 또한 단계(1006)에서 수집된다. 이러한 두 주로부터의 자가 보고 테스트 데이터를 분석하여 이상이 환자가 우울증의 재발의 시작을 경험할 가능성이 있음을 나타내는지 여부를 결정한다. 따라서, 식별된 이상에 가장 가까운 주 및 이상이 식별된 주에 후속하는 주에 대한 자가 보고 테스트 데이터를 분석하여 이상이 환자가 우울증의 재발의 시작을 경험할 가능성이 있음을 나타내는지 여부를 결정한다. 자가 보고 테스트 데이터는 VQIDS-SR5 및/또는 GAD-7을 이용한 평가에 대한 응답을 포함한다. 구체적으로, 자가 보고 테스트 데이터는 VQIDS-SR5 및 GAD-7을 이용한 평가에 대한 응답을 포함하고, 이들의 조합은 총 12개의 질문을 사용한다. 자가 보고 테스트는 식별된 주에서 이상이 검출될 때 환자에게 시행되고, 이상이 식별된 주 뒤의 주에 대해 환자에게 시행될 수 있다. 일 예에서, 식별된 주에서 이상이 검출되면 자가 보고 테스트가 환자에게 시행되고, 자가 보고 데이터가 높은 사전결정된 임계치(들)의 세트를 초과하는 평가들(예컨대, VQIDS-SR5 및/또는 GAD-7 점수들)을 포함하는 경우(예컨대, VQIDS-SR5 ≥ 6 및/또는 GAD-7 ≥ 10), 방법(1000)은 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정한다. 그러나, 자가 보고 테스트 데이터가 낮은 사전결정된 임계치(들)의 세트를 초과하는 평가들((예컨대, VQIDS-SR5 ≥ 5 및/또는 GAD-7 ≥ 5)을 포함하는 경우, 방법(1000)은 계속해서 반복되고 이상이 식별된 주의 한주 뒤의 자가 보고 테스트 데이터를 추가로 획득한다. 연속하는 2주 동안 자가 보고 테스트 데이터가 낮은 사전결정된 임계치(들)의 세트를 초과하는 평가들을 포함하는 경우 (예컨대, VQIDS-SR5 ≥ 5 및/또는 GAD-7 ≥ 5), 방법(1000)은 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정한다. 방법(1000)은 다른 주들 동안 자가 보고 테스트의 시행을 요구하지 않고, 방법(1000)의 반복적인 반복들에 의해 모니터링되고 있는 환자들의 부담을 줄여줄 수 있다. 또한, 이 실시예의 방법(1000)은 이상 사례들을 식별하고, 환자가 자가 보고 테스트 데이터(구체적으로, 2주일의 자가 보고 테스트 데이터)를 이용한 확인 이후에 우울증의 재발의 시작을 경험할 가능성이 있음을 나타내고, 따라서, 테스트 데이터(테스트 활동기록기 데이터를 포함) 단독에서의 이상들의 검출 또는 자가 보고 테스트 데이터 단독의 매주 수집에 기초한 재발의 식별에 비교하여 위양성의 사례들을 줄인다.
환자는 이상이 식별된 주 또는 이상이 식별된 주 뒤의 주에 대해 VQIDS-SR5 점수 ≥ 6일 때, 우울증의 재발의 시작을 경험할 가능성이 있는 것으로 결정될 수 있다. 대안적으로, 환자는 이상이 식별된 주 또는 이상이 식별된 주 뒤의 주에 대해 GAD-7 점수 ≥ 10일 때, 우울증의 재발의 시작을 경험할 가능성이 있는 것으로 결정될 수 있다. 다른 예에서, 환자는 이상이 식별된 주 및 이상이 식별된 주 뒤의 주에 대해 VQIDS-SR5 점수 ≥ 5 및/또는 GAD-7 점수 ≥ 5일 때, 우울증의 재발의 시작을 경험할 가능성이 있는 것으로 결정될 수 있다. 프로세서(302)에 의한 환자가 우울증의 재발의 시작을 경험할 가능성이 있다는 결정에 후속하여, 프로세서(302)는 우울증 치료에 대한 조정을 지시하거나 또는 이를 지시하는 신호를 출력할 수 있다. 우울증 치료는 위에서 논의된 바와 같이 정신요법, 뇌 자극 요법, 또는 항우울제 투여를 포함할 수 있다.
방법(1000)의 각각의 반복의 단부에 있는 단계(1012)에서, 트레이닝 활동기록기 데이터는 단계(1004)에서 적어도 하나의 이상 검출기를 재트레이닝하는 데 사용된 업데이트된 트레이닝 활동기록기 데이터의 일부로서 가장 최근 수집된 테스트 활동기록기 데이터를 포함하도록 업데이트된다. 일 예시적인 실시예에서, 업데이트된 트레이닝 활동기록기 데이터는 가장 최근 수집된 테스트 활동기록기 데이터를 포함시키고, 가장 최근 사전결정된 기간보다 앞서 획득된 트레이닝 활동기록기 데이터를 제거한다. 방법(400)과 유사하게, 예시적인 방법(1000)은 연속적으로 반복될 수 있거나 또는, 예컨대, 매일, 매주, 격주 등 원하는 빈도로 반복될 수 있다. 일 특정 실시예에서, 예시적인 방법(1000)은 매일 반복된다. 일 예에서, 예시적인 방법(1000)은 매 y일의 빈도로 반복되고, y는 방법(1050)의 w일의 길이보다 작거나 같다. 특히, y는 단계(1006)에서 위에 논의된, 원하는 데이터 수집 기간과 동일한 동일한 값이다. 일 예에서 y는 1일이고, w는 14일이다.
방법(1000)은 위에서 환자의 우울증의 재발을 검출 및/또는 예측하기 위해 설명되지만, 방법(1000)은 다른 신경계 장애, 특히, 활동 패턴의 변화가 (활동기록기 데이터에 의해 기록된 바와 같이) 신경계 장애의 재발을 나타내는, 정신분열증 및 양극성 질환과 같은 이러한 신경계 장애의 재발을 검출 및/또는 예측하기 위해 수정될 수 있다는 것이 고려된다. 특히, 단계(1006) 동안 수집되고 단계(1010)에서 분석된 자가 보고 테스트 데이터는 수정될 수 있다. 자가 보고 테스트 데이터는 신경계 장애 이외의 증상들을 정량적으로 평가하기 위해 자가 보고 테스트(들)로부터 수집될 수 있다. 예를 들어, 정신분열증에 대한 자가 보고 테스트는 정신분열증(SOS) 조사의 증상들일 수 있다. 다른 예로서, 양극성 질환에 대한 자가 보고 테스트는 Hypomanic Personality Scale, Mood Disorder Questionnaire, Temperament Evaluation of the Memphis, Pisa, Paris, and San Diego - Autoquestionnaire version, Bipolar Spectrum Diagnostic Scale, General Behavior Inventory, 및 Hypomania Checklist일 수 있다.
도 11은 57일부터 381일까지 수집된 데이터의 샘플 시계열에 걸친 방법(1000)의 구현의 예를 도시한다. 특히, 도 11은 MADRS 점수들(1102)의 샘플 시계열을, 단계(1008)에서 설명된 Enc-Dec AD를 따라 분석된 환자로부터 수집된 활동기록기로부터 생성된 대응하는 이상 점수들(1104), 및 환자로부터 수집된 자가 보고에 기초한 대응하는 VQIDS-SR5 점수들(1110) 및 GAD-7 점수들(1112)과 함께 포함한다. 1106으로 도시된 시계열은 매주 평가들의 이상 점수들(1104)을 나타내고, 짧은 막대는 그 주의 이상 점수들이 방법(1050)에 따라 어떠한 이상도 포함하지 않음을 나타내고 긴 막대는 그 주의 이상 점수들이 방법(1050)에 의해 식별된 바와 같이 잠재적으로 이상 사례들을 포함함을 나타낸다. 1108로 도시된 시계열은 자가 보고 테스트 데이터가 단계(1008)에 따라 긴 막대로서 분석될 때의 주들을 나타낸다. 1114로 도시된 시계열은 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부의 결정의 시계열을 도시한다. 긴 막대는 환자가 우울증의 재발의 시작을 경험할 가능성이 있음을 나타낸다. 짧은 막대는 자가 보고 테스트 데이터가 분석되었음을 나타내고, 시계열(1114)에서 볼 수 있는 바와 같이, 단계(1008)는 환자의 MADRS 점수가 우울증의 재발을 나타내는 22점을 초과하여 증가하는 381일 전에 우울증의 재발 가능성을 식별한다.
