电子心理健康预测模型的通用语言框架

国际贸易研究中心第12期（2018年）57电子心理健康预测模型：一个通用语言框架丹尼斯·贝克尔a，1999年，沃德·范布雷达b，伯克哈特·芬克a，马克·胡根多恩a，杰罗恩·鲁瓦德c，d，Heleen Riperc，da德国卢讷堡Leuphana大学信息系统研究所b阿姆斯特丹自由大学计算机科学系理学院，地址：De Boelelaan 1081，1081 HV Amsterdam，The Netherlandsc研究创新部&，GGZ inGeest，Amsterdam，P.O. Box 7057，Amsterdam MB 1007，荷兰d行为和运动科学系，临床、神经和发展心理学系，临床心理学科，阿姆斯特丹自由大学，Van der Boechorststraat 1，1081 BT，Amsterdam，The NetherlandsA B S T R A C T移动技术、传感器设备和人工智能的最新发展为精神卫生保健研究创造了新的机会。在电子精神健康研究和实践中收集的大型数据集的支持下，临床研究人员和数据挖掘社区的成员越来越多地联合起来，为健康监测、治疗选择和治疗个性化建立预测模型。本文旨在通过提供一个共同研究目标的概念模型，弥合这一新的协同研究中所涉及的遥远研究领域之间的历史和概念差距。我们首先简要概述了数据挖掘领域和用于预测建模的方法。接下来，我们建议在三个维度上描述心理健康护理中的预测建模研究：1）时间，相对于治疗（即，从筛选到治疗后复发监测），2）可用数据的类型（例如，问卷数据、生态瞬时评估、智能手机传感器数据），和3）临床决策的类型（即，数据是否用于筛查目的、治疗选择或治疗个性化）。在这三个维度的基础上，我们引入了一个框架，确定了四种模型类型，可用于对现有和未来的研究和应用进行分类。为了说明这一点，我们使用该框架来分类和讨论已发表的预测建模心理健康研究。最后，在讨论中，我们回顾了推动这一充满希望的新跨学科领域所需的下一步。1. 介绍心理健康问题对患者、他们的社交网络和整个社会都有巨大的影响（心理健康中心，2010年）。到2030年，全球心理健康成本预计将上升到每年约6万亿美元，届时将超过与癌症、糖尿病和呼吸系统疾病相关的预测健康成本的总和（Bloom et al.，2011年）。大量的研究致力于了解（特定）心理健康问题的根本原因，在恢复中发挥作用的因素，以及各种疗法的有效性。这一循证运动使精神卫生保健得到了实质性改善。然而，与此同时，人们的共识是，应该做出改进，以更有效地解决全球精神卫生状况的负担。将信息技术应用于心理卫生保健领域，预防和治疗心理障碍，可能为全球心理健康负担提供答案问题在线治疗应用的数量正在增加，并且可以为否则将保持未治疗的人提供帮助（Robinson等人，2010; Titov等人，2015年）。计算机和通信科学的最新进展导致该领域的快速发展，这带来了新的研究机会和治疗模式。基于客户在使用在线治疗时生成的数据，可以开发支持客户和治疗师的预测模型。由技术进步推动的发展的一个例子包括所谓的生态瞬时评估（EMA）。使用EMA，可以从心率传感器、身体活动传感器和其他移动应用程序中收集大量粗粒度和细粒度数据，以评估患者自然栖息地中症状的动态变化、一段时间内的症状、反应、反应和认知（Trull和Ebner-Priemer，2013）。最初设计为笔和纸测量，目前，EMA测量主要使用电子设备（如用户的智能手机）收集EMA使通讯作者。电子邮件地址：dbecker@leuphana.de（D. Becker）。https://doi.org/10.1016/j.invent.2018.03.002接收日期：2017年11月3日;接收日期：2018年3月1日;接受日期：2018年Availableonline08月ch20182214-7829/©2018Authors.由ElsevierB.V. 这是一个不可操作的CC，它与CCBY-NC-NDLicense（http：/creativecommons.org/licenses/BY-NC-ND/4。0/）。可在ScienceDirect上获得目录列表互联网干预杂志首页：www.elsevier.com/locate/invent国际贸易研究中心第12期（2018年）57D. Becker等人58研究人员测量用户在从事日常工作时的当前状态和行为（ShiJiamman等人，2008; Wichers等人，2011年）。