编辑推荐：
本文提出，当前数字表型（DP）研究多依赖于捕捉系统静态特性的熵指标，这忽略了精神病理现象中关键的动态时间依赖。为解决此问题，研究人员提出了一种构建“动态数字标记物（DDMs）”的框架，旨在捕捉精神障碍过程的时变调节机制。该研究通过概念阐述与模型验证表明，DDMs能够更有效地刻画精神病理调节机制的变异性，为精神病学从基于静态特征转向基于动态过程的监测与干预提供了新思路。
在现代社会，心理健康问题日益受到关注，而如何准确、及时地评估和监测个体的精神状态，一直是精神病学面临的挑战。近年来，随着智能手机和可穿戴设备的普及，一种名为“数字表型”（Digital Phenotyping, DP）的技术应运而生。它通过持续、被动地采集个体日常活动产生的海量数据，如屏幕使用时间、地理位置、通讯模式等，试图从中提取能够反映精神病理状态的生物行为标记物。这为理解人类行为和精神障碍提供了一种前所未有的、连续且无创的观察窗口，与心脏Holter监测仪、动态血糖监测等其他医学领域的连续监测有异曲同工之妙。
然而，当前的数字表型研究存在一个明显的局限。大多数研究依赖于信息论中的各种熵（如近似熵、样本熵、排列熵、多尺度熵等）来量化行为的复杂性和规律性。这些熵度量本质上是“静态”的，它们捕捉的是系统演化的倾向性，好比给一个动态系统拍下了一张“快照”，却忽略了其随时间变化的、关键的动态属性——即时间依赖性。精神病学现象，无论是抑郁情绪的持续低落，还是双相情感障碍的躁狂发作，其核心特征恰恰在于其动态演变过程。将复杂的心理过程压缩为一个静态的总结值，可能会丢失关于调节机制的关键信息。因此，将数字表型从静态分析转向动态分析，从“快照”转向“轨迹”，从“特质”转向“过程”，成为推动该领域发展的关键。
为了回应这一挑战，研究人员在《NPP—Digital Psychiatry and Neuroscience》上撰文，倡导一种“动态”的方法来建模数字数据，并提出了一套用于构建“动态数字标记物”（Dynamic Digital Markers, DDMs）的方法学框架。该框架的核心论点是，基于动态方法的DDMs能够更好地捕捉精神病理学中调节机制的变异性，从而更精确地刻画疾病过程，为精准评估、预测和干预提供新工具。
为了系统化地研究动态属性，文章首先对医疗测量进行了分层定义。第一级测量是描述特定时间点的可观察状态（如体重、心率）；通过重复和平均这些测量，可以揭示更持久的特质。二者都属于描述表面现象的“一阶”测量。第二级测量（如心率变异性熵）是从一阶测量的时间序列数据中推断出的调节机制，它们提供了内在变异性的“快照”，在预测躯体疾病结局方面已被证明比一阶测量更有效。然而，对于精神疾病而言，时间和情境至关重要。真正具有临床意义的，恰恰是内在调节过程对个体自主行动或社会/环境背景的响应（即“二阶”变异性本身的变化）。追踪这种二阶变异性如何随时间与情境变化，需要使用“三阶”变量。三阶变量的核心在于理解外在因素如何与潜在的内在过程相互作用并对其加以调节，这种相互作用正是精神病学干预的基础。文章主张，DDMs正是建立在这种三阶变量之上的。
