[論文レビュー] Passive detection of behavioral shifts for suicide attempt prevention

Pablo Moreno-Muñoz, Lorena Romero-Medrano+4 more|arXiv (Cornell University)|Nov 14, 2020

Suicide and Self-Harm Studies参考文献 16被引用数 6

ひとこと要約

本稿では、非侵襲的なアプリおよびセンサデータを用いて、精神的疾患を有する患者の行動的変化の兆候を検出する、スマートフォンベースの機械学習システムを提示する。ベイジアン潜在クラスモデルを用いて日常の行動プロファイルをモデル化し、これらのプロファイルにおける変化点を検出することで、自殺未遂や救急対応などの臨床的イベントを識別する際のAUROCが0.71に達し、欠損データが存在する状況下でも強固な早期警告の可能性を示している。

ABSTRACT

More than one million people commit suicide every year worldwide. The costs of daily cares, social stigma and treatment issues are still hard barriers to overcome in mental health. Most symptoms of mental disorders are related to the behavioral state of a patient, such as the mobility or social activity. Mobile-based technologies allow the passive collection of patients data, which supplements conventional assessments that rely on biased questionnaires and occasional medical appointments. In this work, we present a non-invasive machine learning (ML) model to detect behavioral shifts in psychiatric patients from unobtrusive data collected by a smartphone app. Our clinically validated results shed light on the idea of an early detection mobile tool for the task of suicide attempt prevention.

研究の動機と目的

• 自殺未遂のリスクを有する精神的疾患を有する患者における行動的不安定性の早期検出を目的とした、非侵襲的かつ非監視型のモバイルツールの開発。
• 記憶バイアスや頻度の低い評価といった従来の臨床的評価の限界を、継続的なスマートフォンセンサデータの活用によって克服すること。
• 高次元かつ多様な行動データ（移動行動、社会的活動）を、解釈可能な潜在的行動プロファイルに要約すること。
• 潜在的プロファイル上での階層的変化点検出モデルを用いて、行動パターンの急激な変化を検出すること。
• 実世界の対象群において、自殺未遂や救急対応といった臨床的タイムスタンプと照合して、システムの性能を検証すること。

提案手法

• システムは、30分ごとにアプリ使用状況、位置情報トレース、Bluetooth/WiFi信号、アクティグラフィ（歩数）などのスマートフォンデータを非監視的に収集する。
• 日常の行動表現は、実数値（対数変換した歩数、対数変換した移動距離）と二値（スマートフォン使用状況、自宅滞在有無）の特徴を組み合わせた高次元ベクトルとして構築される。
• ガウス・ベルヌーイ混合モデルが、多様な日常観測データから離散的かつ潜在的な行動プロファイル（例：「高活動」、「低活動」）を推定する。
• 階層ベイジアン変化点モデルが、潜在的プロファイルの系列を用いて、各時刻に行動の変化が発生する事後確率を推定する。
• 変化点は、現在の行動プロファイルの開始時刻の最大事後確率（MAP）推定を用い、r* ≈ 0 が新しい行動状態を示す閾値として設定される。
• モデルが不完全な観測を処理できる能力のおかげで、データセットにおける欠損率が最大29%に達しても、システムは欠損データに対して耐性を示す。

実験結果

リサーチクエスチョン

• RQ1 非監視型スマートフォンセンシングデータは、精神的疾患を有する患者の臨床的危機に先行する行動的変化を信頼性高く検出できるか？
• RQ2 潜在的クラスモデルは、多様で現実世界のセンサデータから解釈可能な行動プロファイルを的確に捉えることができるか？
• RQ3 階層的変化点検出モデルは、連続的かつ縦断的な監視環境において、行動不安定性の発生時刻を正確に同定できるか？
• RQ4 臨床的タイムスタンプと照合した場合、システムは自殺未遂や救急対応の検出においてどの程度の性能を示すか？
• RQ5 スマートフォンが電源を切られたり、電波が届かなくなったりする場合のような欠損データに対して、この手法はどの程度耐性を示すか？

主な発見

• 自殺未遂や救急対応などの臨床的イベントを検出する際、システムは0.71のAUROCを達成し、ランダムな予測を著しく上回った。
• モデルは臨床的イベントの1週間前までに行動の変化を検出でき、1週間の予報ウィンドウを真の陽性と定義した。
• 欠損データに対して高い耐性を示し、全般的な欠損率が29%、患者単位の欠損率が25%であったが、性能の低下は認められなかった。
• 患者Bの事例では、イベント発生後にスマートフォンを切った場合でも、行動の変化検出が有効に機能した。
• ベイジアン潜在クラスモデルは、連続的および離散的センサデータの混合を効果的に捉え、明確な行動プロファイル（例：「高活動」、「低活動」）を抽出できた。
• MAPベースの変化点検出法により、解釈可能なアラートが得られ、r* ≈ 0 が新しい行動状態を示すことで、臨床的介入のタイミングを的確に把握できるようになった。