도 12는 환자의 우울증의 재발을 검출 및/또는 예측하기 위한 도 10의 예시적인 방법(1000)의 환자에 의해 경험되는 바와 같이, 예시적인 타임라인(1200)을 도시한다. 환자는 정신건강 서비스 제공자(1201)에 대한 초기 방문 동안 시간(1204)에 방법(1000)을 개시할 수 있고, 환자에게는 활동기록기 디바이스(200)가 제공되며, 여기에 시간(1204)부터 시간(1212)까지, 정신건강 서비스 제공자(1201)에 대한 방문 사이에 환자의 일상 활동 동안 환자로부터 활동기록기 데이터가 수집된다. 일 예시적인 실시예에서, 활동기록기 디바이스(200)는 환자에 의해 항상(예컨대, 1주 7일, 하루 24시간) 착용되어 시간(1204)부터 시간(1212)까지 환자의 진행중인 활동기록기 데이터를 수집할 수 있다. 도 12는 원격 평가(1202)가 활동기록기 데이터의 수집을 포함한다고 도시하지만, 원격 평가(1202)가 또한 다른 유형들의 수동적 환자 데이터의 수집을 포함할 수 있다고 고려된다. 시간(1204)과 시간(1206) 사이에(예컨대, 2개월의 기간일 수 있음), 환자가 재발을 경험하지 않는 동안(도 12에 흰색으로 표시된 바와 같음) 디바이스(200)는 원격 평가(1202)에 의한 데이터를 트레이닝 데이터로서 수집한다. 시간(1206)에, 환자는 정신건강 서비스 제공자(1201)를 방문하여 환자가 시간(1204)과 시간(1206) 사이에 재발을 경험하지 않았음을 확인할 수 있다. 환자가 재발을 경험하지 않은 경우, 시간(1204)과 시간(1206) 사이 사이에 수집된 데이터는 이상 검출기(예컨대, 위에 설명된 Enc-Dec AD)를 트레이닝하는 데 사용될 수 있다. 이상 검출기는 새로운 데이터가 환자가 우울증의 재발의 시작을 경험할 가능성이 있음을 나타내는 경우를 결정하기 위해 환자로부터 새롭게 획득된 원격 평가 데이터를 분석하는 데 사용된다.
시간(1206)과 시간(1210)에서의 환자의 정신건강 서비스 제공자(1201)의 다음 방문 사이에, 원격 평가(1202)는 계속해서 환자로부터 데이터를 수집한다. 원격 평가(1202)는 또한 컴퓨팅 디바이스(300)가, 단계(1006)에서 위에 설명된 바와 같이, 환자에 의해 입력된 자가 보고 데이터를 수집하는 것을 포함한다. 예시적인 타임라인(1200)에서, 자가 보고 평가는 매주 획득된다. 컴퓨팅 디바이스(300)는 방법(1000)에 따라 새롭게 수집된 활동기록기 및 자가 보고 데이터를 반복적으로 분석하여 새로운 데이터가 환자가 우울증의 재발의 시작을 경험할 가능성이 있음을 나타내는지 여부를 결정한다. 방법(1000)의 각각의 반복 동안(이들의 예가 도 12에서 깃발로 도시됨), 이상 검출기는 트레이닝 데이터로서 가장 최근 원격 평가 데이터를 포함하는 데이터를 이용하여 업데이트된다. 도 12에 도시된 예시적인 타임라인에서, 각각의 하얀 깃발(1208)은 새로운 원격 평가 데이터가 방법(1000)을 이용하여 분석되고 환자가 우울증의 재발의 시작을 경험할 가능성이 있음을 나타내지 않는 것으로 결정된 방법(1000)의 반복을 반영한다. 시간(1206)과 시간(1210) 사이의 기간은, 새로운 원격 평가 데이터가 환자가 우울증의 재발의 시작을 경험할 가능성이 있음을 나타내도록 결정되지 않고, 정신건강 서비스 제공자(1201)가 시간(1210)에 환자가 재발을 경험하고 있지 않다고 확인하는 한, 연속적으로 반복될 수 있다.
예시적인 타임라인(1200)에 도시된 바와 같이, 시간(1210)과 정신건강 서비스 제공자(1201)에 대한 환자의 다음 방문 스케줄 사이에, 원격 평가(1202)는 계속해서 환자로부터 데이터를 수집하고 방법(1000)을 이용하여 새롭게 수집된 데이터를 반복적으로 분석하여 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정한다. 그러나, 도 12의 예에 도시된 바와 같이, 이상 검출기는 새로운 원격 평가 데이터를 환자가 우울증의 재발의 시작을 경험할 가능성이 없음을 나타내는 것으로 결정하지만(하얀 깃발들(1208)로 도시됨), 순차적으로 후속 반복들에서 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정한다(검은 깃발(1211)로 도시됨).
환자가 우울증의 재발의 시작을 경험한 가능성이 있는 것으로 결정되면, 컴퓨팅 디바이스(300)는 환자에게, 정신건강 서비스 제공자(1201)에 대한 환자의 다음 방문 스케줄(미도시) 이전에, 시간(1212)에 선제적으로 환자의 정신건강 서비스 제공자(1201)를 방문하도록 지시한다. 시간(1212)의 선제적 방문 동안, 정신건강 서비스 제공자(1201)는 환자가 재발을 경험했음을 확인하고(검은색으로 도시됨), 순차적으로 조기 개입 개입을 환자에 제공하여 환자의 우울증 증상들을 안정시킬 수 있다. 환자가 안정되고 우울증의 증상들이 호전되면, 시간(1214)에 도시된 바와 같이(흰색으로 도시됨), 환자는 방법(1000)을 다시 개시하고, 예시적인 타임라인(1200)에서 시간(1204)으로 돌아갈 수 있다.
재발 위험이 있는 환자는 전술된 방법(1000)에 따라 연속적으로 모니터될 수 있다. 활동기록기 데이터는 연속적으로 수집되고, 환자의 재발 상태는 규칙적으로 스케줄링된(예컨대, 격월로) 방문 동안 정신건강 서비스 제공자에 의해 결정된다. 각각의 스케줄링된 방문 시, 정신건강 서비스 제공자가 환자가 재발하지 않았다고 결정한다면, 방문 전까지 수집된 모든 활동기록기 데이터는 이상 검출기, 구체적으로, Enc-Dec AD를 트레이닝하는 데 사용된다. 트레이닝된 모델은 후속 임상적 방문 활동 데이터에서 이상 사례들을 검출하는 데 사용된다. 이러한 이상 사례들은 제거되고 나머지 사례들은 이어서 재발 위험에 대해 자가 보고 증상학 평가들에 의해 확인된다. 이 프로세스는 정신건강 서비스 제공자에 대한 모든 비-재발 방문을 계속하고 Enc-Dec AD는 유지된다. 재트레이닝된 Enc-Dec AD는 순차적으로 획득된 활동기록기 데이터에서 이상들을 식별하는 데 사용된다. 방법(100)이 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 결정하면, 컴퓨팅 디바이스(300)는 환자에게 환자의 정신건강 서비스 제공자에 연락하도록 지시할 수 있다. 대안적으로, 컴퓨팅 디바이스(300)는 환자의 정신건강 서비스 제공자에게 경보를 전송할 수 있다. 정신건강 서비스 제공자는 경보를 수신하면, 예를 들어, 정신건강 서비스 제공자의 사무실로부터의 선제적 약속 또는 전화 통화와 같이, 환자를 추적하여 환자의 증상들에 대해 체크할 수 있다. 정신건강 서비스 제공자의 판단에 기초하여, 필요한 경우, 궁극적으로 임박한 재발을 방지하고 더 나은 환자 결과를 이끄는 조기 개입이 취해질 수 있다.
당업자는 본 명세서에 기술된 예시적인 실시예가 별개의 소프트웨어 모듈로서, 하드웨어와 소프트웨어의 조합으로서 등을 포함하는 많은 방식으로 구현될 수 있다는 것을 이해할 것이다. 예를 들어, 예시적인 방법은, 비일시적 저장 매체에 저장되며 컴파일될 때 하나 이상의 프로세서 코어(core) 또는 별개의 프로세서에 의해 실행될 수 있는 코드의 라인을 포함하는 하나 이상의 프로그램으로 구체화될 수 있다. 일 실시예에 따른 시스템은 복수의 프로세서 코어, 및 복수의 프로세서 코어 상에서 실행되어 상기 논의된 예시적인 방법을 수행하는 한 세트의 명령어를 포함한다. 프로세서 코어 또는 별개의 프로세서는 임의의 적합한 전자 장치, 예를 들어 장치 내의 온보드 처리 배열 또는 장치 외부의 처리 배열, 예컨대 장치의 적어도 일부분과 통신할 수 있는 모바일 컴퓨팅 장치, 스마트폰, 컴퓨팅 태블릿, 컴퓨팅 장치 등에 통합될 수 있거나 그와 통신할 수 있다.
