[論文レビュー] Individual-level Anxiety Detection and Prediction from Longitudinal YouTube and Google Search Engagement Logs

Anis Zaman, Boyu Zhang+3 more|arXiv (Cornell University)|Jul 1, 2020

Digital Mental Health Interventions参考文献 77被引用数 6

ひとこと要約

本稿では、匿名化された縦断的YouTubeおよびGoogle検索行動ログを用いて、個人レベルでの不安障害の検出と重症度の予測が可能なプライバシー保護型でスケーラブルなフレームワークを提案する。オンライン行動から説明可能な行動特徴を抽出することで、不安障害の検出においてF1スコア0.83±0.09、GAD-7スコアの予測において平均二乗誤差1.87±0.15を達成し、臨床的モニタリングに向けた低コストで非侵襲的なツールを提供する。

ABSTRACT

Anxiety disorder is one of the world's most prevalent mental health conditions, arising from complex interactions of biological and environmental factors and severely interfering one's ability to lead normal life activities. Current methods for detecting anxiety heavily rely on in-person interviews, which can be expensive, time-consuming, and blocked by social stigmas. In this work, we propose an alternative method to identify individuals with anxiety and further estimate their levels of anxiety using personal online activity histories from YouTube and the Google Search engine, platforms that are used by millions of people daily. We ran a longitudinal study and collected multiple rounds of anonymized YouTube and Google Search logs from volunteering participants, along with their clinically validated ground-truth anxiety assessment scores. We then developed explainable features that capture both the temporal and contextual aspects of online behaviors. Using those, we were able to train models that (i) identify individuals having anxiety disorder with an average F1 score of 0.83 and (ii) assess the level of anxiety by predicting the gold standard Generalized Anxiety Disorder 7-item scores (ranges from 0 to 21) with a mean square error of 1.87 based on the ubiquitous individual-level online engagement data. Our proposed anxiety assessment framework is cost-effective, time-saving, scalable, and opens the door for it to be deployed in real-world clinical settings, empowering care providers and therapists to learn about anxiety disorders of patients non-invasively at any moment in time.

研究の動機と目的

• 高頻度で発症するが、特に大学生においては診断が不十分である不安障害に対処するため、高価でステータスに影響を受ける対面評価に依存するのを減らす。
• 公共のソーシャルメディアを用いたメンタルヘルス検出の限界を克服する。これは、自己検閲、低プライバシー、非アクティブユーザーへのカバー範囲の狭さといった問題を抱える。
• YouTubeおよびGoogle検索からの普遍的でプライベートなオンライン行動ログを、メンタルヘルス状態の代理指標として活用し、継続的かつ侵襲的でないモニタリングを可能にする。
• 臨床的に関連性があり、解釈可能でスケーラブルなフレームワークを構築し、実世界の医療環境における不安の早期検出および縦断的追跡を支援する。

提案手法

• 大学生参加者を対象に、5か月間隔の2回のデータ収集ラウンドを含む縦断的調査を実施。参加者は匿名化されたYouTubeおよびGoogle検索ログを共有した。
• 臨床的に有効なGAD-7スコア（0–21）を、不安の重症度の基準として収集し、既存の精神病理基準と整合させる。
• オンライン行動から時間的パターン（例：検索頻度、セッション時間）および文脈的手がかり（例：トピッククラスタ、クエリの感情的評価）を捉える、説明可能な低次元特徴ベクトルを設計した。
• 得られた特徴に基づき、二値分類（不安あり vs. 無し）および回帰（GAD-7スコア予測）を目的とした教師あり機械学習モデルを訓練した。
• 特徴の重要度分析を用いて解釈可能性を確保し、臨床医が予測に寄与した行動パターンを理解できるようにした。
• 参加者全員が完全に制御可能なオプトイン、IRB承認済みのデータ収集プロトコルを実装し、データ削除権を含む、倫理的適合性とプライバシー保護を確保した。

実験結果

リサーチクエスチョン

• RQ1 YouTubeおよびGoogle検索の個人レベルでのオンライン行動ログは、個人レベルでの不安障害を信頼性高く予測できるか？
• RQ2 検索および視聴行動における時間的および文脈的パターンは、どの程度不安の重症度の代理指標として機能するか？
• RQ3 匿名化されプライベートなオンラインログに基づくモデルは、臨床的評価と比較して、ゴールスタンダードのGAD-7スコアをどの程度正確に予測できるか？
• RQ4 どの行動特徴が不安状態と最も強く相関しており、臨床的利用のために解釈可能にできるか？
• RQ5 このようなシステムを実世界の臨床現場に導入する際の倫理的および実務的影響は何か？

主な発見

• モデルは、YouTubeおよびGoogle検索ログのみを用いて、不安障害を同定する際、平均F1スコア0.83±0.09を達成した。
• GAD-7スコア（0–21）の連続値予測において、モデルは平均二乗誤差1.87±0.15を達成し、優れた回帰性能を示した。
• フレームワークは高いスケーラビリティとコスト効率を示し、臨床訪問間の遠隔的・非侵襲的な不安レベルのモニタリングを可能にした。
• 説明可能な特徴（例：健康関連用語の検索頻度の増加、不安関連コンテンツに対するYouTube視聴時間の延長）は、著しく上昇した不安レベルと強く相関していた。
• 縦断的分析により、2回目のデータ収集ラウンドで行動パターンが有意に変化していることが判明し、モデルが動的な不安状態を追跡できることを裏付けた。
• システムは臨床ワークフローに統合可能であり、不安スパイクの兆候を示す患者を特定し、早期のセラピスト介入と個別化されたケア計画の立案を可能にする。