基于上述理念，研究团队提出了一个构建DDMs的两步法方法学指南，旨在捕捉“复杂性如何被生成和调节”这一三阶问题。第一步是信息动力学建模。其目标是将行为过程建模为一个符号流（或信息），并对其信息动态进行建模。任何能够提取依赖于情境的信息时间轮廓的方法都适用，例如滑动近似熵、序列的Lempel-Ziv复杂度或块熵等。其中，符号动力学分析（Symbolic Dynamic Analysis）是实现此目标的一种方式，它通过评估数据点之间的有序关系而非数据点本身的值，来分析生物医学背景下的各种现象数据。这有助于探索数据底层过程的时间属性。第二步是时间动力学建模。其目的是提取作为DDMs基础的时间属性。文章建议使用马尔可夫链（Markov Chain, MC）作为模型。任何能够从中推导出数据生成过程时间属性的模型都可以使用。MC将自主随机过程建模为系统状态空间中状态之间的转移，它直接代表了数据生成过程的信息动力学的时间属性，并间接代表了底层的信息源或过程。由此推导出的DDMs，可以作为临床变量的预测因子或在结构方程模型中作为中介变量。它们能够量化系统适应能力与灵活性的非侵入性代理指标，这是精神障碍的一个核心特征。
为了具体阐明DDMs的概念并验证其有效性，文章提供了一个数值原理验证。研究者模拟了一个假设患者逐日的生物行为轨迹，该轨迹由缓慢变化的、潜在的宏观状态（Macro-states, M，如急性症状期）和快速变化的微观状态（Micro-states, m，如紊乱的睡眠模式）构成。宏观状态以周或月为单位演变，反映疾病进展；微观状态则以天为单位演变。他们构建了一个包含5个宏观状态（急性、持续、残留、稳定、前驱）和4个数字传感器微观状态（规律作息、退缩/无活动、无规律使用、碎片化活动）的双时间尺度随机马尔可夫链模型。通过对这个模型的分析，可以计算不同阶次的指标：
- •
一阶指标：如宏观状态的稳态分布，描述了系统长期处于各个宏观状态的概率。
- •
二阶指标：如整个MC的熵率，它聚合了所有宏观和微观状态的变异性，但平均掉了宏观状态背后潜在的、异质性的调节机制信息。
- •
三阶指标：如“以宏观状态为中心”的熵率。这个指标通过计算特定宏观状态下（假设宏观状态不变）微观状态动力学的熵率，有效地将短期行为变异性与缓慢的宏观层面转移分离开来，从而捕捉行为在某个宏观状态机制下被调节的紧密或松散程度。
研究结果显示，尽管不同宏观状态在一阶（稳态概率）和二阶（全局熵）指标上存在重叠，但以宏观状态为中心的熵率（三阶指标）能够强有力地区分潜在的临床状态。例如，稳定状态（D）的熵率（0.632 bits/day）显著低于急性状态（A）的熵率（1.720 bits/day）。更重要的是，即使从数字表型研究中典型的有限观察窗口（如T=15天）进行经验性估计，这种区分依然清晰可见。随着观察窗口延长，经验熵率估计值会稳定并可靠地区分所有宏观状态。这证明基于三阶变量的动态数字标记物不仅在理论上成立，而且在实际数据约束下也可行。在实践部署中，即使无法直接观察到患者的宏观状态，也可以通过滑动窗口计算熵率来近似以宏观状态为中心的熵率，从而实现对宏观状态变化的实时检测，为数据驱动的、自适应的临床干预提供了可能。
综上所述，这项研究系统地论证了从静态数字标记物转向动态数字标记物的必要性与可行性。它构建了一个概念框架和方法学指南，提出通过信息动力学建模和时间动力学建模（如马尔可夫链）来生成能够捕捉精神病理过程时变调节特性的动态标记物。数值验证表明，基于“以宏观状态为中心的熵率”等三阶指标的DDMs，能够有效区分静态指标无法区分的潜在临床状态，即使在实际有限的数据窗口下也能实现。这项工作的核心结论是，要充分发挥数字表型在精神病学中的潜力，其标记物必须完成从标记状态/特质（静态）到标记过程（动态）的范式转变。这种转变将使精神病学与依赖连续监测的其他医学领域保持一致，并更好地捕捉人类精神痛苦的生命历程。未来的方向在于将这种方法应用于真实的临床数据集，并证明DDMs在预测复发、治疗反应或功能结局方面优于静态标记物。