실시예
실시예 I
실시예 I에서, 예시적인 활동기록기 디바이스(200)가 환자에게 제공되어 전술된 예시적인 방법들(400, 700)에 따라 활동기록기 데이터를 수집하고 환자의 우울증의 재발을 결정한다. 또한, 환자는 2가지 자가 보고 평가 질문에 응답하여 수면의 인식의 정량적 평가를 매일 제공하도록 요구받는다: (1) 쉬었다고 느끼십니까; 및 (2) 충분한 수면을 취했다고 느끼십니까. 이러한 자가 보고 평가 질문들로부터의 입력들은 트레이닝 자가 보고 데이터를 생성하는 데 사용되고, 이들은 실시예 I에 사용된 이상 검출기들을 트레이닝하는 데 사용되는 트레이닝 데이터에 포함된다. 실시예 I의 환자는 이전 24개월 기간 내에 비정신병성, 재발 MDD에 대한 DSM-5 진단 기준을 충족하였고 경구 항우울제를 복용하고 있었지만, 활동기록기 디바이스(200)를 이용한 활동기록기 모니터링의 개시 시에는 주요 우울병 에피소드에 대한 기준을 충족하지 않았다. 도 13에 도시된 바와 같이, 트레이닝 활동기록기 데이터는 3 개월의 기간 동안 수집되고 매주 반복되는 방법(400)에 따라 업데이트되었다. 환자가 우울증의 재발을 경험했는지 여부를 식별하기 위해 환자 활동기록기 데이터를 매일 수집하고, 환자 활동기록기와는 별도의 테스트를 제공하는 방법(400)을 매주 반복하는 것에 더하여 정신건강 서비스 제공자에 의해 대략 8주마다 환자에게 MADRS 테스트가 시행되었다. 이러한 별도의 테스트는, 초기 MADRS 점수 ≥ 22 및 그에 뒤따른 정신건강 서비스 제공자에 대한 검증 방문에 기초하여, 정신건강 서비스 제공자가 환자의 CGI-S 점수가 방법(400)을 개시하기 이전에(즉, 1일 또는 1일 전에) 획득된 기준선으로부터 2점 증가했다고 결정하거나 또는 환자가 초기에 MADRS 총 점수 ≥ 22를 경험했을 때로부터 14일 내에 약물의 유형 또는 약물의 투여량을 변경한 경우, 환자가 재발했다고 결정한다. 이 테스트에서, 환자가 우울증의 악화로 인해 입원한 경우, 의도적인 자살 생각 또는 자살 행동을 갖거나, 또는 다른 방식으로 정신건강 서비스 제공자에 의해 재발된 것으로 표시되는 경우, MADRS 점수에 상관 없이 환자는 또한 재발된 것으로 간주된다. 이 별도의 테스트는 또한 초기 MADRS 점수 ≥ 22 및 그에 뒤따른 정신건강 서비스 제공자에 대한 검증 방문 후에 MADRS 점수가 22 미만으로 감소되고 CGI-S 점수가 기준선으로부터 2점을 초과한 변화를 보이지 않고 환자에 대한 약물이 또한 환자가 초기에 MADRS 총 점수 ≥ 22를 경험했을 때로부터 14일 내에 변경되지 않은 경우, 환자가 비-재발이라고 결정한다. 도 13에 도시되고 아래 표 2에 열거된 바와 같이, 실시예 I의 환자는 이러한 별도의 테스트에 의해 297일부터 332일까지 비-재발되고 339일부터 381일까지 재발된 것으로 결정되었다. MADRS 테스트들이 8주 간격으로 시행되기 때문에, 환자의 재발은 381일에 MADRS 스케일을 이용하여 검출되지만, 환자는 가능하게는 339일의 이전 MADRS 테스트의 시행 직후부터 시작하여 도 13 및 표 3에 도시된 381일까지 재발되었을 것으로 간주된다는 것에 유의한다.
실시예 I은 컴퓨팅 디바이스(300)의 프로세서(302)를 이용하여, 전술된, 그리고 주 단위로 반복된 환자의 활동기록기 데이터에 기초하여 우울증의 재발의 시작을 검출하기 위해 예시적인 방법(400)에 따라 환자의 활동기록기 데이터를 분석한다. 실시예 I은 2개의 별개의 이상 검출기들: 1 클래스 SVM 이상 검출기 및 IF 이상 검출기를 이용하여 활동기록기 데이터를 이용하여 재발의 가능성을 결정한다. 표 2에 도시된 바와 같이, 하나의 SVM 이상 검출기를 이용하는 프로세서(302)는 테스트 데이터가 트레이닝 데이터와 일치한다고 결정할 때(즉, 재발에 대응할 가능성이 없음) 0의 값을 보고하고 테스트 데이터가 이상이라고 결정할 때(예컨대, 재발에 대응할 가능성이 있음) 1의 값을 보고한다. IF 이상 검출기를 이용한 컴퓨팅 디바이스(300)는 테스트 데이터가 이상에 대응할 가능성에 대응하는 이상 점수를 보고한다. 또한, 실시예 I은 방법(700)을 이용하여 컴퓨팅 디바이스(300)를 통해 2회의 자가 보고 테스트를 시행하고 환자가 우울증의 재발의 시작을 경험했을 가능성이 있는지 여부를 추가로 결정한다. 구체적으로, 실시예 I은 QIDS-SR16 및/또는 GAD-7 테스트를 시행하고 가장 최근 3주로부터 현재 및 이전 결과들을 분석하여 환자가 재발의 위험이 있는지 여부를 결정한다. 이 예에서, 가장 최근 3주로부터의 데이터는 아래 표 2에 도시된 바와 같이 분석될 수 있다.
[표 2]
표 2에서, 테스트 데이터가 이용가능한 주의 수는 QIDS-SR16 및/또는 GAD-7 점수들이 가장 최근 3주의 데이터 내에서 이용가능한 가장 최근 연속적인 주의 수를 지칭한다는 것에 유의한다. 실시예 I에 대한 QIDS-SR16 및 GAD-7 점수들은 아래 표 3에 보고된다.
[표 3]
위의 표 3에 도시된 바와 같이, 실시예 I은 환자로부터 수집되고 컴퓨팅 디바이스에 의해 분석된 활동기록기 데이터가 환자가 환자 활동기록기 데이터 및 QIDS-SR16 및 GAD-7 테스트들을 이용하여 획득된 점수들에 기초하여 381일까지 재발의 위험이 있음을 식별할 것이라고 도시하였다. 이 식별은 MADRS 분석이 전술된 바와 같이 환자가 우울증의 재발을 경험했음을 나타냈을 때로부터 7일 이내이다. 이 데이터는 실시예 I에서 환자 활동기록기 데이터의 사용이 그것의 발생으로부터 7일 내에 우울증의 재발을 식별했고 그럼으로써 재발의 조기 식별을 제공하고 재발에 응답하여 조기에 환자의 치료에 변경을 지시할 수 있도록 했음을 입증한다.
실시예 II
실시예 II에서, 예시적인 활동기록기 디바이스들(200)이 순차적으로 재발된 41명의 환자들에게 제공되었다. 실시예 II에 대한 데이터가 실시예 I에 대해 전술된 것과 유사한 방식으로 수집되었다. 활동기록기 디바이스들(200)은 활동기록기 데이터를 수집했고, 컴퓨팅 디바이스(300)는 실시예 I에서 전술된 2가지 자가 보고 평가 질문에 응답한 수면의 인식의 환자의 정량적 평가를 수집하였다. 데이터는 컴퓨팅 디바이스(300)의 프로세서(302)에 의해 분석되어 SVM 이상 검출기를 이용하여 실시예 I에서 전술된 것과 동일한 방법에 따라 환자의 우울증의 재발의 시작을 검출 및/또는 예측하게 되었다. 실시예 II에 대한 성능 메트릭은 아래 표 4에 도시된다.
[표 4]
도 14는 실시예 I에서 설명된 MADRS 방법에 의해 결정된 바와 같이 재발의 실제 시작 이전에 일정 양의 시간에 걸쳐 재발되었을 가능성이 있는 것으로 결정된 30명의 진양성 환자들의 군의 비율에 대응하는 데이터를 도시한다. 도 14의 데이터는 30명의 진양성 환자들 중 83%가 실제 재발 시작보다 7일 이상 더 일찍 활동기록기 데이터를 이용하여 재발되었을 가능성이 있는 것으로 식별되었음을 도시한다.
실시예 III
실시예 III에서, 예시적인 활동기록기 디바이스들(200)이 약 88명의 대상체들이 재발된 대략 330명의 대상체들에게 제공되었다. 활동기록기 디바이스들(300)은, 실시예 I에서 전술된 바와 같이, 활동기록기 데이터 및 트레이닝 자가 보고 데이터를 수집하였고, 데이터는 컴퓨팅 디바이스(400)에 의해 분석되어 실시예 I에서 전술한 것과 동일한 방법에 따라 환자의 우울증의 재발을 결정하게 된다.
도 15a는 다양한 트리거 비율들에 대한 자가 보고 테스트들이 시행된 환자들의 빈도에 대응하는 데이터를 도시하며, 활동기록기 데이터에 의해 실시예 I에서 전술된 바와 같이 결정될 때 자가 보고 조사가 환자들에게 시행된다. 도 9a에 도시된 데이터는, 트리거 비율 분포에서의 분포차를 나타내는, 2-샘플 콜모고로프-스미르노프(Kolmogorov-Smirnov) 적합도(goodness-of-fit) 가설 테스트 P-값이 ≤ 0.001이다. 도 9b는 다양한 트리거 비율들에 대해 환자들의 자가 보고 테스트가 시행된 빈도에 대응하는 데이터를 도시하고, 자가 보고 테스트는 주 단위로 시행된다. 도 9a에서 볼 수 있는 바와 같이, 활동기록기에 의해 지시된 바와 같이 자가 보고 테스트들이 시행된 환자들의 많은 빈도가 가장 큰 빈도가 1.0의 트리거 비율에 대한 것인 도 9b에 비교하여 더 낮은 트리거 비율(예컨대, 0.2)을 나타내었다. 도 9a 및 도 9b에 도시된 데이터는 자가 보고 테스트들이 이러한 테스트들이 환자 활동기록기 데이터에 의해 트리거될 때 덜 시행되고 따라서, 환자들의 부담을 줄여주고 환자들로부터 준수를 촉구하는 것을 입증한다. 도 10a는 환자들이 완화되어 재발에 가까워지지 않는 시간 프레임 동안 도 9a에 도시된 데이터의 서브세트를 도시한다. 유사하게, 도 10b는 환자들이 완화되어 재발에 가까워지지 않는 시간 프레임 동안 도 9b에 도시된 데이터의 서브세트를 도시한다. 도 11a는 환자들이 재발에 가까워지지는 시간 프레임에 대해 도 9a에 도시된 데이터의 서브세트를 도시한다. 유사하게, 도 11b는 환자들 재발에 가까워지는 시간 프레임에 대해 도 9b에 도시된 데이터의 서브세트를 도시한다. 도 12는 실시예 III의 활동기록기 데이터를 이용하여 우울증의 재발을 결정하는 방법에 대해 성능 메트릭을 도시한다. 도 12에서, ACC는 정확도(Accuracy)를 나타내고, SEN은 민감도(Sensitivity)를 나타내고, SPEC은 특수성을 나타내고, BAC는 균형잡힌 정확도(Balanced Accuracy)를 나타내고, PPV는 양의 예측값(Positive Predictive Value)을 나타내고, NPV는 음의 예측값(Negative Predictive Value)을 나타낸다.
실시예 IV
실시예 IV에서, 예시적인 활동기록기 디바이스들(200)이 순차적으로 재발된 41명의 환자들에게 제공되었다. 실시예 IV에 대한 데이터가 실시예 I에 대해 전술된 것과 유사한 방식으로 수집되었다. 활동기록기 디바이스들(200)은 활동기록기 데이터를 수집했고, 컴퓨팅 디바이스(300)는 실시예 I에서 전술된 2가지 자가 보고 평가 질문에 응답한 수면의 인식의 환자의 정량적 평가를 수집하였다. 데이터는 컴퓨팅 디바이스(300)의 프로세서(302)에 의해 분석되어 환자의 우울증의 재발의 시작을 검출 및/또는 예측하게 되었다. 실시예 IV는 아래 언급된 바와 같이, SVM 이상 검출기를 이용하고 주 단위로 반복되는 것을 제외하고, 실시예 I에서 전술된 것과 유사한 방법을 이용한다. 실시예 IV는 방법(600)을 이용하고 컴퓨팅 디바이스(300)를 통해 실시예 I과 동일한 자가 보고 테스트를 2회 실시하고, 현재 결과 및 가장 최근 3주 이전 결과들을 분석하여 아래 표 5에 도시된 바와 같이 환자가 재발의 위험에 있는지 결정함으로써 환자가 우울증의 재발의 시작을 경험했을 가능성이 있는지 여부를 추가적으로 결정한다.
[표 5]
표 5에서, 테스트 데이터가 이용가능한 주의 수는 QIDS-SR16 및/또는 GAD-7 점수들이 가장 최근 3주의 데이터 내에서 이용가능한 가장 최근 연속적인 주의 수를 지칭한다는 것에 유의한다. 실시예 IV에 대한 성능 메트릭은 아래 표 6에 도시된다.
[표 6]
도 8은 실시예 I에서 설명된 MADRS 방법에 의해 결정된 바와 같이 재발의 실제 시작 이전에 일정 양의 시간에 걸쳐 재발되었을 가능성이 있는 것을 결정된 30명의 진양성 환자들의 군의 비율에 대응하는 데이터를 도시한다. 도 8의 데이터는 30명의 진양성 환자들 중 83%가 실제 재발 시작보다 7일 이상 더 일찍 활동기록기 데이터를 이용하여 재발되었을 가능성이 있는 것으로 식별되었음을 도시한다.
실시예 V
실시예 V에서, Enc-Dec AD를 이용하고 14일의 윈도우(w = 14일)에 기초하여 이상들을 식별하는 도 8의 방법(1000)이 211명의 MDD 대상체들로부터 수집된 데이터를 이용하여 평가되었다. 211명의 MDD 대상체들로부터의 데이터는 자가 보고 증상들(매주, 격주 등으로 측정됨)의 종축 평가를 포함하고, 1년 이상 또는 우울증의 재발의 제1 에피소드까지 연속적으로 활동기록기 데이터가 수집되었다. 대상체들은 또한 규칙적 격월 임상 방문으로 부착된다. 대상체들의 각각은 임상 방문시 및 임상 방문 사이에 규칙적 빈도로(예컨대, 매주 내지 격월) 스마트폰을 이용하여 자가 보고 평가들을 완료하였다. 활동기록기 데이터는, 예를 들어 필립스 리스퍼로닉스(Philips Respironics)의 필립스 액티워치(Philips Actiwatch)와 같은, 디바이스의 얼굴에 평행한 방향으로의 가속을 측정하는 비우세한 손목에 착용된 디바이스를 이용하여, 32 ㎐의 연속적인 샘플링으로, 각각의 대상체로부터 연속적으로 수집되었다. 디바이스에 의해 기록된 미가공 가속 데이터는 움직임 진폭을 반영하는 15초 에포크들 (활동기록기 데이터)의 카운트에 통합되었다. 활동 카운트가 0인 에포크들을 최소화하기 위해, 15초 에포크를 각각의 분에 합함으로써 분단위 해상도 활동 카운트 데이터 스트림을 생성하였고, 하루에 1440개의 활동 카운트 데이터 포인트들을 만들었다.
각각의 임상 방문은 환자가 아래 열거된 하기 기준 중 어느 하나에 기초하여 충족되는 경우 재발로 라벨링된다:
(1) 연구 방문 시 MADRS 총 점수 ≥ 22이고, 대략 1 내지 2주 간격에 걸쳐 증상 악화 확인됨.
(2) 대상체가 (예정된 또는 예정되지 않은) 연구 방문에서 MADRS 등급 ≥ 22를 받은 경우, 추가적인 방문(즉 재발 검증 방문)이 1 내지 2주 내에 예정될 것이다.
○
재발 검증 방문에서 MADRS 등급 ≥ 22인 대상체들은 재발했다고 간주될 것이다.
○
재발 검증 방문에서 기준선으로부터의 CGI-S 변화 ≥ 2 또는 연구 방문으로부터 + 또는 - 14일 동안 발생한 약물 변경은 재발했다고 간주될 것이다.
(3) 우울증의 악화로 인한 입원
(4) 의도적인 자살 생각, 또는 자살 행동
(5) 정신건강 서비스 제공자에 의한 결정
임상 방문이 위 기준을 충족하지 못하는 경우, 비-재발로 라벨링되었다. 라벨들은 이전 임상 방문 후의 날까지 지속된 것으로 추정되었다. 211명의 MDD 대상체들 중에서, 50명의 재발 대상체들 및 161명의 비-재발 대상체들에 대응하는 총 1190번의 방문(1140번의 비-재발 방문 및 50번의 재발 방문)이 평가되었다. 모든 대상체들에서 활동기록기 데이터의 수집을 개시한 후의 제1 임상 방문은 각각의 대상체에 Enc-Dec AD를 트레이닝하는 데 사용되고 따라서 평가를 위한 1190번의 방문들에는 포함되지 않는다. 또한, 재발 대상체들에 대해 평가된 마지막 방문은 그들의 재발 방문이다. 따라서, 실시예 V의 평가들은 제1 재발까지이고 다수의 재발들은 이 예에서 고려되지 않는다.
위에서 식별된 재발 기준의 각각에 의한 211명의 MDD 대상체들의 분포가 표 7에 제공된다.
[표 7]
211명의 MDD 대상체들의 특성들이 아래 표 8에 요약되어 있다.
