[论文解读] 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 6

一句话总结

本文提出了一种基于智能手机的被动式机器学习系统，通过无感的应用程序和传感器数据检测精神疾病患者的早期行为变化。该系统利用贝叶斯隐类模型对日常行为特征进行建模，并检测这些特征中的变化点，在识别自杀未遂或急诊干预等临床事件时，AUROC达到0.71，尽管存在数据缺失，仍展现出稳健的早期预警潜力。

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.

研究动机与目标

• 开发一种非侵入性、被动的移动工具，用于早期检测易发生自杀未遂的精神疾病患者的行为主动性不稳定性。
• 通过利用连续的智能手机感知数据，克服传统临床评估中回忆偏差和评估频率低的局限性。
• 将高维、异构的行为数据（如移动性、社交活动）建模为可解释的隐性行为特征。
• 基于隐性行为特征，利用分层变化点检测模型检测行为模式的突变。
• 在真实世界人群中，以自杀未遂和急诊干预等临床时间点为基准，验证系统性能。

提出的方法

• 系统以30分钟为间隔，被动收集智能手机数据，包括应用使用情况、位置轨迹、蓝牙/WiFi信号以及体动记录（步数）。
• 每日行为表征被构建为高维向量，结合了实值特征（对数步数、对数距离）和二值特征（手机使用、居家状态）。
• 通过高斯-伯努利混合模型，从异构的每日观测中推断出隐性离散行为特征（如“高活跃”、“低活跃”）。
• 通过分层贝叶斯变化点模型，基于隐性行为特征序列，估计每个时间步发生行为转变的后验概率。
• 通过最大后验估计（MAP）确定当前行为特征的起始时间，当阈值 r* ≈ 0 时，判定为新行为的开始。
• 由于模型具备处理不完整观测的能力，系统对缺失数据具有鲁棒性，数据集中缺失率最高达29%。

实验结果

研究问题

• RQ1 被动式智能手机感知数据能否可靠检测精神疾病患者临床危机前的早期行为变化？
• RQ2 隐类模型在捕捉来自异构真实世界传感器数据的可解释行为特征方面效果如何？
• RQ3 分层变化点检测模型能否在连续、纵向监测环境中准确识别行为不稳定性的起始？
• RQ4 当以临床时间点为基准时，系统在检测自杀未遂和急诊干预方面的表现如何？
• RQ5 该方法在智能手机关机或无信号等情况下，对缺失数据的鲁棒性如何？

主要发现

• 系统在检测自杀未遂或急诊干预等临床事件时，AUROC达到0.71，显著优于随机猜测。
• 模型成功在临床事件发生前一周内识别出行为变化，其中一周预警窗口定义为真正阳性。
• 系统对缺失数据表现出强鲁棒性，总缺失率为29%，患者个体平均缺失率为25%，且性能未下降。
• 即使患者在事件后关闭智能手机，系统仍能有效检测行为变化，如患者B的案例所示。
• 贝叶斯隐类模型能有效从混合连续与离散传感器数据中捕捉到明显的行为特征（如“高活跃”、“低活跃”）。
• 基于MAP的变点检测方法提供了可解释的预警，当 r* ≈ 0 时表明进入新行为状态，有助于及时临床干预。