Smartphone-Daten zeigen Muster der Psychopathologie | Carla Cantor, Medscape Informationen über Mobilität, Telefonbenutzung, Schlaf-Wach-Muster und andere passive Daten, die von Smartphones gesammelt werden, stehen in Zusammenhang mit Verhaltensmarkern, die mit verschiedenen Formen der Psychopathologie verbunden sind, einschließlich der allgemeinen psychischen Gesundheitsbelastung, wie neue Forschungen zeigen. In einer großen Beobachtungsstudie mit gemeinschaftsbasierten Erwachsenen fanden die Forscher heraus, dass Smartphone-Sensoren, die tägliche Aktivitäten messen, unterschiedliche Verhaltenssignaturen erfassen, die helfen könnten, zu identifizieren, wann sich die Symptome der psychischen Gesundheit verschlechtern. Die Ergebnisse erweitern den wachsenden Fundus an Arbeiten zur digitalen Phänotypisierung, die passive Daten, die von Smartphones und tragbaren Geräten gesammelt werden, analysiert, um Verhaltensmuster in Echtzeit zu identifizieren. Obwohl sie noch nicht für die Klinik bereit sind, sagten die Forscher, dass die neue Analyse eine Reihe potenzieller Anwendungen für die Smartphone-Sensorik vorschlägt, die zusammen mit klinisch bewerteten und selbstberichteten Maßnahmen verwendet werden könnte, um Einblicke in die Lebensrealität der Patienten zu bieten und eine Gelegenheit für zeitnahe Interventionen zu schaffen. "Diese Studie hilft uns zu verstehen, wie umfassend die Psychopathologie ist, die Smartphone-Sensoren erkennen können, und wie spezifisch diese Marker für verschiedene Formen psychischer Erkrankungen sind," sagte die Hauptautorin Whitney R. Ringwald, PhD, Assistenzprofessorin und Starke Hathaway Endowed Chair in Klinischer Psychologie an der University of Minnesota, Minneapolis, gegenüber Medscape Medical News. "Es bietet eine Möglichkeit, die psychologische Funktionsweise im täglichen Leben zu bewerten und die Symptome der psychischen Gesundheit kontinuierlicher zu überwachen, insbesondere außerhalb des klinischen Umfelds," fügte sie hinzu. Die Studie wurde am 3. Juli online in JAMA Network Open veröffentlicht. Verknüpfung von Daten mit Symptomen Bis jetzt waren Verhaltensstudien, die Smartphone-Daten nutzten, typischerweise klein und konzentrierten sich auf eine einzelne Störung wie Depression oder Schizophrenie. Aber dieser Ansatz könnte übersehen, wie Symptome interagieren und sich über diagnostische Grenzen hinweg überschneiden, sagten die Forscher. Um ein vollständigeres Bild zu erfassen, verwendeten Ringwald und Kollegen die hierarchische Taxonomie der Psychopathologie, ein Rahmenwerk, das Symptome der psychischen Gesundheit in transdiagnostische Bereiche organisiert. Dazu gehören Internalisation, Abtrennung, somatoforme Störungen, Antagonismus, Enthemmung und Denkstörungen. "Einer der wesentlichen Beiträge der Studie ist, dass frühere Forschungen nur einige DSM [Diagnostisches und Statistisches Handbuch Psychischer Störungen] Störungen betrachtet haben," sagte Ringwald. "Wir haben einen breiteren Blick eingenommen, indem wir Symptomdimensionen gemessen haben, die die meisten Formen der Psychopathologie umfassen, und eine viel größere Stichprobe verwendet." Die Querschnittsstudie umfasste 557 Erwachsene (83 % Frauen; Durchschnittsalter 30,7 Jahre; 81 % weiße Personen). Die Teilnehmer füllten eine grundlegende Umfrage zur psychischen Gesundheit aus, die die Forscher verwendeten, um ein allgemeines Maß für die psychiatrische Symptombelastung zu berechnen, das als p-Faktor bezeichnet wird. Anschließend unterzogen sie sich 15 Tagen der Smartphone-basierten Überwachung. Ihre persönlichen Geräte sammelten Daten über das globale Positionierungssystem (GPS), Beschleunigungsmesser, Bildschirmnutzung, Anrufprotokolle und Batteriemetriken. Die Forscher extrahierten 27 Verhaltensmarker aus den Daten, wie die Zeit, die zu Hause verbracht wurde (aus GPS-Daten) und die Schlafdauer (aus Beschleunigungsmesserdaten). Anschließend ordneten sie diese Marker den Punktzahlen der Teilnehmer in den Bereichen der Psychopathologie zu und maßen die Stärke der Assoziation durch den Koeffizienten der multiplen Korrelation (R) zwischen