[표 8]
추가적으로, 도 19a 및 19b는 재발 및 비-재발 대상체들에 대해 각각 모든 이용가능한 방문들을 도시한다.
활동기록기 특징들을 분석하여 DFA, MFDFA 및 샘플 엔트로피에 대한 특징들을 추출하였다. 이러한 특징들은 제어되지 않는 일상 스케줄 및 환경 조건에 의해 덜 영향받는 것으로 여겨지며, 이는 일주기성 하루이내 리듬 및 활동 패턴들의 복잡성에 대해 객관적인 평가를 이끌 수 있다. 실시예 V에서, DFA 특징은 2차 다항 함수를 이용하여 활동기록기 데이터를 추세제거하여 데이터 내의 가능한 선형적 추세들의 효과를 제거하도록 결정되었다. 시간 스케일 n에서 
의 신뢰성있는 추정을 보장하기 위해, 각각의 날에 대해 갭 > 72분(하루의 활동 카운트의 1440분의 5%) 없는 가장 최근 연속적인 날들의 활동(적어도 연속 2일)이 이용되었다. 변동 지수(α)는 2개의 상이한 시간 스케일에서 10(즉, 1분의 에포크 길이를 갖는 10 데이터 포인트들)분 내지 90분 동안 
및 120분 내지 600분 동안 
로서 각각 활동 역학의 구분된 영역들을 캡처한다. MFDFA 특징들이 0.1의 증분으로 -5에서 5까지 변하는 q의 값들을 이용하여 추출되고, s는 10분에서 600분까지 변한다. 샘플 엔트로피 특징들은 각각의 하루 및 4개의 에포크, 오전(6 am 내지 12 pm), 오후(12 pm 내지 6 pm), 저녁(6 pm 내지 12 am), 및 밤(12 am 내지 6 am) 각각에 대해 추출된다. 더 구체적으로는, SaEn은 지난 7일의 활동 카운트에 걸친(어떠한 식별된 갭도 없음) (z-점수 활동 카운트 상에서) 중앙 SaEn 값으로 결정된다.
모든 활동기록기 특징들이 각각의 날에 대해 마지막 7일의 연속적인 활동 카운트와 함께 연산되었는데, 최소 요건은 적어도 2일의 연속적인 활동 카운트이다. 활동 카운트는 다음을 검출하기 위해 신호 품질 확인을 거쳤다: (i) 전역 평균 레벨로부터 멀리 10 표준편차만큼 나아가는 진폭을 갖는 거대한 스파이크의 고립 및 (ii) 지속시간 > 60분을 갖는 0들의 시퀀스. 식별된 데이터 포인트들 또는 세그먼트들은 갭으로 라벨링되고 특징 연산에서 적절하게 처리된다.
제1 격월 임상 방문 전 초기 기간에 활동기록기 데이터로부터 추출된 특징들은 Enc-Dec AD를 트레이닝하는 데 사용된다. 실시예 V의 Enc-Dec AD는 표 9에 열거된 파라미터들에 따라 명시된다.
[표 9]
제1 격월 임상 방문이 환자가 우울증이 재발하지 않았다고 결정한 경우, 순차적으로 수집된 활동기록기 데이터를 트레이닝된 Enc-Dec AD를 이용한 방법(1000)에 따라 분석하여 임의의 이상들을 식별하였다. 이 프로세스는 임상 방문에 대한 모든 비-재발 방문을 계속했고 Enc-Dec AD는 환자가 우울증이 재발하지 않았음을 나타내는 모든 방문 후에 재트레이닝되었다. 재트레이닝된 Enc-Dec AD는 후속 방문 동안 수집된 데이터 내의 이상들을 식별하는 데 사용되었다. 임의의 식별된 이상들에 대해, 식별된 이상들과 동시에 수집된 자가 보고 증상학 설문, VQIDS-SR5 및 GAD-7는 이상들이 환자가 우울증의 재발의 시작을 경험할 가능성이 있음을 나타내는지 여부를 결정하기 위한 추가 확인 단계로서 단계(1008)에 따라 추가적으로 평가하기 위해 평가되었다. 실시예 V에서, 이상은 이상이 검출된 주 및 이상 주에 후속하는 동안의 자가 보고 증상학 설문으로부터의 데이터를 분석한 후에 환자가 우울증의 재발의 시작을 경험할 가능성이 있음을 나타내는 것으로 결정된다. 자가 보고 증상학 설문으로부터의 데이터가 이상이 검출된 주 동안 또는 이상 주에 후속하는 주 동안 이용가능하지 않은 경우, 이상은 우울증의 재발의 시작이 가능성이 있음을 나타내는 것으로 결정되지 않는다.
도 20은 실시예 V의 Enc-Dec AD가 연속적으로 모든 비-재발 방문의 활동기록기 데이터 상에서 트레이닝되고 후속 방문 활동기록기 데이터에서 이상들이 예측됨을 도시하는 3회의 상이한 임상 방문에 대한 예시적인 타임라인들을 도시한다. 상부 타임라인(2002)은 적어도 1 비-재발 방문을 갖는 환자를 도시하고, 이전 활동기록기 데이터는 테스팅 데이터를 분석하기 위해 트레이닝 데이터로서 사용된다. 중간 타임라인(2004)에 도시된 바와 같이, 이전 방문(타임라인(2002)에 도시됨)으로부터의 테스팅 데이터는 타임라인(2002)에 도시된 방문에 대한 트레이닝 데이터가 된다. 유사하게 하부 타임라인(2006)에서, 이전 방문(타임라인들(2002, 2004)에 도시됨)로부터의 테스팅 데이터는 타임라인(2006)에 도시된 방문에 대한 트레이닝 데이터가 된다. 각각의 재발 및 비-재발 대상체에 대해, 프로세스는 제1 재발까지 계속되고, 이는 실시예 V에서 재발된 환자에 대한 마지막 임상 방문이다.
실시예 V에서의 비-재발 대 재발을 결정하기 위한 성능 메트릭이 아래 표 10에 도시되어 있다.
[표 10]
위의 표 10에 도시된 바와 같이, 실시예 V는 재발을 예측하는 데 있어서 0.66의 민감도, 0.82의 특수성 및 0.74의 균형잡힌 정확도를 달성하였다. 관찰된 재발의 유병률은 4.2%이고, 실시예 V는 0.14의 양의 예측값 및 0.98의 음의 예측값을 달성하였다. 실시예 V는 또한 재발 및 비-재발 대상체들 중에서 0.18의 전체 거짓 알람율(FAR)(재발 대상체들에 대한 0.28의 FAR 및 비-재발 대상체들에 대한 0.16의 FAR)을 달성하였다.
위의 표 10에 도시된 바와 같이, 실시예 V는 재발 및 비-재발 대상체들에 걸쳐 0.18의 거짓 알람율을 갖는다. 재발 대상체들의 거짓 알람율은 0.28이고 비-재발 대상체들에서 0.16인데, 이는 재발 대상체들에서 더 종종 우울증의 재발을 검출 및/또는 예측하는 실시예 V의 능력을 나타내고, 따라서, 실시예 V에 의한 우울증의 재발을 경험할 가능성으로서의 결정은 결국 재발 이벤트로 이어질 수 있음을 나타낸다.
실시예 V에서의 비-재발 대 재발을 결정하기 위한 성능 메트릭은, 표 10에 도시된 바와 같이, 테스트 활동기록기 데이터에서의 이상들의 검출 단독 또는 자가 보고 테스트 데이터 단독에서의 매주 수집에 기초한 재발의 식별에 대한 성능 메트릭과 비교된다.
[표 11]
표 11에서 볼 수 있는 바와 같이, 실시예 V는 이상 검출 단독 또는 자가 보고 테스트 데이터 단독과 비교하여 비교가능한 민감도를 제공하지만, 현저히 증가한 특수성을 제공한다. 특히, 실시예 V는 이상 검출 또는 자가 보고 테스트 데이터의 매주 수집 단독과 비교하여 현저한 FAR의 감소를 제공한다. 실시예 V는 이러한 컴포넌트들의 각각에 의해 달성될 수 없는 FAR의 감소를 제공한다. 표 11에 도시된 바와 같이, 이상 검출 및 자가 보고 테스트 데이터의 특정 시간 할당 조합을 이용하는 실시예 V는 이상 검출 및 자가 보고 테스트 데이터의 별개의 두 분석의 조합보다 예상치 못하게 더 큰(또는 상승효과) FAR의 감소를 제공한다. 이 데이터는 그들의 기준선 평가에 기초하여 재발의 위험이 있는 임의의 대상체들에 대해, 프레임워크에 의한 양의 예측은 조기 개입이 없는 한 궁국적으로 재발에 이를 가능성이 매우 높을 것임을 시사한다. 실시예 V의 방법은 우울증의 시작 전 21일의 중간에 환자가 우울증의 재발의 시작을 경험할 가능성이 있다고 식별할 수 있었고, 이는 우울증의 재발의 시작 전에 우울증 치료를 조정할 기회의 창구를 제공한다.
