Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Digitas que phenotyping e a aprendizagem de máquina podem ajudar a avaliar a doença mental severa

Perspectivas phenotyping de Digitas que recolhem e analisam dados do Smartphone-usuário em lugar, em actividades, e mesmo em sentimentos - combinados com a aprendizagem de máquina reconhecer testes padrões e fazer previsões dos dados - para ter emergido como ferramentas prometedoras para monitorar pacientes com doenças do espectro da psicose, de acordo com um relatório na introdução de setembro/outubro da revisão de Harvard do psiquiatria.

O jornal é publicado na carteira de Lippincott por Wolters Kluwer.John Tourous, DM, MBI, da Faculdade de Medicina e dos colegas de Harvard reviu a evidência disponível em phenotyping digital e a aprendizagem de máquina melhorar o cuidado para os povos que vivem com a esquizofrenia, doença bipolar, e relacionou doenças.

Digital que phenotyping fornece uma ponte tão necessária entre a sintomatologia dos pacientes e os comportamentos que podem ser usados para avaliar e monitorar desordens psiquiátricas.”

Pesquisadores do estudo, saúde de Wolters Kluwer

Digitas que phenotyping na esquizofrenia e na doença bipolar - a evidência até agora

“Digital que phenotyping é o uso dos dados dos smartphones e os wearables recolheram in situ capturando uma expressão digital de comportamentos humanos,” de acordo com os autores.

Os pesquisadores do psiquiatria pensam que recolher e analisar este tipo da informação comportável puderam ser úteis em compreender como os pacientes com doença mental severa estão funcionando na vida quotidiana fora da clínica ou do laboratório - em particular, para avaliar sintomas e prever clínico tem uma recaída.

O Dr. Tourous e colegas identificou 51 estudos de phenotyping digital nos pacientes com esquizofrenia ou doença bipolar. A revisão centrada sobre os estudos que usam-se “passiva” recolheu dados - por exemplo, leituras do acelerómetro (contadores de etapa) e sinais do GPS. O outro uso phenotyping digital das aproximações “activamente” recolheu dados - por exemplo, avaliações para pedir que os pacientes relatem seu humor.

Os estudos variados em termos das características phenotyping digitais usadas, das técnicas de manipulação de dados, analíticas, dos algoritmos testados, e das medidas do resultado relataram.

Quase tudo estuda pacientes incluídos com doença bipolar ou esquizofrenia. Os estudos incluíram uma média de 31 participantes e monitoraram-nos por aproximadamente quatro meses.

A maioria de estudos usaram os dados passivos recolhidos por acelerómetros e por GPS; outro mede registros de mensagem incluídos do atendimento e do texto de voz.

Os estudos usaram uma vasta gama de apps diferentes, assim como ferramentas/questionários clínicos diferentes para avaliar o estado da saúde mental dos pacientes.

Os estudos apresentaram uma variabilidade mais alta no relatório de dados básicos tais como o modelo e o sistema operativo do smartphone, idade e raça paciente/afiliação étnica, e se os pacientes tinham recebido o treinamento no uso da tecnologia. Os autores fazem sugestões para um formato de relatório estandardizado que melhore a comparabilidade dos estudos futuros.

Dezesseis dos estudos usaram aproximações aprender-baseadas máquina para analisar os dados passiva recolhidos. Como o Dr. Tourous e a nota dos co-autores, os estudos usaram vários algoritmos diferentes, e para fins diferentes.

O tipo o mais de uso geral do algoritmo era “as florestas aleatórias,” que trabalham combinando muitas decisões pequenas, fracas para fazer uma única previsão forte. Por exemplo, um estudo usado passiva seguiu dados comportáveis para prever contagens da saúde mental nos pacientes com esquizofrenia.

Outros estudos usaram a máquina-aprendizagem de aproximações tais como a regressão do vector da máquina/apoio do vector do apoio ou redes neurais.

Estes algoritmos trabalham em maneiras diferentes de usar dados comportáveis - onde os pacientes estão indo, se estão retornando atendimentos, mesmo seu tom de voz - para avaliar o estado da saúde mental actual dos pacientes, preveja que seu risco de ter uma recaída, e assim por diante.

“Digital que phenotyping fornece uma ponte tão necessária entre a sintomatologia dos pacientes e os comportamentos que podem ser usados para avaliar e monitorar desordens dementes,” o Dr. Tourous e os colegas escreva.

Chamam para estudos maiores com dados mais de alta qualidade - junto com “esforços expandidos para aplicar a aprendizagem de máquina aos dados phenotyping digitais passivos no diagnóstico adiantado e no tratamento da psicose, incluindo em pacientes clínicos do risco elevado e da psicose do cedo-curso.”

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.