[论文解读] Detecting early signs of depressive and manic episodes in patients with bipolar disorder using the signature-based model

Andrey Kormilitzin, Kate Saunders+3 more|arXiv (Cornell University)|Aug 3, 2017

Mental Health Research Topics参考文献 30被引用 12

一句话总结

本研究提出了一种基于签名的机器学习模型，利用纵向自报情绪数据检测双相情感障碍患者抑郁和轻躁狂发作的早期征兆。通过分析4至50周的情绪评分滚动窗口（QIDS和ASRM），该模型在预测抑郁发作方面达到79.2%的准确率，在预测轻躁狂发作方面达到71.9%，分别优于传统基于特征的模型至少2.36%和3.37%，证明该方法在捕捉临床时间序列中复杂时间模式方面的优越性。

ABSTRACT

Recurrent major mood episodes and subsyndromal mood instability cause substantial disability in patients with bipolar disorder. Early identification of mood episodes enabling timely mood stabilisation is an important clinical goal. Recent technological advances allow the prospective reporting of mood in real time enabling more accurate, efficient data capture. The complex nature of these data streams in combination with challenge of deriving meaning from missing data mean pose a significant analytic challenge. The signature method is derived from stochastic analysis and has the ability to capture important properties of complex ordered time series data. To explore whether the onset of episodes of mania and depression can be identified using self-reported mood data.

研究动机与目标

• 利用实时自报情绪数据识别双相情感障碍患者抑郁和轻躁狂发作的早期前兆。
• 评估签名方法是否能从复杂且采样不规则的情绪时间序列中提取有意义的时间模式。
• 比较基于签名的模型与传统人工设计特征（均值、变异度、缺失数据）的预测性能。
• 评估模型在不同患者队列中的稳定性与泛化能力，这些队列具有不同的发作频率和数据完整性。
• 探索系统性、基于数学原理的特征提取在数字心理健康监测中的可行性。

提出的方法

• 采用滚动窗口方法，对k周间隔（k = 4, 6, 8, 12, 20, 50）内的自报QIDS和ASRM评分进行分析，以捕捉时间动态。
• 利用源自随机分析的签名方法，从每个窗口内有序时间序列中提取高阶特征，编码情绪轨迹的路径属性。
• 训练两个独立的弹性网络正则化逻辑回归模型，以预测给定窗口是否为即将发生的发作的前兆。
• 模型使用三个关键特征：平均情绪评分、连续差异的均方根（Rmssd）和缺失应答数（MissRev），这些特征源自签名变换。
• 通过100次重复的10折交叉验证评估模型性能，以估计稳定的泛化误差指标。
• 将仅使用三个手动选择特征（均值、Rmssd、MissRev）的基线模型与基于签名的模型进行比较，以评估性能的增量提升。

实验结果

研究问题

• RQ1 基于签名的方法是否能比传统基于特征的模型更准确地利用自报情绪数据检测双相情感障碍患者的抑郁发作早期征兆？
• RQ2 考虑到轻躁狂与抑郁在时间动态上的显著差异，该方法是否能可靠预测轻躁狂发作的 onset？
• RQ3 历史窗口长度（k周）如何影响模型对抑郁和轻躁狂预测准确率的影响？
• RQ4 在敏感度、特异度和AUC方面，签名方法是否优于基于情绪数据简单统计摘要（如均值、变异度、缺失数据）的模型？
• RQ5 该模型在不同患者亚组及不同数据完整性水平下的性能在多大程度上保持稳定？

主要发现

• 基于签名的模型在预测抑郁发作前兆方面达到79.2%的准确率，敏感度为76.9%，特异度为79.5%，阳性预测值为78.6%，AUC为0.86。
• 对于轻躁狂发作，模型准确率达到71.9%，敏感度为73.3%，特异度为79.2%，阳性预测值为77.1%，AUC为0.83。
• 基于签名的模型在抑郁预测上显著优于仅使用人工选择特征的基线模型至少2.36个百分点，在轻躁狂预测上至少优于3.37个百分点（p < 0.001）。
• 模型在重复交叉验证中表现稳定，表明其泛化能力强且过拟合风险较低。
• 在签名框架内，将均值、Rmssd和MissRev三个特征组合使用，其预测能力优于任一单独特征。
• 研究发现，接近即将发生的发作的时间区间比稳定期更易区分，表明情绪轨迹中存在可检测的早期模式。