FAR의 감소를 고려하면, 실시예 V의 방법 은 또한 이상 검출 단독 또는 자가 보고 테스트 데이터 단독에 비교하여 현저하게 제공자 부담을 감소시킨다. 아래 표 12에서 볼 수 있는 바와 같다
[표 12]
표 12는 이상 검출 단독, 자가 보고 테스트 데이터 단독, 또는 실시예 V의 방법에 기초하여 환자가 우울증의 재발의 시작을 경험할 가능성이 있다는 결정에 대응했던 예정된 격월 선제적 방문의 백분율에 의해 표현된 제공자 부담을 도시한다. 특히, 실시예 V는 이상 검출 또는 자가 보고 테스트 데이터의 매주 수집 단독과 비교하여 현저한 제공자 부담의 감소를 제공한다. 실시예 V는 이러한 컴포넌트들의 각각에 의해 달성될 수 없는 제공자 부담의 감소를 제공한다. 표 12에 도시된 바와 같이, 이상 검출 및 자가 보고 테스트 데이터의 특정 시간 할당 조합을 이용하는 실시예 V는 이상 검출 및 자가 보고 테스트 데이터의 별개의 두 분석의 조합보다 예상치 못하게 더 큰(또는 상승효과) 제공자 부담의 감소를 제공한다.
표 12는 또한 환자가 재발의 시작을 경험할 가능성이 있는지 여부를 결정할 때 자가 보고 데이터(즉, 분석에 사용되는 것들)가 분석될 것이라는 결정에 대응하는 모든 예정된 매주 자가 보고 평가들의 백분율에 의해 표현된 환자 부담을 나타낸다. 환자가 재발의 시작을 경험할 가능성이 있다는 결정 후에 예정된 매주 자가 보고 평가들의 경우, 이러한 평가들은 환자 부담을 나타내는 백분율의 일부가 아니다. 이 데이터는 211명의 대상체들의 연구 집단에 걸쳐 1년 이상 수집된다. 표 12에 도시된 바와 같이, 실시예 V에 따라 선택적으로 자가 보고 테스트들을 시행하는 것은 또한 환자 부담을 현저하게 감소시키고 그럼으로써, 낮은 FAR로, 그리고 환자와 제공자 둘 모두에 낮은 부담으로 충분히 민감한 환자들을 모니터링하기 위한 효과적인 방법을 제공한다.
본 명세서에 기재되고 청구된 발명은 본 명세서에 개시된 구체적인 실시 형태에 의해 범주가 제한되지 않는데, 그 이유는 이들 실시 형태가 본 발명의 몇몇 태양의 예시로서 의도되기 때문이다. 임의의 등가의 실시 형태는 본 발명의 범주 내에 있는 것으로 의도된다. 실제로, 본 명세서에 도시 및 기재된 것들에 더하여 본 발명의 다양한 수정이 전술한 설명으로부터 당업자에게 명백할 것이다. 이러한 수정은 또한 첨부된 청구범위의 범주 내에 속하는 것으로 의도된다. 본 명세서에 인용된 모든 간행물은 전체적으로 참고로 포함된다.
Claims (37)
- 환자의 우울증의 재발을 검출 또는 예측하기 위한 컴퓨터 구현 방법으로서,
(i) 트레이닝 기간에 걸쳐, 상기 환자에 의해 착용된 웨어러블 디바이스로부터, 상기 환자의 트레이닝 데이터를 획득하는 단계 - 상기 트레이닝 데이터는 상기 트레이닝 기간에 걸친 상기 환자의 움직임에 대응하는 트레이닝 활동기록기 데이터를 포함하고, 상기 트레이닝 기간은 상기 환자가 우울증의 재발의 시작을 경험하지 않은 기간 동안임 -;
(ii) 상기 트레이닝 데이터를 이용하여 이상 검출기를 트레이닝하는 단계 - 상기 이상 검출기는 상기 트레이닝 데이터로부터 편차들을 식별하도록 구성됨 -;
(iii) 상기 트레이닝 기간 후에 테스트 기간 동안, 상기 웨어러블 디바이스로부터, 상기 환자의 테스트 데이터를 획득하는 단계 - 상기 테스트 데이터는 상기 트레이닝 기간 후의 상기 환자의 움직임에 대응하는 테스트 활동기록기 데이터를 포함함 -;
(iv) 상기 테스트 데이터로부터 복수의 특징들을 추출하여 테스트 특징 데이터를 생성하는 단계 - 상기 특징들은 활동, 수면, 일주기성 리듬, 및 멀티프랙탈 역학 중 적어도 하나에 대한 메트릭들에 대응함 -;
(v) 상기 이상 검출기를 이용하여 상기 테스트 특징 데이터를 분석하여 상기 테스트 특징 데이터를 상기 트레이닝 데이터에 비교하는 단계;
(vi) 상기 이상 검출기가 상기 테스트 특징 데이터가 상기 트레이닝 활동기록기 데이터에 비교하여 이상일 가능성이 있다고 결정할 때 자가 보고 테스트를 상기 환자에게 시행하여 상기 환자로부터 복수의 입력들을 획득하는 단계; 및
(vii) 상기 환자로부터의 상기 복수의 입력들을 분석하여 상기 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하는 단계를 포함하는, 컴퓨터 구현 방법. - 제1항에 있어서,
(viii) 상기 테스트 데이터를 포함하도록 상기 트레이닝 데이터를 업데이트하고, 상기 환자가 우울증이 재발했다고 결정될 때까지 단계들(ii 내지 vii)을 반복하는 단계를 추가로 포함하는, 컴퓨터 구현 방법. - 제2항에 있어서, 단계들(ii 내지 vii)은 매주 반복되는, 컴퓨터 구현 방법.
- 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 트레이닝 데이터는 상기 트레이닝 기간에 걸친 상기 환자의 신체적 행동의 자가 보고 특성들에 대응하는 데이터를 추가로 포함하고, 상기 테스트 데이터는 상기 테스트 기간 동안 상기 환자의 신체적 행동의 자가 보고 특성들에 대응하는 데이터를 추가로 포함하는, 컴퓨터 구현 방법.
- 제1항 내지 제4항 중 어느 한 항에 있어서, 단계(vi)는:
사용자 인터페이스를 통해, 복수의 자가 보고 조사 질문들을 상기 환자에게 디스플레이하는 단계, 및
상기 자가 보고 조사 질문들에 응답하여, 상기 사용자 인터페이스를 통해, 상기 환자로부터 상기 복수의 입력들을 수신하는 단계를 포함하는, 컴퓨터 구현 방법. - 제1항 내지 제5항 중 어느 한 항에 있어서, 단계(vii)는:
상기 복수의 입력들을 분석하여 상기 자가 보고 테스트에 대한 결과 점수를 생성하는 단계, 및
상기 결과 점수를 적어도 하나의 임계값에 비교하여 상기 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하는 단계를 포함하는, 컴퓨터 구현 방법. - 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 이상 검출기는 1-클래스 지지 벡터 머신 모듈인, 컴퓨터 구현 방법.
- 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 이상 검출기는 아이솔레이션 포레스트 모듈(isolation forest module)인, 컴퓨터 구현 방법.
- 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 트레이닝 기간은 적어도 3 개월인, 컴퓨터 구현 방법.
- 제5항에 있어서, 상기 복수의 자가 보고 조사 질문들은 우울증의 증상들에 대응하고, 상기 환자로부터의 상기 복수의 입력들은 각각의 증상에 대한 숫자 눈금 상의 등급에 대응하는, 컴퓨터 구현 방법.
