《npj Digital Medicine》：Digital physiological biomarkers predict within-person symptom changes in complex chronic illness
编辑推荐：
本研究探讨如何利用可穿戴设备实现复杂慢性病症状的精准预测。为应对复杂慢性病症状动态变化的监测难题，研究人员整合晨间60秒光电容积脉搏波(PPG)评估与傍晚症状报告，构建高密度移动健康数据集。研究发现，晨间心率(HR)的个体内升高和心率变异性(HRV)的降低，可前瞻性地预测傍晚“崩溃”、疲劳和脑雾症状的加剧。这一发现彰显了移动健康工具在实时监测和预测症状恶化方面的应用潜力，为个体化健康管理提供了新思路。
在现代社会，慢性疾病如同一片难以驱散的阴云，长久笼罩着许多人的健康与生活。尤其是一些复杂的慢性病，如肌痛性脑脊髓炎/慢性疲劳综合征(ME/CFS)、长新冠(Long COVID)等，它们往往没有明确单一的病因，症状也复杂多变，给患者的日常功能和医疗管理带来了巨大挑战。这些症状，比如让人精疲力竭的“崩溃”(crash)、挥之不去的疲劳感以及思维迟缓的“脑雾”(brain fog)，常常是动态波动的，今天好些，明天可能又加重。传统的医疗模式，依赖于间歇性的门诊随访和患者对过去一段时间的主观回忆，很难捕捉到这些症状实时、细微的变化规律。医生和患者都像是在迷雾中前行，难以预测下一次症状恶化何时会来，更不用说提前干预了。
然而，科技的进步带来了新的曙光。随着移动和可穿戴设备的普及，我们能够以过去难以想象的便利性和连续性，收集人体的生理数据。其中，心率(HR)和心率变异性(HRV)是反映自主神经系统功能的关键指标，在许多复杂慢性病中常常出现异常。可穿戴设备通过光电容积脉搏波(PPG, Photoplethysmography)技术，可以无创、便捷地测量这些指标。那么，一个激动人心的问题随之产生：我们能否利用这些日常可及的数字化生理信号，像“天气预报”一样，提前预测复杂慢性病患者个体内部症状的起伏变化？这不仅是一个技术问题，更是实现真正精准、个性化健康管理的关键一步。
为了回答这个问题，一组研究人员在《npj Digital Medicine》期刊上发表了一项创新性研究。他们试图验证，利用简单的晨间一分钟生理测量，是否能够预测同一天傍晚复杂慢性病症状的严重程度变化。如果可行，这将为患者和临床医生提供一个简单、低成本但强有力的日常监测和预警工具。
研究人员开展此项研究主要运用了几个关键技术方法。首先是高密度移动健康数据采集框架。研究整合了基于智能手机的、时长60秒的晨间PPG评估，用于测量心率、心率变异性（如RMSSD, root mean square of successive differences）和呼吸率等指标，并与每日傍晚患者自报的症状严重程度电子日记相结合。这种方法构建了一个包含4244个观测值的高密度纵向数据集，平均每名参与者贡献了约125次生物特征观察。其次是先进的统计建模与验证技术。研究采用多层次模型（Mixed-effects models）来分析个体内（within-person）的生理波动与症状变化之间的关联，控制了个体间差异的干扰。为了检验模型的预测效能，研究没有使用传统的交叉验证，而是采用了“前向行走交叉验证”(Walk-forward cross-validation)，这种方法更符合时间序列数据的预测场景，能更好地评估模型在新时间点上的泛化能力。
研究结果
晨间生理指标与傍晚症状的关联
分析显示，在个体层面，早晨测量到的心率(HR)上升和心率变异性(HRV)下降，与当天傍晚报告的“崩溃”、疲劳和脑雾症状的加重显著相关。这表明，当天早上的自主神经系统状态（反映为HR和HRV），可以前瞻性地预示当天晚些时候症状恶化的风险。
模型拟合与预测效能
研究人员比较了不同预测模型的性能。拟合优度和解释方差最高的模型，是那些既包含前一天的症状报告和协变量（如睡眠质量），又加入了当天早晨生物特征数据的模型。这凸显了实时生理数据在预测中的增量价值。特别重要的是，通过“前向行走交叉验证”评估的预测性能表明，在仅使用前一日症状报告的基线模型上，加入晨间生物特征数据后，模型性能取得了统计学上的显著提升。对于不同症状，模型区分是否发生症状恶化的能力（以曲线下面积AUC, Area Under the Curve衡量）从0.73–0.83提高到了0.82–0.85，达到了较好的预测水平。
研究结论与讨论
这项研究得出了一项核心结论：通过消费级可穿戴设备便捷获取的日常生理指标——特别是晨间心率的个体内升高和心率变异性的降低——能够有效预测复杂慢性病患者在同一天内出现症状恶化的可能性。这标志着数字生理生物标志物在症状监测领域从“相关描述”向“前瞻性预测”迈出了关键一步。
其重要意义是多方面的。首先，在临床实践层面，这项研究为复杂慢性病的管理提供了一种潜在的低负担、实时监测工具。患者可以在家中通过简单的晨间一分钟测量，获得关于当天健康风险的个性化反馈，从而有可能提前进行调整（如合理安排活动），或及时与医疗团队沟通，实现更具前瞻性的健康管理。其次，在研究方法学上，研究展示了整合高密度移动健康数据与高级统计建模（如前向行走验证）的威力，为未来数字生物标志物的研究提供了范式参考。最后，它推动了“数字表型”(digital phenotyping)和精准医疗的发展，通过客观、连续的数字信号来捕捉和理解主观、波动的疾病体验，有助于破解复杂慢性病的异质性，为开发更个性化的干预措施奠定基础。
尽管研究在样本代表性和长期预测等方面存在局限，但它无疑打开了一扇新的大门。它证明，隐藏在我们腕间或口袋里的日常设备所收集的数据，或许能成为照亮复杂慢性病管理迷雾的一盏明灯，帮助患者更好地预见并应对他们健康生活中的风浪。