然而，当用户参与基于在线的治疗时，也会部分收集此类该信息允许为用户提供情境和个性化干预（Burns等人，2011年），以满足特定用户的需求。要分析EMA数据和其他细粒度类型的数据（例如对数级数据），使用传统的统计方法（如t检验、方差分析或普通最小二乘（OLS）回归）并不简单。虽然这些方法可以理解测量之间的关系及其对治疗结果的影响，但它们既没有考虑数据的特定时间（或顺序）性质，也没有考虑各种测量之间的复杂相互作用效应。这就是新的分析方法发挥作用的地方。有前 景的 方法包 括预 测建 模技术，例如 决策 树、贝 叶斯 方法（Langley等人，支持向量机（Cortes和Vapnik，1995）和人工神经网络（Haykin，2009）。为了将这些方法应用于电子精神健康应用中收集的序列数据类型，必须对数据进行预处理（Hoogendoorn和Funk，2017）。这个预处理步骤的主要目的是导出有意义的变量，然后可以用于预测建模。为了成功地利用预测模型的潜力来开发有效的干预措施，每个步骤都需要设定目标，理解数据，构建此类模型，以及解释模型，理解用户对这些模型的看法，并最终部署所开发的模型。为了满足所有这些要求，临床研究人员和计算机科学家之间必须进行密切的跨学科合作。数据科学社区必须了解治疗师的需求，他们与客户的工作流程以及决策点。 另一方面，治疗师必须了解技术能力，哪些数据可能是有益的，以及可以从中得出什么类型的预测。只有当双方能够有效沟通时，预测建模在改善治疗结果方面的潜力才能实现。这种合作的成功与否将取决于共同语言的发展，我们认为这是成功规划新的研究和实施更复杂的在线治疗所必需的，在线治疗包括在常规实践中利用治疗过程中的评估数据进行预测建模。请注意，基于观测数据的预测建模仅应用于生成因果效应的假设。这些因果效应是否真的存在，是否能为临床决策提供信息，还需要在随后精心设计的实验中进行研究。在本文中，我们介绍了一个概念框架，旨在分类预测建模电子心理健康研究。在第2节中，我们介绍了预测建模方法和技术。第三部分提出了一个框架，将预测模型在心理健康研究中的各种用途分为四类。在第4节中，我们讨论了现有文献中每种模型类型的说明性示例。最后，在讨论中，我们回顾了已确定的研究差距，该框架可能有助于解决这些差距的方式，以及预期的未来挑战。2. 预测建模在本节中，我们将简要介绍预测建模领域。我们定义了基本术语，简要描述了监督学习和评估方法，以评估此类模型的性能。2.1. 术语预测建模可以定位在更广泛的术语“统计建模”（Shmueli，2010）下虽然传统的统计方法侧重于从因果关系或图1.一、基于Abu-Mostafa（2013）的监督学习方法的通用模型。识别关系，预测建模努力找到提供最准确预测的模型。预测是从所谓的属性或特征中得出的，而这些属性这些特征与传统统计方法中使用的变量没有什么不同。然而，传统的统计方法，侧重于高解释力，不一定会导致高预测力（道斯，1979年;福斯特和Sober，1994年）。2.2. 监督学习方法建立预测模型通常是通过所谓的监督学习来完成的。图1提供了该方法的过程的总体概述。监督学习需要提供预测属性和目标值（例如抑郁发作的发生）的“历史”数据，我们希望从新数据中预测，其中属性而不是目标值是已知的。目标可以是连续值（称为回归）或分类值（分类）。通常对数据进行预处理，以从原始属性中获得适当的特征，并组成训练集和测试集。此外，对可以描述特征与目标之间的关系的函数的类型进行了假设。能够解释观测数据的所有可能函数的集合称为假设空间。接下来，应用学习算法，该算法使用训练数据集结合误差度量从所有假设的集合中选择最终假设。为了估计该最终假设的普遍性，将其与学习过程中未使用的测试数据集进行评估。存在各种学习技术和目标函数类型。我们遵循Witten和Frank（2005）的分类。它们区分（1）概率建模方法，如朴素贝叶斯分类器（参见，例如，Langley等人，1992年），（2）分治建模方法，如决策树（Safavian和Landgrebe，1991年），（3）（扩展）线性建模方法，如广义线性模型（例如逻辑回归），支持向量机（Cortes和Vapnik，1995年）或人工神经网络（见Haykin，2009年），以及（4）基于实例的学习方法，如k-最近邻（Altman，1992年）。