- 제1항 내지 제10항 중 어느 한 항에 있어서,
상기 환자가 우울증의 재발의 시작을 경험할 가능성이 있는 것으로 결정될 때 상기 환자에게 투여되는 항우울제의 투여량을 조정하는 단계를 추가로 포함하는, 컴퓨터 구현 방법. - 제1항 내지 제10항 중 어느 한 항에 있어서,
상기 환자가 우울증의 재발의 시작을 경험할 가능성이 있는 것으로 결정될 때 상기 환자에게 투여되는 항우울제의 투여량을 증가시키는 단계를 추가로 포함하는, 컴퓨터 구현 방법. - 환자의 우울증의 재발을 검출 또는 예측하기 위한 시스템으로서,
상기 환자의 움직임을 검출하도록 구성된 적어도 하나의 가속도계를 포함하는 웨어러블 디바이스 - 상기 웨어러블 디바이스는 상기 환자의 움직임에 대응하는 활동기록기 데이터를 생성하도록 구성됨 -; 및
상기 웨어러블 디바이스로부터 활동기록기 데이터를 수신하도록 상기 웨어러블 디바이스에 동작가능하게 연결된 컴퓨팅 디바이스를 포함하고, 상기 컴퓨팅 디바이스는:
출력을 디스플레이하고 상기 환자로부터 입력을 수신하기 위한 사용자 인터페이스, 및
프로세서 및 상기 프로세서에 의해 실행가능한 명령어들의 세트를 포함하는 비일시적 컴퓨터 판독가능 저장 매체를 포함하고, 상기 명령어들의 세트는:
트레이닝 기간에 걸쳐, 상기 웨어러블 디바이스로부터, 상기 환자의 움직임에 대응하는 트레이닝 활동기록기 데이터를 획득하고 - 상기 트레이닝 기간은 상기 환자가 우울증의 재발의 시작을 경험하지 않은 기간 동안임 -,
상기 트레이닝 활동기록기 데이터를 포함하는 트레이닝 데이터를 이용하여 이상 검출기를 트레이닝하고 - 상기 이상 검출기는 상기 트레이닝 데이터로부터 편차들을 식별하도록 구성됨 -,
상기 트레이닝 기간 후에, 상기 웨어러블 디바이스로부터, 상기 환자의 움직임에 대응하는 테스트 활동기록기 데이터를 획득하고,
상기 테스트 활동기록기 데이터로부터 복수의 특징들을 추출하여 테스트 특징 데이터를 생성하고 - 상기 특징들은 활동, 수면, 일주기성 리듬, 및 멀티프랙탈 역학 중 적어도 하나에 대한 메트릭들에 대응함 -,
상기 이상 검출기를 이용하여 상기 테스트 특징 데이터를 분석하여 상기 테스트 특징 데이터를 상기 트레이닝 데이터에 비교하고,
상기 사용자 인터페이스가 복수의 자가 보고 조사 질문들을 상기 환자에게 디스플레이하도록 지시하고,
상기 자가 보고 조사 질문들에 응답하여, 상기 사용자 인터페이스를 통해, 상기 환자로부터의 상기 복수의 입력들을 수신하고,
상기 환자로부터의 상기 복수의 입력들을 분석하여 상기 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하도록 동작가능한, 시스템. - 제13항에 있어서, 상기 활동기록기 디바이스는, 동작 구성에서, 상기 환자의 손목 둘레에 착용하도록 구성된, 시스템.
- 제13항 또는 제14항에 있어서, 상기 사용자 인터페이스는 터치 스크린인, 시스템.
- 제13항 내지 제15항 중 어느 한 항에 있어서, 상기 컴퓨팅 디바이스는 모바일 컴퓨팅 디바이스, 스마트폰, 및 컴퓨팅 태블릿으로 구성된 군으로부터 선택된, 시스템.
- 제13항 내지 제16항 중 어느 한 항에 있어서, 상기 이상 검출기는 1-클래스 지지 벡터 머신 모듈인, 시스템.
- 제13항 내지 제16항 중 어느 한 항에 있어서, 상기 이상 검출기는 아이솔레이션 포레스트 모듈인, 시스템.
- 제13항 내지 제18항 중 어느 한 항에 있어서, 상기 복수의 자가 보고 조사 질문들은 우울증의 증상들에 대응하고, 상기 환자로부터의 상기 복수의 입력들은 각각의 대응 증상의 숫자 눈금 상의 등급에 대응하는, 시스템.
- 제13항 내지 제19항 중 어느 한 항에 있어서, 상기 명령어들의 세트는 상기 컴퓨팅 디바이스에 의해 상기 환자가 우울증의 재발의 시작을 경험할 가능성이 있는 것으로 결정될 때 상기 환자에게 투여되는 항우울제의 투여량에 대한 조정을 나타내는 출력을 지시하도록 동작가능한 명령어들을 추가로 포함하는, 시스템.
- 환자의 우울증의 재발을 검출 또는 예측하기 위한 컴퓨터 구현 방법으로서,
(i) 트레이닝 기간에 걸쳐, 상기 환자에 의해 착용된 웨어러블 디바이스로부터, 상기 환자의 트레이닝 데이터를 획득하는 단계 - 상기 트레이닝 데이터는 상기 트레이닝 기간에 걸친 상기 환자의 움직임에 대응하는 트레이닝 활동기록기 데이터를 포함하고, 상기 트레이닝 기간은 상기 환자가 우울증의 재발의 시작을 경험하지 않은 기간 동안임 -;
(ii) 상기 트레이닝 데이터를 이용하여 이상 검출기를 트레이닝하는 단계 - 상기 이상 검출기는 상기 트레이닝 데이터로부터 편차들을 식별하도록 구성됨 -;
(iii) 상기 웨어러블 디바이스로부터, 테스트 기간 동안 상기 환자의 테스트 데이터를 획득하는 단계 - 상기 테스트 기간의 적어도 일부분은 상기 트레이닝 기간 이후이고, 상기 테스트 데이터는 상기 트레이닝 기간 이후의 상기 환자의 움직임에 대응하는 테스트 활동기록기 데이터를 포함함 -;
(iv) 상기 테스트 데이터로부터 복수의 특징들을 추출하여 테스트 특징 데이터를 생성하는 단계 - 상기 특징들은 모노프랙탈 패턴들, 멀티프랙탈 역학 및 샘플 엔트로피 중 적어도 하나에 대한 메트릭들에 대응함 -;
(v) 상기 이상 검출기를 이용하여 상기 테스트 특징 데이터를 분석하여 상기 테스트 특징 데이터를 상기 트레이닝 데이터에 비교하여 상기 테스트 특징 데이터에서 이상을 검출하는 단계; 및
(vi) 자가 보고 테스트 데이터를 분석하여 상기 테스트 특징 데이터에서 이상이 검출될 때 상기 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하는 단계 - 상기 자가 보고 테스트 데이터는 자가 보고 테스트에 응답하여 상기 환자로부터의 복수의 입력들로부터 생성됨 -를 포함하는, 컴퓨터 구현 방법. - 제21항에 있어서, 상기 자가 보고 테스트는 상기 검출된 이상과 동시의 시간에 수집되는, 컴퓨터 구현 방법.
- 제21항 또는 제22항에 있어서, 상기 자가 보고 테스트는 이상이 검출된 이후에 상기 환자로부터 수집되는, 컴퓨터 구현 방법.
- 제21항 내지 제23항 중 어느 한 항에 있어서,
(vii) 상기 테스트 데이터를 포함하도록 상기 트레이닝 데이터를 업데이트하고, 상기 환자가 우울증이 재발했다고 결정될 때까지 단계들(ii 내지 vi)을 반복하는 단계를 추가로 포함하는, 컴퓨터 구현 방법. - 제24항에 있어서, 단계들(ii 내지 vii)은 상기 환자가 우울증이 재발했다고 결정될 때까지 연속적으로 반복되는, 컴퓨터 구현 방법.
- 제21항 내지 제25항 중 어느 한 항에 있어서, 단계(vi)는:
상기 자가 보고 테스트 데이터를 분석하여 상기 자가 보고 테스트에 대한 결과 점수를 생성하는 단계, 및
상기 결과 점수를 적어도 하나의 임계값에 비교하여 상기 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하는 단계를 포함하는, 컴퓨터 구현 방법. - 제21항 내지 제26항 중 어느 한 항에 있어서, 상기 이상 검출기는 장단기 메모리(long short-term memory, LSTM) 신경망을 이용하고, 상기 이상 검출기는 인코더 및 디코더를 포함하는, 컴퓨터 구현 방법.
- 제27항에 있어서, 단계(v)는:
제1 이상 임계치를 이용하여 상기 테스트 특징 데이터의 비-이상 섹션들을 식별하는 단계;
제2 이상 임계치를 이용하여 상기 테스트 특징 데이터 내의 잠재적 이상 사례들을 결정하는 단계 - 상기 제2 이상 임계치는 상기 비-이상 섹션들에 기초하여 결정됨 -;
각각의 잠재적 이상 사례에 대한 백분율 감소에 기초하여 상기 잠재적 이상 사례들을 제거하여 상기 테스트 특징 데이터 내의 상기 이상을 식별하는 단계를 포함하는, 컴퓨터 구현 방법. - 제21항 내지 제28항 중 어느 한 항에 있어서, 상기 트레이닝 기간은 적어도 14일인, 컴퓨터 구현 방법.
