افسردگی با گوشی هوشمند قابل تشخیص است

پژوهشگران دانشگاه کانتیکات ایالات متحده امریکا در پژوهشی بین‌رشته‌ای به بررسی روابط بین داده‌های افسردگی با گوشی هوشمند پرداختند.

روش:

• این پژوهش آزمایشی بین‌رشته ای در دو فاز صورت گرفت. در فاز نخست ۷۹ داوطلب و در فاز دوم ۱۰۳ داوطلب شرکت نمودند.
• تمامی داوطلبان پیش از شرکت در پژوهش برای بررسی وضعیت بالینی افسردگی حسب DSM-5 به روانشناس مراجعه نمودند.
• اطلاعات گوشی هوشمند شامل اطلاعات GPS و اطلاعات Wi-Fi گوشی هوشمند داوطلبان بود که توسط نرم افزار اختصاصی پژوهش که بر هر گوشی هوشمند نصب شد، بدست آمد.
• همچنین اطلاعات میزان استفاده از اینترنت داوطلبان توسط سیستم زیرساخت Wi-Fi دانشگاه برای هر داوطلب ثبت شد.
• برای سنجش افسردگی داوطلبان از پرسشنامه‌های PHQ-9 و QIDS استفاده شد.

نتایج:

1. در تشخیص و ردیابی نشانه‌های افسردگی با گوشی هوشمند، مجموعه وسیعی از نشانه‌های مرضی افسرده‌وارد قابل پیش‌بینی هستند.
2. نشانه‌های شناختی و نشانه‌های رفتاری افسردگی با گوشی هوشمند به راحتی قابل پیش‌بینی و شناسایی به صورت افتراقی و تفکیک‌شده هستند.
3. از نظر هزینه، استفاده از نرم‌افزارهای مختص گوشی‌های هوشمند برای شناسایی افسردگی با گوشی هوشمند، بسیار کم هزینه است.
4. از نظر دقت، استفاده از نرم‌افزارهای مختص تلفن همراه برای ردیابی نشانه‌های مرضی افسردگی با گوشی هوشمند، بسیار دقیق و حساس است.

راهبردهای کارکردی:

• شیوه‌ها و الگوهای استفاده از گوشی هوشمند، اطلاعات بسیار زیادی در مورد وضعیت روانی و شخصیتی صاحبان و کاربران آنها را مشخص می‌نمایند.
• استفاده از هوش مصنوعی (AI) می‌تواند در تصمیم‌گیری بالینی به روانشناسان و روانپزشکان کمک شایانی نماید. در این حوزه سیستم‌های تصمیم‌یار بالینی (CDSS) آینده روانشناسی بالینی و روانشناسی سلامت را تغییر خواهند داد.
• روش‌های تحلیل داده‌های انسانی بر اساس هوش مصنوعی و یادگیری ماشینی، از نظر شناسایی اختلالات روانی به اندازه آزمونهای مداد و کاغذی و سیستم‌های سنجش کامپیوتری استاندارد رایج می‌توانند قابلیت کاربرد در شناسایی، ردیابی، تشخیص، پیش‌آگهی و حتی درمان مبتنی بر شواهد (EB، روش‌های درمانی کاملاً اختصاصی و فردی شده) داشته باشند.

Predicting depressive symptoms using smartphone data

Abstract

Depression is a serious mental illness. The symptoms associated with depression are both behavioral (in appetite, energy level, sleep) and cognitive (in interests, mood, concentration). Currently, survey instruments are commonly used to keep track of depression symptoms, which are burdensome and difficult to execute on a continuous basis.

In this paper, we explore the feasibility of predicting all major categories of depressive symptoms automatically using smartphone data.

Specifically, we consider two types of smartphone data, one collected passively on smartphones (through an app running on the phones) and the other collected from an institution’s WiFi infrastructure (that does not require direct data capture on the phones), and construct a family of machine learning based models for the prediction.

Both scenarios require no efforts from the users, and can provide objective assessment on depressive symptoms.

Using smartphone data collected from 182 college students in a two-phase study, our results demonstrate that smartphone data can be used to predict both behavioral and cognitive symptoms effectively, with F1 score as high as 0.86.

Our study makes a significant step forward over existing studies that only focus on predicting overall depression status (i.e., whether one is depressed or not).

Keywords

Depressive symptom prediction, Machine learning, Smartphone sensing.

لینک منبع پیشنهادی برای مطالعه بیشتر (further reading)

Predicting depressive symptoms using smartphone data

Depression is a serious mental illness. The symptoms associated with depression are both behavioral (in appetite, energy level, sleep) and cognitive (…