综述：基于数字表型的精神疾病复发预测：被动感知方法的系统综述

《BMC Psychiatry》：Digital phenotyping for predicting relapse in psychiatric disorders: a systematic review of passive sensing approaches

　　```

摘要

背景

数字表型分析是指利用个人数字设备的数据，对个体的人类行为进行实时的量化分析，为精神疾病患者的持续、被动监测提供了一种新的方法。行为数字表型的变化可能预示着病情复发或临床恶化的早期征兆，从而为及时采取预防性干预措施提供了机会。

方法

我们对截至2026年1月发表在PubMed、PsycINFO和IEEE Xplore上的相关研究进行了系统性搜索。研究范围包括利用智能手机或可穿戴设备被动收集的数据，来预测确诊患有精神疾病个体的病情复发或临床恶化的前瞻性和回顾性观察性研究，并这些研究都报告了模型的定量性能指标。研究质量评估采用了改良的Newcastle-Ottawa量表[16]和PROBAST[25, 26]工具。数据合成工作遵循了SWiM指南的要求。

结果

共有52项研究符合纳入标准，涉及4,814名参与者。研究的疾病类型包括精神分裂症谱系障碍（35%）、双相情感障碍（27%）和重度抑郁症（23%）。主要的预测特征包括睡眠模式的变化（83%的研究）、身体活动（83%）、基于GPS的移动性数据（75%）以及社交交流频率（65%）。机器学习模型在预测复发（提前1至4周）方面的AUC值范围为0.70至0.88，尽管大多数这些估计值是基于内部验证得出的，可能会高估实际效果。多模态数据整合和个体层面建模的表现始终优于单一模态和群体层面的方法。在75%的研究中发现了较高的偏倚风险，主要原因是分析方法不足和过度依赖内部验证。

结论

被动数字表型分析在预测不同诊断类别的精神疾病复发方面显示出巨大的潜力，能够在确诊复发前4周达到中等到良好的预测准确性（AUC 0.70–0.88）。然而，必须解决一些关键的方法学限制问题，包括对内部验证的依赖、结果定义的异质性以及人口统计学多样性不足。在广泛临床应用之前，需要制定标准化的结果定义、在多样化群体中进行前瞻性外部验证，并开展闭环干预试验。

```