- 제21항 내지 제29항 중 어느 한 항에 있어서,
상기 환자가 우울증의 재발의 시작을 경험할 가능성이 있는 것으로 결정될 때 상기 환자에게 투여되는 항우울제의 투여량을 조정하는 단계를 추가로 포함하는, 컴퓨터 구현 방법. - 제21항 내지 제30항 중 어느 한 항에 있어서,
상기 환자가 우울증의 재발의 시작을 경험할 가능성이 있는 것으로 결정될 때 상기 환자에게 투여되는 항우울제의 투여량을 증가시키는 단계를 추가로 포함하는, 컴퓨터 구현 방법. - 환자의 우울증의 재발을 검출 또는 예측하기 위한 시스템으로서,
상기 환자의 움직임을 검출하도록 구성된 적어도 하나의 가속도계를 포함하는 웨어러블 디바이스 - 상기 웨어러블 디바이스는 상기 환자의 움직임에 대응하는 활동기록기 데이터를 생성하도록 구성됨 -; 및
상기 웨어러블 디바이스로부터 활동기록기 데이터를 수신하도록 상기 웨어러블 활동기록기 디바이스에 동작가능하게 연결된 컴퓨팅 디바이스를 포함하고, 상기 컴퓨팅 디바이스는:
출력을 디스플레이하고 상기 환자로부터 입력을 수신하기 위한 사용자 인터페이스, 및
프로세서 및 상기 프로세서에 의해 실행가능한 명령어들의 세트를 포함하는 비일시적 컴퓨터 판독가능 저장 매체를 포함하고, 상기 명령어들의 세트는:
트레이닝 기간에 걸쳐, 상기 웨어러블 디바이스로부터, 상기 환자의 움직임에 대응하는 트레이닝 활동기록기 데이터를 획득하고 - 상기 트레이닝 기간은 상기 환자가 우울증의 재발의 시작을 경험하지 않은 기간 동안임 -,
상기 트레이닝 활동기록기 데이터를 포함하는 트레이닝 데이터를 이용하여 이상 검출기를 트레이닝하고 - 상기 이상 검출기는 상기 트레이닝 데이터로부터 편차들을 식별하도록 구성됨 -,
상기 웨어러블 디바이스로부터, 테스트 기간 동안 상기 환자의 움직임에 대응하는 테스트 활동기록기 데이터를 획득하고 - 상기 테스트 기간의 적어도 일부분은 상기 트레이닝 기간 이후임 -,
상기 테스트 활동기록기 데이터로부터 복수의 특징들을 추출하여 테스트 특징 데이터를 생성하고 - 상기 특징들은 활동 중 적어도 하나, 모노프랙탈 패턴들, 멀티프랙탈 역학 및 샘플 엔트로피 중 적어도 하나에 대한 메트릭들에 대응함 -,
상기 이상 검출기를 이용하여 상기 테스트 특징 데이터를 분석하여 상기 테스트 특징 데이터를 상기 트레이닝 데이터에 비교하여 상기 테스트 특징 데이터에서 이상을 검출하고,
자가 보고 테스트 데이터를 분석하여 상기 테스트 특징 데이터에서 이상이 검출될 때 상기 환자가 우울증의 재발의 시작을 경험할 가능성이 있는지 여부를 결정하도록 동작가능하고,
상기 자가 보고 테스트 데이터는 상기 사용자 인터페이스 상에 디스플레이되는 복수의 자가 보고 조사 질문들을 포함하는 자가 보고 테스트에 응답하여 상기 사용자 인터페이스에 의해 상기 환자로부터 수신된 복수의 입력들로부터 생성되는, 시스템. - 제32항에 있어서, 상기 활동기록기 디바이스는, 동작 구성에서, 상기 환자의 손목 둘레에 착용하도록 구성된, 시스템.
- 제32항 또는 제33항에 있어서, 상기 사용자 인터페이스는 터치 스크린인, 시스템.
- 제32항 내지 제34항 중 어느 한 항에 있어서, 상기 컴퓨팅 디바이스는 모바일 컴퓨팅 디바이스, 스마트폰, 및 컴퓨팅 태블릿으로 구성된 군으로부터 선택된, 시스템.
- 제32항 내지 제35항 중 어느 한 항에 있어서, 상기 이상 검출기는 장단기 메모리(LSTM) 신경망을 이용하고, 상기 이상 검출기는 인코더 및 디코더를 포함하는, 시스템.
- 제32항 내지 제36항 중 어느 한 항에 있어서, 상기 복수의 자가 보고 조사 질문들은 우울증의 증상들에 대응하고, 상기 환자로부터의 상기 복수의 입력들은 각각의 대응 증상의 숫자 눈금 상의 등급에 대응하는, 시스템.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063049053P | 2020-07-07 | 2020-07-07 | |
| US63/049,053 | 2020-07-07 | ||
| US202163202871P | 2021-06-28 | 2021-06-28 | |
| US63/202,871 | 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 |
|---|---|
| KR20230035609A true KR20230035609A (ko) | 2023-03-14 |
Family
ID=77155732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237004114A KR20230035609A (ko) | 2020-07-07 | 2021-07-06 | 주요 우울 장애의 재발을 검출 및 예측하기 위한 시스템 및 방법 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US20230245773A1 (ko) |
| EP (1) | EP4179546A1 (ko) |
| JP (1) | JP2023532790A (ko) |
| KR (1) | KR20230035609A (ko) |
| CN (1) | CN115867983A (ko) |
| AU (1) | AU2021303739A1 (ko) |
| CA (1) | CA3188798A1 (ko) |
| IL (1) | IL299689A (ko) |
| WO (1) | WO2022008523A1 (ko) |
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 JP JP2023501190A patent/JP2023532790A/ja active Pending
- 2021-07-06 AU AU2021303739A patent/AU2021303739A1/en active Pending
- 2021-07-06 CN CN202180048453.XA patent/CN115867983A/zh active Pending
- 2021-07-06 US US18/002,527 patent/US20230245773A1/en active Pending
- 2021-07-06 KR KR1020237004114A patent/KR20230035609A/ko unknown
- 2021-07-06 EP EP21748791.7A patent/EP4179546A1/en active Pending
- 2021-07-06 WO PCT/EP2021/068689 patent/WO2022008523A1/en unknown
- 2021-07-06 IL IL299689A patent/IL299689A/en unknown
- 2021-07-06 CA CA3188798A patent/CA3188798A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN115867983A (zh) | 2023-03-28 |
| EP4179546A1 (en) | 2023-05-17 |
| JP2023532790A (ja) | 2023-07-31 |
| US20230245773A1 (en) | 2023-08-03 |
| WO2022008523A1 (en) | 2022-01-13 |
| CA3188798A1 (en) | 2022-01-13 |
| AU2021303739A1 (en) | 2023-03-09 |
| IL299689A (en) | 2023-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reinertsen et al. | A review of physiological and behavioral monitoring with digital sensors for neuropsychiatric illnesses | |
| Hovsepian et al. | cStress: towards a gold standard for continuous stress assessment in the mobile environment | |
| EP3277181B1 (en) | Systems and methods for assessing cognitive function | |
| US20150148621A1 (en) | Methods and systems for creating a preventative care plan in mental illness treatment | |
| Carreiro et al. | Wearable sensor-based detection of stress and craving in patients during treatment for substance use disorder: A mixed methods pilot study | |
| US20190076098A1 (en) | Artificial Neural Network Based Sleep Disordered Breathing Screening Tool | |
| Onorati et al. | Prospective study of a multimodal convulsive seizure detection wearable system on pediatric and adult patients in the epilepsy monitoring unit | |
| US10098582B1 (en) | Characterizing sleep architecture | |
| US20230395235A1 (en) | System and Method for Delivering Personalized Cognitive Intervention | |
| KR20220122729A (ko) | 행동-변화 프로그램에서 개인을 돕기 위한 시스템 및 방법 | |
| Biondi et al. | Remote and long-term self-monitoring of electroencephalographic and noninvasive measurable variables at home in patients with epilepsy (EEG@ HOME): protocol for an observational study | |
| US20220180993A1 (en) | Systems and methods for monitoring and managing neurological diseases and conditions | |
| Gullapalli et al. | On-body sensing of cocaine craving, euphoria and drug-seeking behavior using cardiac and respiratory signals | |
| 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 | |
| Banfi et al. | Efficient embedded sleep wake classification for open-source actigraphy | |
| Alinia et al. | Associations between physiological signals captured using wearable sensors and self-reported outcomes among adults in alcohol use disorder recovery: development and usability study | |
| Ng et al. | Predicting the next-day perceived and physiological stress of pregnant women by using machine learning and explainability: algorithm development and validation | |
| Deepika Mathuvanthi et al. | IoT powered wearable to assist individuals facing depression symptoms | |
| US20220280105A1 (en) | System and method for personalized biofeedback from a wearable device | |
| KR20230035609A (ko) | 주요 우울 장애의 재발을 검출 및 예측하기 위한 시스템 및 방법 | |
| WO2022008694A1 (en) | Method for determining probability of a mood disorder | |
| US20230301586A1 (en) | System and method for characterizing, detecting and monitoring sleep disturbances and insomnia symptoms | |
| Raether | Investigating the Effects of physiology-driven vibro-tactile Biofeedback for mitigating state Anxiety during public speaking | |
| Carr | The relationship between circadian rhythms and mood symptoms in bipolar disorder and borderline personality disorder |