Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Phenotyping et apprentissage automatique de Digitals peuvent aider à évaluer la maladie mentale sévère

Approches phenotyping de Digitals qui rassemblent et analysent des caractéristiques de Smartphone-usager sur l'emplacement, les activités, et même les sensations - combinées avec l'apprentissage automatique pour identifier des configurations et pour effectuer des prévisions à partir des caractéristiques - pour avoir apparu en tant qu'outils prometteurs pour surveiller des patients présentant des maladies de spectre de psychose, selon un état dans la question de septembre/octobre de l'examen de Harvard de la psychiatrie.

Le tourillon est publié dans le portefeuille de Lippincott par Wolters Kluwer.John Tourous, DM, MBI, de la Faculté de Médecine et des collègues de Harvard a examiné la preuve procurable sur phenotyping et apprentissage automatique digitaux pour améliorer des soins pour des gens vivant avec la schizophrénie, trouble bipolaire, et a associé des maladies.

Digital phenotyping fournit une passerelle indispensable entre la symptomatologie des patients et les comportements qui peuvent être employés pour évaluer et surveiller des troubles psychiatriques. »

Chercheurs d'étude, santé de Wolters Kluwer

Digitals phenotyping dans la schizophrénie et le trouble bipolaire - la preuve jusqu'ici

« Digital phenotyping est l'utilisation des caractéristiques des smartphones et les wearables se sont rassemblés in situ pour capter une expression digitale des comportements humains, » selon les auteurs.

Les chercheurs de psychiatrie pensent que le rassemblement et analyser de ce genre d'information comportementale pourraient être utiles en comprenant comment les patients présentant la maladie mentale sévère fonctionnent dans la vie quotidienne en dehors de la clinique ou du laboratoire - en particulier, pour évaluer des sympt40mes et pour prévoir des rechutes cliniques.

Le M. Tourous et collègues a recensé 51 études de phenotyping digital dans les patients présentant la schizophrénie ou le trouble bipolaire. La révision concentrée sur des études utilisant « passivement » a rassemblé des caractéristiques - par exemple, des relevés d'accéléromètre (ripostes d'opération) et des signes de GPS. L'autre utilisation phenotyping digitale d'approches « activement » a rassemblé des caractéristiques - par exemple, des études pour demander à des patients de se plaindre de leur humeur.

Les études variées en termes de caractéristiques phenotyping digitales utilisées, techniques de manipulation de données et analytiques, algorithmes ont vérifié, et des mesures de résultats rapportées.

Presque tout étudie les patients inclus présentant le trouble bipolaire ou la schizophrénie. Les études ont compris une moyenne de 31 participants et les ont surveillés pendant environ quatre mois.

La plupart des études ont employé des caractéristiques passives rassemblées par des accéléromètres et GPS ; autre mesure les logs inclus d'appel vocal et de message texte.

Les études ont employé un large éventail de différents apps, ainsi que différents outils/questionnaires cliniques pour évaluer l'état de santé mental des patients.

Les études ont présenté une variabilité plus élevée dans l'enregistrement des caractéristiques fondamentales telles que le modèle et le système d'exploitation de smartphone, l'âge et la race patiente/groupe ethnique, et si les patients avaient reçu la formation en service de la technologie. Les auteurs effectuent des suggestions pour un format d'enregistrement normalisé qui améliorerait la comparabilité de futures études.

Seize des études ont employé des approches apprendre de machine pour analyser les caractéristiques passivement rassemblées. Comme M. Tourous et note de co-auteurs, les études ont employé différents algorithmes variés, et à des fins différentes.

Le type d'algorithme le plus utilisé généralement était « des forêts faites au hasard, » qui fonctionnent à côté de combiner beaucoup de petites, faibles décisions pour effectuer une prévision intense unique. Par exemple, une étude utilisée passivement a suivi des caractéristiques comportementales pour prévoir des rayures de santé mentale dans les patients présentant la schizophrénie.

D'autres études ont employé des approches d'apprentissage automatique telles que la régression de vecteur de machine/support de vecteur de support ou les réseaux neuronaux.

Ces algorithmes fonctionnent dans différentes voies d'employer des caractéristiques comportementales - où les patients vont, s'ils renvoient des appels, même leur ton de la voix - pour évaluer l'état de santé mental actuel des patients, prévoyez leur risque de rechute, et ainsi de suite.

« Digital phenotyping fournit une passerelle indispensable entre la symptomatologie des patients et les comportements qui peuvent être employés pour évaluer et surveiller des psychoses, » M. Tourous et collègues écrivez.

Ils nécessitent de plus grandes études avec des caractéristiques plus de haute qualité - avec « des efforts augmentés pour s'appliquer l'apprentissage automatique aux caractéristiques phenotyping digitales passives dans le diagnostic précoce et la demande de règlement de la psychose, incluant dans les patients cliniques de haut risque et de psychose de tôt-cours. »

Source:
Journal reference:

James, B., et al. (2020) Systematic Review of Digital Phenotyping and Machine Learning in Psychosis Spectrum Illnesses. Harvard Review of Psychiatry. doi.org/10.1097/HRP.0000000000000268.