Эта концепция, впервые предложенная в 2015 году, представляет собой инновационный подход к мониторингу и оценке здоровья человека, особенно психического, через анализ поведенческих паттернов, настроения и других характеристик. По сути, это попытка создать «цифровую подпись патологии», используя данные, которые мы ежедневно генерируем с помощью наших гаджетов.
Как это работает?
Цифровое фенотипирование опирается на данные, собираемые со смартфонов и носимых устройств, как пассивно, так и активно.
Пассивный сбор данных происходит незаметно для пользователя и включает в себя:
- Датчики смартфона: GPS (определение местоположения), акселерометры (движение), датчики освещенности (окружающая среда), микрофоны (звуки, речь), датчики влажности, температуры, магнитометры.
- Паттерны использования смартфона: частота и время использования приложений, шаблоны разблокировки/блокировки экрана, журналы SMS и звонков, подключения Bluetooth.
Активный сбор данных включает в себя прямое взаимодействие пользователя, например, заполнение еженедельных опросников или выполнение когнитивных и речевых задач через приложение.
Ключевым аспектом является мультимодальное слияние данных – объединение информации от различных датчиков (инерционных, биографических, окружающих, предметных и визуальных) для получения более полной картины и повышения точности.
Области практического применения
Цифровое фенотипирование уже демонстрирует многообещающие результаты в диагностике, мониторинге и управлении различными состояниями здоровья:
Депрессия
Смартфоны могут выявлять поведенческие паттерны, связанные с депрессией, такие как:
- Использование смартфона: Увеличенное пролистывание социальных сетей, сокращение количества текстовых сообщений, аномальные шаблоны разблокировки телефона, нерегулярное время использования (например, поздние ночные часы) и повышенное взаимодействие с определёнными приложениями могут указывать на депрессию. Время использования смартфона является наиболее важным признаком для отличия подростков с большим депрессивным расстройством (БДР) от контрольной группы. Чрезмерное использование смартфона также ассоциируется с депрессией.
- Мобильность и местоположение: Люди с депрессией склонны чаще оставаться дома, и ограниченная мобильность является ключевым поведенческим паттерном, который может быть зафиксирован. Длительное пребывание дома связано с более высоким риском депрессии, а длительное пребывание в других местах — с более низким.
- Режимы сна: Нарушения сна часто ассоциируются с психическими расстройствами. События «разблокировки экрана» посреди ночи могут указывать на плохое качество сна или бессонницу. Цифровое фенотипирование позволяет пассивно отслеживать параметры и стадии сна.
- Циркадные ритмы: У пациентов с депрессией циркадные ритмы значительно отличаются от таковых у здоровых людей. Цифровое фенотипирование может фиксировать детальные ритмические события.
- Социальная активность: Недостаток социального взаимодействия является типичной характеристикой депрессивных пациентов. Данные о количестве обнаруженных смартфоном устройств Bluetooth могут предсказывать тяжесть депрессивных симптомов.
- Прогнозирование и мониторинг лечения: Цифровые биомаркеры, включая моторную функцию, могут точно отслеживать изменения тяжести депрессии в ходе антидепрессантной терапии. Данные смартфона могут прогнозировать результаты лечения у подростков с БДР. Модели машинного обучения могут предсказывать рецидивы эпизодов настроения с высокой точностью (например, 90,1% для больших депрессивных эпизодов). Было показано, что снижение количества шагов предшествует формальному диагнозу БДР примерно на 2 недели.
Биполярное расстройство (БР)
Цифровое фенотипирование может выявлять депрессивные и маниакальные состояния, а также изменения состояния у пациентов с БР, достигая точности распознавания до 76% при слиянии данных датчиков. Исследования также показывают различия в паттернах мобильности между униполярной депрессией и биполярным расстройством.
Шизофрения
Технология может помочь прогнозировать психотический рецидив и выявлять ранние признаки с использованием пассивных данных смартфона, таких как мобильность и социальная активность. Например, компьютерное зрение может оценивать двигательную функцию и различать пациентов с шизофренией от здоровых людей по движениям головы.
Тревожность и стресс
Носимые датчики могут выявлять стресс или тревожность. Модели глубокого обучения достигают до 92,16% точности в обнаружении тревожности. Анализ данных акселерометра смартфона может обнаруживать стресс с точностью более 80%.