jedem der sechs Bereiche und den 27 Markern. Muster identifizieren Abtrennung (R, 0,42; 95 % CI, 0,29-0,54) und somatoforme (R, 0,41; 95 % CI, 0,30-0,53) Symptome zeigten die stärksten Assoziationen. Hohe Abtrennung war mit Verhaltensmarkern wie reduziertem Gehen, mehr Zeit zu Hause und weniger besuchten Orten verbunden. Somatoforme Symptome, die in mobilen Sensorstudien oft übersehen werden, waren ebenfalls mit geringer körperlicher Aktivität verbunden. Weitere Assoziationen umfassten eine niedrige Batterieladung bei Personen mit hoher Enthemmung – was die Forscher als Hinweis auf Planungsdefizite deuten – und weniger, kürzere Telefonanrufe bei Personen mit erhöhtem Antagonismus. Internaliserende Symptome hatten subtilere Verbindungen, einschließlich kürzerer, häufigerer Bildschirminteraktionen. Die Forscher korrelierten auch Verhaltensmuster mit den Baseline-p-Faktor-Punktzahlen der Teilnehmer. Personen mit höheren Baseline-p-Faktor-Punktzahlen hatten eher Sensordaten, die eine reduzierte Mobilität zeigten (standardisierte β, -0,22; 95 % CI, -0,32 bis -0,12), spätere Schlafenszeiten (standardisierte β, 0,25; 95 % CI, 0,11-0,38), mehr Zeit zu Hause (standardisierte β, 0,23; 95 % CI, 0,14-0,32) und niedrigere Telefonbatteriestände (standardisierte β, -0,16; 95 % CI, -0,30 bis -0,01). Diese Muster, so die Autoren, könnten gemeinsame Beeinträchtigungen in Motivation, Planung oder kognitiver Kontrolle über mehrere Formen psychischer Erkrankungen widerspiegeln. Wenn sie validiert werden, könnten solche Verhaltensindikatoren den Kliniker helfen, zu erkennen, wann Symptome eskalieren, selbst in Abwesenheit eines klaren diagnostischen Labels. Digitale Phänotypisierung: Ein weiteres klinisches Werkzeug? Obwohl sie noch nicht für den klinischen Einsatz bereit sind, deuten die Ergebnisse auf mehrere vielversprechende Anwendungen hin. Wenn sie in die Versorgung integriert werden, könnte die Smartphone-Sensorik Anbietern helfen, Symptome passiv zu verfolgen, die auf einen Rückfall hindeuten könnten, sodass Kliniker zeitnahe Interventionen basierend auf dem Verhalten in der realen Welt anbieten können. Dies könnte besonders wertvoll für Patienten sein, die Schwierigkeiten haben, Veränderungen zu berichten oder nur eingeschränkten Zugang zur Versorgung haben, sagten die Forscher. "Es ist kein Ersatz für die klinische Versorgung, sondern ein potenzielles Ergänzungsmittel, das uns ein reichhaltigeres Bild gibt," sagte Ringwald. Sie bemerkte, dass die digitale Phänotypisierung letztendlich just-in-time Interventionen unterstützen könnte – zum Beispiel, indem sie eine kurze therapeutische Strategie anregt, wenn eine Person Anzeichen von Verhaltensrückzug oder -störung zeigt. Ringwald betonte, dass wichtige Schritte erforderlich sind, bevor die Technologie bereit ist, implementiert zu werden. "Dies ist immer noch frühe Forschung," sagte sie. "Wir benötigen größere, vielfältigere Stichproben, eine bessere Sensor-Kalibrierung und Strategien zur Interpretation von Daten auf individueller Ebene, bevor wir dies in die Versorgung integrieren können." Versprechen und Vorsichtsmaßnahmen In einem begleitenden Editorial beschrieben Christian A. Webb, PhD, und Hadar Fisher, PhD, beide von der Harvard Medical School in Boston, die Studie als "einen wichtigen Beitrag zum wachsenden Bereich der digitalen Phänotypisierung." Die Forschung "zeigt den potenziellen Wert dieses Ansatzes, der alltägliche Verhaltensweisen mit transdiagnostischen Symptomdimensionen verknüpft," schrieben sie. Sie warnten jedoch, dass Verhaltensdaten nicht überinterpretiert werden sollten. "Digitale Verhaltensdaten sind genau das – Verhaltensdaten. Sie sind grobe Proxys für interne mentale Zustände, keine direkten Ablesungen von Stimmung oder Gedanken," schrieben die Autoren. Ein einzelnes Signal könnte je nach Kontext unterschiedliche Bedeutungen tragen. "Das gleiche Signal könnte intensive körperliche Aktivität, Angst oder Aufregung widerspiegeln." Um klinisch nützlich zu sein, fügten sie hinzu, muss die Technologie genau, skalierbar und ethisch implementiert werden. Mehr lesen: