用于临床干预的基于相似矩阵的异常检测

科学报告|(2022) 12:9162| https://doi.org/10.1038/s41598-022-12792-31 打开基于相似矩阵的异常临床干预检测瑞恩·德梅洛 1、詹妮弗·梅尔彻 1 和约翰·托罗斯 2在临床护理中使用数字表型方法可以改进对患者时空行为的调查。此外，检测移动传感器数据模式中的异常有助于识别症状的潜在变化。我们提出了一种在时间上对齐传感器数据的方法，以实现时间点之间相似性的可解释测量。然后，这些计算的度量可用于异常检测、基线常规计算和轨迹聚类。此外，我们将这种方法应用于一项针对 695 名大学参与者的研究，以及一名焦虑和抑郁恶化的患者。在不同的时间限制下，我们发现常规和临床评分的变化之间存在轻微的相关性。此外，在我们对抑郁症和焦虑症升高的个体的实验中，我们能够对 GPS 轨迹进行聚类，从而提高对日常生活的理解和可视化症状学。未来，我们的目标是将这种方法应用于需要长时间收集数据的个体，从而更好地了解临床干预的长期常规和信号。数字表型方法使研究精神疾病的时空动态变得更加可行1.使用来自智能手机的地理定位和加速度计数据，可以捕获患者的移动性和活动模式。从在家时间等简单指标到与唤醒、昼夜节律相关的复杂行为，智能手机为理解精神疾病机制提供了多模态数据的新兴方面2.虽然初步研究表明，这种流动性和活动数据与临床现象学有关，但当前方法的局限性排除了进一步的结论。例如，2015 年的一篇论文提出了 GPS 衍生的归一化熵指标和位置方差与抑郁症状严重程度之间的相关性3.然而，同一团队在后来的一项研究中强调了地理位置数据与抑郁症之间关系的复杂性，该研究控制了多重比较并发现了不太确凿的结果4.精神分裂症的研究也提出了相互矛盾的结果，流动性指标有时与精神病恶化有关5, 与其他研究不同7.我们认为缺乏共识的原因不在于任何研究，而在于使用这些数据的挑战。两个核心挑战涉及首先将原始智能手机数据转换为临床特征，然后将这些数据分解为时间序列指标。大多数研究使用自定义规则从原始传感器数据中创建诸如睡眠持续时间之类的特征，这通常会阻止复制。甚至 Apple 也经常更改自己的特征算法，这使得使用 Apple Health 数据进行复制变得更加复杂8.虽然必须构建一些特征，例如来自原始加速度计数据的运动回合，但将这些数据转换为更高级的指标，如跑步、坐姿和站立通常需要更严格的步骤。将这些数据的序列性质分解为时间对齐的组件的第二个挑战对于利用智能手机数据捕获固有的时间序列数据至关重要。但如今这些数据通常不被使用，许多论文使用摘要指标或更改前/后更改作为数据端点9.尽管即使这些数据仍然很有价值，但它会忽略并丢失与临床相关的信息。因此，显然需要能够（1）利用原始智能手机数据或至少最少处理的特征和（2）考虑数据的时间性质的方法。在本文中，我们介绍了这样一种方法，其目的是识别智能手机传感器数据中的纵向异常，这可以识别临床相关的“兴趣区间”或变化点。此外，我们在我们的方法中利用了移动传感器轨迹之间的动态时间规整 (DTW) 和最长公共子序列 (LCSS) 相似性度量。该方法的目标是提供一种方法，该方法可以处理来自任何应用程序（或传感器）的智能手机原始数据，并生成一组时间间隔，患者和临床医生可以在这些时间间隔内查看以更好地了解如何1美国马萨诸塞州波士顿哈佛医学院贝丝以色列女执事医疗中心精神病学系。 2美国马萨诸塞州波士顿哈佛医学院贝丝以色列女执事医疗中心精神病学和临床信息学系。电子邮件：jtorous@bidmc.harvard.edu 科学报告|(2022) 12:9162 |https://doi.org/10.1038/s41598-022-12792-32图1。大学学习（n = 695）。临床目标问题PHQ-9今天心情低落PHQ-9今天我没有兴趣或快乐GAD-7我今天感到很焦虑GAD-7今天我很难放松杂乱无章（前驱）今天我的思绪感到混乱和混乱幻觉（前驱）今天我听到了其他人显然听不到的声音压力今天我感到压力很大功能（前驱）我今天能够很好地工作弹力今天我可以处理我遇到的事情偏执狂（前驱）今天我觉得别人对我有好处妄想（前驱）我觉得今天别人能读懂我的想法表格1。每日调查问题；反应选项：4 点李克特量表。行为和行动可能与自我报告和临床观察到的症状有关。我们的目标是进一步确定轨迹相似性分数 (TAS) 与自我报告的调查响应之间是否存在关联。结果在图 1 中，我们展示了 695 名大学生参与的大学学习大纲。此外，表 1 包含每天通过移动应用程序管理的所有自我报告调查。在研究的 695 名参与者中，我们排除了 220 名传感器数据不足的参与者。对于研究中的每个参与者，我们计算以下传感器数据的 TAS 分数：GPS、加速度计和屏幕状态。由于尺寸和域值不同，每个传感器的预处理步骤都不同。对于 GPS，我们使用纬度-经度对，而不需要对原始数据进行特征化。加速度计传感器数据的预处理涉及计算除第一个记录点之外的所有点的加加速度值。通过执行这种转换，我们缓解了处理组件级值的问题，并改为优先考虑移动设备的移动。对于屏幕状态数据，我们首先确定手机上和下手机的时间。因此，对于每个“屏幕开启”记录，我们都有一个时间增量值，表示自之前关闭移动屏幕（手动或超时）以来的时间量。我们现在有了屏幕状态轨迹，我们可以在其中应用相似性度量，从而改进时空分析。对于每个传感器，我们应用三个不同的相似度指标来检索给定日期的相似度分数，该分数是基于时间规则和分辨率进行划分的。此外，我们的目标是确定轨迹相似性分数与调查响应之间是否存在关联。在表 2 中，对于每个具有指定的相似性度量，我们有传感器轨迹与调查的 Pearson 相关系数 科学报告|(2022) 12:9162 |https://doi.org/10.1038/s41598-022-12792-33传感器相似民意调查全球定位系统加速度计屏幕状态PHQ-90.13260.05820.1049GAD-70.18870.08510.1481PSS0.09210.04860.0984DTW弹力0.11280.05950.0752表 2。τ=1（每小时分辨率），时间规则=“星期几”；皮尔逊相关系数。图 2。参与者 A 的日历热图（焦虑和抑郁升高）；每个单元格代表每日 TAS 分数。图 3。患者 A：每小时 TAS 分数分布。时间规则“星期几”。我们观察到 GPS 和 GAD-7（焦虑）之间存在轻微的正相关，由 DTW 测量（ρ=0.1887, p 值 = 0.0359)。案例示例。在使用 mindLAMP 应用程序的另一项研究中，对焦虑和抑郁水平升高的患者（患者 A）进行回顾性调用，以仅使用被动传感器数据来测量该方法检测临床目标变化的能力。 患者 A 是一名 50 多岁的男性，有稳定的工作。 参加研究后，患者 A 参加了与临床医生的每周访问，并使用 mindLAMP 应用程序完成每周自我报告 PHQ-9 和 GAD-7 评估。 除了完成这些每周评估外，患者 A 还在 mindLAMP 应用程序中完成了较短的每日抑郁和焦虑自我报告调查。 尽管在治疗过程和应用程序使用中表现出很高的参与度，但在为期 6 周的研究过程中，患者 A 的焦虑和抑郁症状继续恶化。 回顾性被动数据分析表明，该患者的日常生活发生了变化，后来证实这是由于最初未披露的病假造成的。 因此，利用被动数据搜索任何模式或关系扩大了临床工作的范围。 在图。 2，我们有一个日历热图，其中每个单元格代表每日 TAS 分数。 我们在 GPS 相似度得分升高的许多天（细胞颜色较深的日子）观察到更高的日常焦虑和情绪得分。特别是，患者在每周 PHQ-9 和 GAD-7（8 月 3 日星期二）上分别记录了 17 分和 13 分。 这些是患者 8 周研究期间记录的最高分数。 除了患者的每周得分外，他们在这一天（8 月 3 日，星期二）的日常情绪和焦虑得分是 8 周期间最高的。除了患者 A 的每日相似度得分外，我们还计算了衡量一天中最不相似的时段的每小时得分。在图 3 中，我们有一个每小时得分的时钟图；在下午晚些时候到傍晚时分，我们的差异更大。仅基于 GPS 数据，我们现在对这名患者的活动习惯有了更深入的了解，以及活动模式在日常跨度中的变化。使用这种每小时分布作为测量参与者传感器数据熵的一种手段，临床医生可以确定临床干预的理想时机。例如，临床医生可以为应用内安排推送通知 科学报告|(2022) 12:9162 |https://doi.org/10.1038/s41598-022-12792-34在一天中的特定时间进行干预。这允许在患者可能更脆弱的一天中改善临床参与。在该患者的案例中，如果临床医生在下午因病假没有上班时发现他们的心理健康受到影响，则可以设置应用程序来推动患者联系朋友或在这些下午做户外活动。讨论在这项分析中，我们探索了一种方法，该方法可以调整从个人智能手机捕获的时间序列数据，以检测与精神疾病相关的行为异常。我们的结果证明了流动性变化和临床目标之间的正相关，以及病例报告中看到的临床上可行的见解，突出了这种方法在推进研究和临床护理方面的潜力。通过为个人的日常生活创建个人索引，利用层次聚类的能力允许灵活的分析，可以根据时间约束和分辨率进行定制，最终从数字表型智能手机数据中获得可操作的见解。此外，作为我们方法基础的时间对齐和层次聚类可以提供针对感兴趣的时间分辨率和传感器定制的临床可解释结果。病例报告显示，我们能够在一天中的某个时间确定移动模式的变化，这为治疗师与患者讨论提供了一个重要目标。至关重要的是，这种方法的隐私持久性并没有生成实际感兴趣的位置，而是提供了足够的详细信息，以便患者和治疗师能够识别触发因素并制定计划以将其最小化。通过进一步验证，同样的方法也可以支持自动智能手机干预，通常称为即时自适应干预，尽管这超出了本文的范围。虽然使用数字表型方法进行个性化护理的必要性已经确立，但能够使个人结果解释这些数据的时间性质的方法更加有限。我们团队之前的工作是使用数字表型来识别精神病患者的复发风险2.与该方法和其他利用原始数据的手工设计特征的方法不同（即将 GPS 转换为诸如家庭时间或每天旅行的距离等指标），我们的方法能够利用该原始数据本身，从而避免与特征化相关的任何潜在偏差。这具有处理任何智能手机数据而不管应用程序的额外优势，因此是可以被其他人采用和复制的结果。我们的结果与从更传统方法得出的结果一致。例如 Verily 最近的一篇论文10发现智能手机移动性指标也与情绪相关。相反，另一篇论文11对 255 名参与者的样本发现，症状严重程度测量的变化与传感器衍生的行为特征的后续变化之间没有显着关联。基于文献中的这些不同发现，开发个性化模型以通过传感器数据例程中的异常检测症状恶化非常重要。虽然我们可能会在人群中发现与样本中症状严重程度测量显着相关的特征，但这些相同的特征可能无法推广到人群。因此，可解释特征的重要性，例如我们的 TAS 评分，可用于为临床医生提供更好的上下文，以及更好地可视化基线例程和集群。虽然我们的方法可以帮助临床医生进一步了解个体患者的行为，但如果将该方法用于临床医生与患者的互动中，可能会出现潜在的问题。例如，如果临床医生要确认一个人与相关患者的不同程度升高的时期，我们就不会考虑回忆和刻板印象偏差。更具体地说，患者可能不记得他们完成某个动作的确切时间或日期。因此，研究人员和临床医生应该使用该方法来收集有关基于被动数据的行为一般变化的见解。从参与者那里回顾性地找到基本事实是困难的，特别是考虑到这些潜在的偏见。我们的方法在给定参与者所需的数据量方面确实存在限制。 在依赖原始智能手机数据时，我们在收集较少传感器数据的日子里的分析受到限制。 我们在此分析中没有进行任何插值，因为这可能导致不准确地预测个人的日常生活。 相反，我们可以提议，这种丢失的电话数据本身可以用作一个独特的信号，可以告知谨慎参与。 虽然许多基于智能手机的数字健康平台确实存在参与度低的问题，但我们的团队已经证明，通过数