《Scientific Reports》：Variability in self-reported depression symptomology and associated behavioral markers in digital phenotyping
编辑推荐：
本研究为提升数字表型研究的普适性，针对抑郁症症状及其关联行为在个体间和个体内随时间存在的变异性问题，开展了探索。研究人员利用智能手机感知数据，分析了62名重度抑郁发作患者（包括MDD、BPD、BD亚组）的行为特征与PHQ-9评估的抑郁症状严重程度之间的关联。多层次建模揭示，就业状况、年龄和夜间活动减少是预测抑郁严重程度的重要变量。该研究强调了在开发数字生物标记时考虑症状与行为变异性的重要性。
在心理健康领域，抑郁症是一种常见但复杂的精神障碍，其诊断和监测长期依赖患者的主观报告和定期的临床评估。这种方式不仅时效性差，也难以捕捉症状在日常生活中的细微波动。近年来，随着智能手机的普及，数字表型（Digital Phenotyping）——即利用智能手机传感器数据持续、被动地量化个体行为——为客观、实时地监测精神健康状况开辟了新途径。已有研究表明，从手机使用、地理位置、活动模式等数据中提取的行为特征，与抑郁症状存在关联。然而，这些发现的可靠性面临一个核心挑战：抑郁症本身并非铁板一块。不同患者（个体间）的症状表现千差万别，即便是同一位患者，其症状和日常行为也会随着时间（个体内）起伏波动。这种普遍的变异性使得从一个特定群体或时间点发现的“行为标记”，在推广到其他情境时往往效果大打折扣。那么，这些与抑郁相关的行为特征，其关联强度究竟在多大程度上因人和因时而异？厘清这一问题，对于开发真正具有泛化能力的数字生物标记至关重要。
为此，Mackenzie L. Brown, Alexandra C. Kirsch, Kelsey R. Howard, Katherine R. Buchholz, Daniel P. Dickstein, Amy T. Peters, Jeffrey R. Strawn, John A. Merranko, David A. Axelson, Sarah M. Kennedy, Tina R. Goldstein, Mary Kay Gill, Benjamin I. Goldstein, Fanghong Dong, Rasim S. Diler, Michael J. Travis, Boris Birmaher, Danella M. Hafeman 在《Scientific Reports》上发表的研究，对此进行了深入探索。他们旨在利用智能手机感知数据，具体分析被诊断为抑郁症的个体中，其自我报告的抑郁症状以及与之相关的行为特征存在怎样的变异性。
为开展这项研究，作者团队招募了62名正处于重度抑郁发作期（Major Depressive Episode）的患者，并根据其精神科诊断分为三个亚组：重度抑郁障碍（MDD, n=41）、边缘型人格障碍（BPD, n=12）和双相情感障碍（BD, n=9）。研究通过智能手机内置的传感器，被动、持续地收集了包括手机使用、地理位置、运动加速度等在内的行为数据，并从中提取了多种行为特征。抑郁症状的严重程度则使用国际通用的9项患者健康问卷（Patient Health Questionnaire-9, PHQ-9）进行评估。数据分析主要采用了关联分析来探索行为特征与PHQ-9得分之间的相关性，并运用多层次建模（Multilevel Modeling）来识别能够预测抑郁严重程度的预测因子。
症状在不同亚组和严重程度间的差异
分析显示，抑郁症状（以PHQ-9得分衡量）在不同的诊断亚组（MDD, BPD, BD）之间以及不同的严重程度等级（轻度、中度、重度）之间均存在差异。这表明抑郁症患者的症状体验并非同质，支持了在研究中考虑诊断亚型和症状严重程度分层的必要性。
抑郁严重程度与行为特征关联的变异性
关联分析的结果揭示了行为特征与抑郁严重程度之间的相关性并非一成不变。这种相关性在不同参与者之间（个体间变异性）以及在同一参与者的不同时间点之间（个体内变异性）均表现出明显的差异。这意味着，某个行为特征（如社交互动减少）对某位患者可能是强烈的抑郁信号，但对另一位患者可能关联很弱；甚至对同一位患者，这个特征在抑郁加重时可能是敏感指标，但在情绪平稳时则不是。这一发现直接证实了研究最初的假设，即行为标记与抑郁的关联具有高度情境特异性。
预测抑郁严重程度的多层次模型
通过构建多层次模型，研究者筛选出了与抑郁严重程度（PHQ-9得分）显著相关的预测变量。在人口学变量方面，就业状态（β = ?4.79, 95% CI [?7.65, ?1.80], p = 0.004）和年龄（β = ?0.12, 95% CI [?0.25, 0.00], p = 0.050）是显著的预测因子。具体而言，失业状态与更高的抑郁严重程度相关，而年龄增长则与稍低的抑郁严重程度相关（尽管置信区间包含0，提示需谨慎解读）。在行为特征方面，唯一被纳入最终模型的指标是夜间活动水平（β = ?0.79, 95% CI [?1.29, ?0.29], p = 0.024）。较低的夜间活动量（即夜间身体移动更少）与更高的抑郁严重程度显著相关。值得注意的是，其他从智能手机数据中提取的多种行为特征（如通讯模式、地理位置熵等）在控制其他变量后，并未显示出独立的预测作用。
该研究通过精细的数据分析，实证了在利用智能手机数据进行抑郁症数字表型研究时，必须正视的核心问题：变异性。研究结论强调，抑郁症状及其潜在的行为标记在个体间和个体内部都存在显著差异，这种变异性限制了固定行为模型在不同人群和时间点上的普适性。研究所识别的预测因子——特别是就业状况和夜间活动水平——为未来构建更个性化的监测模型提供了线索。然而，更重要的是，它呼吁未来的研究需要采用能够捕捉和适应这种变异性的分析方法（如多层次模型、时间序列分析），并考虑纳入更广泛的个体特异性因素（如诊断亚型、共病、生活环境等）。这项工作的意义在于，它将数字心理健康研究从寻找“通用”生物标记，推向了一个更 nuanced （细致入微）的新阶段：即致力于开发能够理解并适应个体独特症状和行为模式的、动态的、个性化的评估与干预系统。唯有如此，数字表型技术才能真正实现其革命性潜力，为抑郁症的精准管理和早期干预提供可靠支撑。