对这些方法的讨论超出了本文的范围，但参考文献为详细信息提供了一个很好的起点监督学习是一种所谓的自下而上的方法，因为它是由数据驱动的。它得到知识驱动的自上而下办法的补充。在后一种方法中，现有的理论被形式化为计算模型，将理论概念从一个域连接到可执行代码。因此，自上而下的方法从理论开始，通常利用基于对问题域的理论和经验见解的模型结构。有许多技术，从更多的数学类型的建模，如微分方程系统（齐格勒例如， 2000）到基于规则或基于代理的系统（Van derHoek和国际贸易研究中心第12期（2018年）57D. Becker等人59Wooldridge，2008）。2.3. 评估预测模型预测建模的目的是找到一个模型，它的泛化能力远远超过训练数据。回归和分类模型的评估方法不同。在评估回归模型时，经常使用的两个目标函数是平均绝对误差（MAE）和均方误差（MSE）。正确的错误度量类型取决于最理想的结果类型如果您不希望您的性能度量对离群值高度敏感，则MAE更合适，如果特别不希望出现大误差，则MSE更合适。为了评估分类模型，使用了各种各样的指标，如准确度（正确分类案例的百分比），精确度（预测模型归因于某个类别的所有案例中正确分类的比例）或召回率（在该类数据中的所有元素中正确发现该类的案例的比例）。当模型的分类性能取决于阈值时，通常情况下，受试者工作特征（ROC）曲线和曲线下面积（AUC）可用作性能指标（参见例如，Hanley和McNeil，1982年）。如前所述，模型的可推广性通常在测试数据集上进行测试，该数据集与用于拟合模型的训练集分开。当数据有限时，可以使用称为交叉验证的验证方法。该方法将原始样本集划分为k个子集，其中k-1个子集用作训练样本，一个子集用作验证和/或测试样本。该过程重复k次，其中每个子集作为测试集一次，并对性能结果进行平均（Olson和Delen，2008）。3. 框架为了描述和分类心理健康领域内预测建模的现有应用，我们提出了一个框架。该框架（图2）为研究人员提供了一种通用语言，并为指导治疗决策和设计新的干预措施和实验奠定了基础。该框架有四个主要元素，描述如下：时间（阶段），数据，决策和模型类型。3.1. 时间心理健康的预测建模自然试图揭示有意义的预测序列关系。因此，该框架是沿着心理干预的时间轴的核心阶段安排的。我们使用通用但可识别的术语干预前，干预和干预后来指代这些阶段，以使其适用于广泛的心理健康环境。3.2. 数据在不同的阶段，该框架确定了从参与的客户、治疗师和所涉及的技术系统收集的不同类型的数据。为了预测与个体相关的状态，不仅与该个体相关的数据可能是相关的，而且来自经历过这种（或类似）干预的其他个体的数据也可能具有预测能力。在不同的阶段收集不同的数据。在干预前阶段，使用问卷调查或访谈来确定过去和当前问题的严重性。此外，社会人口统计数据，人格特征，动机和对治疗的态度可以作为评估过程的一部分进行评估通常在干预阶段收集的数据量最大。这包括，例如，客户对干预措施中练习的文本响应，他们对卫生系统的登录，以及其他系统交互，包括技术支持。每日日记是记录干预期间客户发展的一种选择Bolger等人，1989; Burton等人，2009年; Jacelon和Imperio，2005年）。基于智能手机的EMA使客户能够每天定期报告几次相关变量（Wichers等人，2011年）。当收集使用数据（诸如呼叫日志和应用使用）和传感器数据（诸如GPS和加速度计数据）时，智能电话还可以用作丰富的数据源（例如，Lane等人，2010; Eagle等人，2009年）。高采样频率可以迅速导致每个客户端的大量数据。更多的数据是否以及何时会导致更好的预测模型是争论的主题（Stange和Funk，2016）。干预通常以最终筛查结束，最终筛查可包括各种问卷，以估计剩余症状的严重程度并评估客户的改善情况。干预后阶段可包括随访筛查和额外或重复干预以降低复发风险（Kessler et al.， 2005; Vittengl等人， 2009年）。3.3. 决定上一小节中描述的数据为建议和治疗决策提供了依据。这些决定可能会影响治疗过程和客户的依从性，并应旨在改善治疗结果。在干预前阶段，必须决定何种干预和何种程度的指导最适合客户的需要。例如，对于中度症状，客户可能最好在没有任何个人指导的情况下进行预防性自助干预当症状严重或问题复杂时，指导或混合干预可能更合适。在干预阶段，可能需要根据新的信息纠正早期的决策。例如，如果客户端面临退出的风险，则可能会增加gui- dance的级别。通过根据客户的行为进行个性化干预，使干预与客户相关，可以防止这种情况。EMA的正确时机（Armey等人，2015; Moskowitz和Young，2006;Smyth和Stone，2003）和生态瞬时干预（EMI）（Heron和Smyth，2010; Runyan等人，2013年）也是干预阶段的重要决定。一个最佳的时机可以最大限度地减少侵扰，提高客户的感知干预。在治疗后阶段，可以安排额外的干预措施以维持结果并防止复发（Kessler和Chiu，2005; Vittengl等人，2009年）。通常，在此阶段基于互联网的治疗还包括症状筛查和干预措施，以在积极治疗后指导客户（Kok等人，2014; Lord等人，2016年）。在所有阶段中看到的决定是坚持措施，包括激励信息和反馈以及提醒或联系治疗师。3.4. 模型类型预测模型可以用于各种目的。传统上，预测模型仅限于基于某个阶段（例如，在干预前）的数据进行预测，以预测下一阶段将发生什么（例如，干预的成功）。然而，鉴于当前评估的粒度和质量更高，更详细的模型已经可用，可以在更短的时间内进行预测。这些模型可以驱动个性化的干预措施，这些干预措施完全适合从特定客户端收集的观察结果。该框架通过区分四种模型类型来认识到这一点。它根据治疗阶段、模型可用的数据类型以及根据模型输出做出的临床决策来排列模型类型。表1概述了四种模型类型。1型模型可以预测精神疾病的风险，并可用于确定最佳治疗方案。有广泛的研究预测国际贸易研究中心第12期（2018年）57D. Becker等人60图二、电子心理健康预测模型分类框架关于风险评估和诊断的变量的功效，关注与社会人口统计学特征相关的各 种 变 量 （ 参 见 例 如 Tovar 等 人 ， 2014; Mittendorfer-Rutz 等 人 ，2014）、人格特质（参见例如Magidson等人，2014），和疾病特征（参见例如， 奥托等人， 2001; Wade等人， 1998年）。在过去，这类研究通常采用标准的统计方法，如OLS回归和逻辑回归。1型模型可用的数据可以通过问卷调查、EMA评估或共享电子健康记录收集。数据收集的时间跨度从1小时（一次性筛选仪器给药）到表1框架的拟议模型类型模型类型预测指标用途1干预前风险评估和诊断确定有心理健康问题风险的客户支持诊断过程支持选择干预措施，估计指导水平、EMA、EMI2干预前和干预短期趋势支持治疗师促进个性化治疗支持个人决策的选择，例如下一次干预、筛选、激励和指导识别脱落调整干预措施以最大限度地提高短期疗效3干预前和干预预测治疗结果支持治疗师促进个性化治疗支持个人决策的选择，例如下一次干预、筛选、激励和指导调整干预措施以最大限度地提高治疗效果4干预前、干预后、干预后稳定结果，防止复发识别复发风险高的客户调整术后护理，以最大限度地提高长期效果国际贸易研究中心第12期（2018年）57D. Becker等人61天（例如，一周日记），或周（例如，EMA评估）。2型模型预测健康状况和治疗依从性的短期变化，以优化治疗和治疗进展。随着客户通过干预的进展，更多的数据变得可用，如图2中的虚线框所示。每当新数据到达时，客户特定的模型可以更新，这平均增加了预测关键概念（如情绪或沉思的效价）短期演变的能力。根据预测的短期变化，可以计划干预的下一步。因此，这种模式可能有助于客户坚持干预。当了解当前的参与程度并且预测的退出概率很高时，可以应用激励干预措施，例如与治疗师直接联系，或提醒消息。第3类模型根据现有数据（如社会人口数据和干预阶段的观察结果）预测干预阶段的结果。在这里，估计和最小化辍学风险的模型也是相关的，但在这种情况下，重点应该是长期的辍学（这可能需要与减少短期辍学的干预措施不同的干预措施）。4型模型旨在预测复发。这类模型使用干预前阶段和干预阶段的数据来预测复发风险（Kessing，1999）。第4类模型可以帮助确定患者是否需要术后护理，或决定最佳评估时间表，以定期评估短期治疗结果的稳定性。4. 将框架应用于已发表的研究在本节中，我们使用所介绍的框架对已发表的应用预测模型的电子精神健康研究进行分类，以说明1）该框架以富有洞察力的方式工作并且是有用的，2）该框架涵盖了该领域内所做的工作。表2总结了讨论过的论文、它们的主要特征以及与框架的关系。4.1. 模型类型1：风险评估第一类模型旨在预测心理健康问题。实现这一目标的一种方法是应用数据挖掘技术来（重新）分析现有的流行病学数据，以识别可能不容易用更传统的统计技术检测到的疾病风险因素。例如，Ankarali et al.（2007）比较了分类树（一种监督建模技术）与标准logistic回归在确定女性产后抑郁症的社会人口统计学风险因素方面的表现。分类树确定了六个风险因素，而逻辑回归模型只发现了三个。另一个例子是Van derWerf等人（2006年）的研究，他们使用了一个大型的荷兰流行病学数据库，创建了一个普通人群抑郁症康复的还可以通过Facebook和Twitter等流行的社交媒体收集用于识别健康风 险 人 群 的 相 关 数 据 。 例 如 ， 在 Gittelman 等 人 （ 2015 年 ） 具 有Facebook喜欢和基本人口统计特征的模型比单独使用任何一个都要好在这方面，自动文本分析的进展也很有希望。例如，Pestian和Nasrallah（2010）探讨了文本挖掘技术是否可以用于识别真正的自杀笔记。在他们的研究中，预测模型被证明在这项任务中比心理健康专业人员更好（78%比100%）。63%）。技术进步允许在个人层面上持续获取数据。例如，一些研究表明，抑郁症可以使用从智能手机日志文件数据构建的预测模型，在没有明确的用户输入的情况下，基于Burns等人（2011）的一项试点研究，Saeb等人（2015）分析了用户的日常运动模式（根据手机的GPS记录估计）与抑郁症状之间的联系。从这些数据中可以得出用户移动的各种特征，例如位置访问的差异。为了确定客户特定的重要位置，Saeb等人（2015）使用了K均值聚类算法的变体（Arthur和Vassilvitskii，2007），这是一种无监督学习技术，可以找到多变量数据的最佳分区。通过自我报告问卷评估，发现地点群集访问模式与抑郁症状相关。因此，可以高度准确地检测抑郁症的临床水平。Kim等人的研究进一步证明了活动性和活动监测的相关性。（2015）和Osmani et al. （2013年）。其他几项研究探讨了智能手机日志文件在检测健康参与者心理健康问题方面的有用性。Doryab等人（2014）使用电话通话记录和电话光传感器数据作为用户社交和睡眠行为的代表。研究结果表明，呼出电话的明显变化与抑郁症状的变化有关。Mestry等人（2015）报告了类似的发现，他们得出结论，预测抑郁，压力和焦虑的可能范围比预测绝对值更可行。Demirci等人（2015）调查了智能手机使用与学生样本中睡眠质量，抑郁和焦虑之间的关系。研究发现，越来越多的智能手机使用与更多的抑郁、焦虑和睡眠质量下降Ma et al.（2012）和Likamwa et al.（2013）报告了类似的结果，他们能够根据智能手机上收集的变量分别以50%和93%的准确率模型的预测准确性可以通过捕获上下文信息来进一步增加，通过不引人注目的评估或通过提示的自我报告问卷。Panagiotakopoulos等人（2010）在30天内从27名焦虑症患者那里收集了这些数据，每天五次（允许参与者随时自由地进行额外的评级）。使用贝叶斯网络，他们能够从EMA数据中推断出压力水平，平均准确率为84%。语音记录可以通过智能手机的麦克风进行不显眼的采样，这可能为健康筛查应用提供另一个来源。Lu等人（2012年）分析了录音来估计压力水平，发现音高的变化与压力水平相关。Chang等人（2011年）表明，语音分析程序可以使用基于智能手机的语音分析软件来估计当前的感染或压力水平。Van der Sluis等人（2012）发现，除音高外，其他语音特征（如振幅、过零点、功率和高频功率）也是创伤后应激障碍（PTSD）患者压力水平的有用预测因子。正如所讨论的研究所建议的那样，第1类模型很可能会以智能手机应用程序的形式进入未来的电子心理健康领域。为此，重要的是，通常基于小样本试点研究的有希望的初步发现，得到充分动力的独立复制研究的证实。例如，Likamwa等人（2013）的发现无法在后续研究中复制（Asselbergs等人， 2016年）。4.2. 模型类型2：治疗期间的短期预测第2类模型的目标是预测患者在干预期间的状态研究表明，跟踪患者的 状 态 可 以 通 过 提 供 反 馈 周 期 来 改 善 治 疗 依 从 性 和 治 疗 结 果（Lambert，2010; Miller等人，2006年）。 为此，传统的自我报告问卷可以定期管理，例如，每两周一次。如有必要，这些粗粒度的评估可以通过更细粒度的日常评估来补充。国际贸易研究中心第12期（2018年）57D. Becker等人62表2预测模型用于电子心理健康。模型类型研究一数据预测方法评论11Ankarali等人（二零零七年）Van der Werf等人（2006至事件发生时间数据产后抑郁症恢复概率的估计分类树，逻辑回归，序贯阶段模型妇女产后抑郁症的风险评估。模型在一般人群中从非抑郁状态过渡到抑郁状态。识别导致抑郁症的因素。Facebook上的喜欢表明习惯和活动，这些习惯和活动被用来预测预期寿命。自杀遗书的真实性是可以估计的。在压力情况下为用户提供EMI1Gittelman等人（2015年）Facebook喜欢预期寿命估计从Facebook喜欢可能自杀EMA评级是从收集到的智能手机数据中推断出来的GPS和手机使用主成分分析，线性回归支持向量机各种类型的回归树11Pestian和Nasrallah（2010）Burns et al.（2011年）自杀笔记EMA1Saeb等人（2015年）GPS移动数据用于位置聚类的K-means和用于预测抑郁症状层次模型Tertius算法（参见Flach和Lachiche，2001年）分析了手机GPS传感器特性、EMA评分和PHQ-9评分11Kim et al.（2015）Doryab et al.活动度量噪音水平、移动和位置数据、光照强度、电话使用情况情绪估计抑郁症与手机使用和睡眠行为的相关性研究心理状态情绪是从身体活动中推断出来的。抑郁症患者行为改变检测的初步研究1Mestry等人（2015年）智能手机措施相关性分析智能手机数据与抑郁、焦虑或压力等精神状态的相关性。智能手机的使用与睡眠质量以及焦虑和抑郁症状有关。1Demirci等人（2015）匹兹堡睡眠质量指数、贝克抑郁量表、贝克焦虑量表智能手机措施睡眠质量、抑郁和焦虑评分相关性1Ma等人（2012年）情绪估计因子图从个人智能手机记录的数据推断情绪。从个人智能手机记录的数据推断情绪。抑郁、焦虑和压力等精神状态是从上下文数据中估计的。压力水平可以从基于语音的特征来估计1Likamwa等人（2013年）智能手机措施情绪估计回归模型1Panagiotakopoulos等人（二零一零年）EMA评级和背景信息语音样本精神状态贝叶斯网络1Lu等人（2012年）基于语音样本的压力估计情感识别隐马尔可夫模型的混合1Chang等人（2011年）语音样本支持向量机在智能手机上运行并从语音样本中估计情感的库。创伤后应激障碍患者的应激水平估计从语音样本。未能复制Likamwa等人（2013）双相情感障碍个体的治疗和耦合行为模拟。允许预测客户的恢复曲线，并模拟各种治疗形式的影响1Van der Sluis等人（2012年）语音样本应力估算回归12Asselbergs et al.（2016）Daughterson智能手机措施情绪措施情绪估计情绪波动周期的估计和治疗模拟病人的症状轨迹回归模型动态模型2Both等人（2010），Both和Hoogendoorn（2011），Both，Hoogendoorn和Klein（2012）Touboul等人（二零一零年）EMA动态模型2EMA恢复曲线和复发风险的估计抑郁发作的预测和康复机会面对面干预的时间安排估计回收率曲线动态模型基础模型参数的识别允许客户进行特定的预测。抑郁发作发生的建模和治疗的有效性。基于患者个体数据的心理治疗控制理论时间表。用马尔可夫模型估计重性抑郁发作的患病率和恢复情况尝试根据报告的EMA数据和电话使用数据2Demic和Cheng（2014）EMA，临床数据动态系统，状态机2贵族（2014）问卷控制理论模型第二章03 The Dog（2005）抑郁评分马尔可夫模型2Becker等人（2016）电话使用数据，EMA数据第二天的心情Lasso回归，支持向量机，线性回归，贝叶斯分层回归线性回归与Bagging方法2van Breda等（2016年）EMA数据第二天的心情通过前几天收集的EMA数据预测第二天的情绪。优化用于预测的历史时段。（接下页）国际贸易研究中心第12期（2018年）57D. Becker等人63表2（续）模型类型研究一数据预测方法评论2Bremer等人（2017）日记数据当前情绪文本挖掘与贝叶斯回归客户的活动日志数据用于推断当前情绪。智能手机测量的活动与双相情感障碍患者的抑郁状态相关。个体患者数据荟萃分析：分析来自各种试验的原始数据，以确定基于网络的干预措施的脱落风险因素。自尊水平较低，澄清经验较少，缺乏治疗联盟的客户更有可能退出。轻度惊恐障碍患者的脱落率估计。2Osmani等人（2013年）智能手机措施抑郁状态相关性3Karyotaki等人（2015年）人口统计估计辍学风险因素分层Poisson回归模型3Kegel和Flückiger（2014）自尊，掌握，澄清，全球联盟治疗脱落分层回归3Meulenbeek等人（2015年）社会人口统计学、个人和疾病相关变量自我效能感问卷治疗脱落Logistic回归3Proudfoot等人（2013年）症状改善相关性在基于网络的治疗开始时报告的自我感觉能力表明了结果。早期改善可用于预测治疗结果。比较9项研究的结果，以评估治疗关系的预测能力。使用数据及其对结果的影响客户端登录频率与治疗后的改善相关使用（一些）程序功能与治疗结果相关。基于会话问卷的治疗结局估计。根据自我报告的数据预测治疗耐药性。根据患者发送给治疗师的电子邮件中包含的文本预测治疗成功。复发风险与基线和治疗后抑郁的严重程度显著相关。使用临床数据预测双相患者一年随访的结果。酒精依赖和抑郁症或双相情感障碍患者3或6个月后复发。酒精依赖伴抑郁或双相情感障碍患者2年后的纵向结局基于人口统计学和先前的饮酒行为，预测酒精复发风险抑郁症复发风险的估计。3Van等人（2008年）汉密尔顿抑郁量表治疗失败Logistic回归3Priebe等人（2011年）治疗关系治疗结果χ2分析线性回归模型33Donkin等人（2013年）Van Gemert-Pijnen等人（2014应用程序使用数据登录频率完成干预治疗后的结果预测结果预测3Whitton等人（2015）收集的有关所用程序功能的数据基于会话的结果问卷相关性3Bennett等人（2011年）治疗结果各种方法3Perlis（2013）社会人口统计学，自我报告的临床数据社会人口统计学，患者发送的电子邮件处理电阻朴素贝叶斯，逻辑回归，支持向量机，随机森林逻辑回归，决策树，随机森林3Hoogendoorn等人（2017年）治疗成功4Kessing（1999）ICD-10抑郁评分复发风险，自杀风险Cox回归4Busch等人（2012年）人口统计学、药物治疗、临床数据人口统计学、既往饮酒特征、合并症人口统计学、既往饮酒特征、合并症人口统计学、既往饮酒特征情绪、社会和认知脆弱性GPS位置预测1年随访结果酒精复发风险分层逻辑回归402 The Dog（2010）Logistic回归4Farren等人（2013年）酒精复发风险Logistic回归405 The Dog（2009）酒精复发风险Logistic回归4van Voorhees等人（二零零八年）复发风险回归树4Gustafson等人（2014年）触发EMI以前输入的位置EMI是在过去获得酒精的地方触发的根据每周的调查，在未来一周的复发风险预测以前酒精依赖的客户。基于旨在识别复发风险的监测技术触发EMI或通知医疗状态的支持剂4Chih等人（2014年）每周评估EMA评级预测未来一周的复发风险贝叶斯网络模型4Aziz等人（二零零九年）环境措施触发EMI，通知家庭成员或主管时间轨迹语言规则a研究报告按正文中的顺序排列国际贸易研究中心第12期（2018年）57D. Becker等人64基于智能手机的评估（Torous等人，2015年）。类型1和类型2模型之间的区别并不总是明确的。当在治疗期间使用第1类模型和应用程序对健康状态进行短期预测，以告知治疗过程中的决策时，模型应归类为第2类。类型2模型也可以更先进，因为来自正在进行的治疗的更详细的数据可用于通知建模过程（即，基于网络的治疗平台的日志数据、治疗师输入和广泛的诊断数据）2型模型明确考虑患者的治疗背景。Daughterson et al.（2009）使用振荡双相情感障碍方程预测诊断为双相情感障碍的患者的轻躁狂、稳定和抑郁发作。