Когнитивные нарушения и деменция
Мобильные приложения, такие как DACI, могут точно выявлять когнитивные нарушения у пожилых людей (AUC = 0,871 за 91 секунду). Цифровые фенотипы, основанные на данных о мобильности смартфона, могут фиксировать повседневное познание, настроение и пространственную активность у пожилых людей.
Расстройства, связанные с употреблением психоактивных веществ
Цифровое фенотипирование может использоваться для разработки прогностических моделей реабилитации, предсказывая рецидивы и выявляя сопутствующие заболевания. Приложения, учитывающие контекст, могут использовать данные о местоположении для своевременной поддержки при возникновении тяги, например, для отказа от курения.
Что необходимо для внедрения цифрового фенотипирования на практике?
Несмотря на огромный потенциал, широкое практическое внедрение цифрового фенотипирования сталкивается с рядом существенных проблем, которые необходимо решить:
- Масштаб и качество исследований:
- Крупные и долгосрочные исследования: Большинство текущих исследований проводятся на небольших выборках и в течение коротких периодов времени (часто менее 4 месяцев), что ограничивает возможность обобщения результатов на более широкую популяцию. Необходимы масштабные лонгитюдные исследования.
- Внешняя валидация: Модели часто не проходят внешнюю валидацию, что ставит под сомнение их надёжность и воспроизводимость в различных условиях.
- Стандартизация методологии: Существуют значительные различия в дизайне исследований, источниках данных и методах анализа, что затрудняет прямое сравнение результатов. Требуются стандартизированные протоколы сбора и анализа данных.
- Разнообразие выборок: Многие исследования проводятся на студентах колледжей, и необходимо собирать данные от более разнообразных групп населения (различных возрастов, профессий, культур) для повышения обобщаемости моделей.
- Этические аспекты и конфиденциальность данных:
- Защита конфиденциальности: Сбор высокочувствительных личных данных (например, социальных взаимодействий, местоположения, голосовых записей) вызывает серьёзные опасения по поводу конфиденциальности. Необходимо разработать чёткие этические рамки для обработки, хранения и использования данных, а также обеспечить прозрачность и информированное согласие пользователей.
- Использование менее чувствительных данных: Возможно, следует сосредоточиться на данных, которые менее инвазивны для конфиденциальности, таких как данные инерционных датчиков, Bluetooth и общие паттерны использования смартфона, чтобы снизить опасения пользователей.
- Проблемы «черного ящика»: Модели машинного обучения часто непрозрачны, что затрудняет понимание их решений и вызывает недоверие у клиницистов. Необходима разработка объяснимого искусственного интеллекта (XAI) для повышения прозрачности и клинической применимости моделей.
- Автономия пациента: Важно учитывать мнение пациентов о мониторинге и уважать их право на отказ, соблюдая баланс между преимуществами технологий и правом на конфиденциальность и автономию.
- Технические и клинические аспекты:
- Интеграция в клиническую практику: Требуется более глубокая клиническая валидация и интеграция с существующими системами здравоохранения и рабочими процессами.
- Интердисциплинарное сотрудничество: Для успешного внедрения необходимо тесное сотрудничество между психиатрами и инженерами, чтобы обеспечить клиническую релевантность разрабатываемых инструментов и методик.
- Качество и полнота данных: Платформы часто страдают от отсутствия данных, что усложняет анализ. Необходимо разрабатывать методы для эффективной работы с неполными данными.
- Персонализированные подходы: Учитывая индивидуальные различия в поведенческих и физиологических паттернах, следует развивать персонализированные модели, которые лучше отражают уникальные характеристики каждого человека.
- Цифровая инклюзивность: Необходимо преодолевать «цифровое неравенство» и обеспечивать доступность технологий для всех слоев населения, включая тех, кто не имеет доступа к необходимым устройствам или инфраструктуре.
Таким образом, цифровое фенотипирование обладает огромным потенциалом для трансформации психиатрической помощи, предлагая объективный и непрерывный мониторинг. Однако для его успешной клинической реализации требуются значительные усилия по стандартизации, проведению крупномасштабных исследований, разработке чётких этических рамок и тесному сотрудничеству между техническими и клиническими специалистами. Только тогда мы сможем в полной мере использовать возможности, которые наши смартфоны и носимые устройства предоставляют для улучшения психического здоровья.