他们的模型结合了药物治疗和患者之间的行为耦合的效果药物治疗可以减缓快速的情绪变化，抑制情绪波动的幅度。具有相似周期的患者随时间同步，而具有相反周期的患者保持在相反周期中。Becker等人（2016）利用手机使用数据和之前的EMA测量结果来预测一组学生实验中情绪的报告值对于电话使用数据，它们包括应用程序使用情况、活动水平、电话呼叫数量和发送的短信数量。他们应用各种数据挖掘技术，包括支持向量机，套索和线性回归，贝叶斯层次回归。他们创建了一个通用模型以及用户级模型，并能够使用Lasso回归方法和用户级方法实现0.83的均方根误差。同样，van Breda等人（2016）试图使用抑郁症患者前几天自我报告的EMA数据它们优化了在其特征中考虑的天数，以预测第二天的情绪值。他们建立个体患者模型并使用线性回归模型的组合（使用所谓的装袋方法）。了解来访者情绪轨迹的另一种可能性是在线日记，这是在线干预的一部分。Bremer et al.（2017）证明，客户在特定一天的情绪可以根据他们的日记数据推断。在两阶段建模方法中，他们采用文本挖掘技术，首先提取用户日记中在随后的步骤中，使用一组相关活动来使用有序logit模型成功地预测客户的情绪。另一个明确的2型模型是Both等人（2010）的“虚拟患者”模型。该模型描述了不同的客户状态之间的关系，如情绪，思想和应对技能作为一个系统的差异方程，它允许模拟患者状态随时间的发展。正如我们在预测建模方法的概述中所讨论的，这样的模型是使用自顶向下的方法开发的，其中领域知识在计算模型中形式化。利用该模型，可以模拟内部状态的发展以预测治疗期间的情绪。该模型结合了不同治疗干预的假设工作机制，如活动计划或认知行为疗法（CBT），以模拟这些干预的潜在效果，进而可用于确定最能使患者受益的干预（Both和Hoogendoorn，2011）。为了有效地做到这一点，需要额外的模型状态来解释客户端无法控制的外部变量（两者，Hoogendoorn和Klein，2012）。Touboul等人已经提出了类似的方法，使用不同的计算技术。（2010），Demic和Cheng（2014），Noble（2014）和Patten（2005）。4.3. 模型类型3：预测治疗结果3型模型预测活性治疗期间的治疗结局（包括脱落）。这些模型的目的不是关注短期症状动态与治疗决策之间的关系，而是预测整个治疗过程的结果（即，后测试结果）。该结果有两个方面：1）健康症状的变化（通常称为连续心理健康问卷评分的向量），以及2）是否按预期提供治疗（通常是二元变量，将治疗标记为未完成预定最低治疗百分比的患者的脱落）。使用回归技术，临床研究人员一直在探索3型模型，使用在基线（预测试）评估时收集的预测因子（例如，DeRubeis等人，2014; Huibers等人，2015; Karyotaki等人，2015; Kegel和Flückiger，2014; Meulenbeek等 人 ， 2015 ） ， 在 治 疗 期 间 收 集 的 心 理 健 康 问 卷 回 答 （ 例 如 ，Proudfoot等人，2013; Van等人，2008），或患者和治疗师之间的治疗关系的重复测量（例如，Priebe等人，2011年）。在这些研究中，研究者倾向于更多地关注个体预测因子在人群水平上的重要性风险因素），而不是整个模型最近的研究表明，电子治疗提供系统的日志文件也可能提供有用的详细预测治疗结果。登录次数、每次登录的操作、完成的模块和花费的时间是可以识别adherers和non-adherers之间的差异的度量（Donkin等人，2013年）。Van Gemert-Pijnen等人（2014），例如，发现用户登录频率与治疗后的抑郁症状相关。Whitton等人（2015）在一项基于网络的抑郁和焦虑症状自助干预研究中检查了程序功能的使用与结果之间的相关性 日记功能和短信提醒的使用与结局无关，干预次数（开始和完成）也对症状减轻没有影响。症状跟踪功能使用户能够跟踪其改善情况，对最终治疗结果也没有影响。然而，使用症状跟踪工具的提醒功能对结局有积极的影响。先进的数据挖掘技术也被用于构建第三类模型。例如，Bennett等人（2011）使用（朴素）贝叶斯分类器和随机森林决策树（参见Breiman等人， 1984年），以预测在每个疗程收集的健康问卷的治疗结果。发现症状水平的早期降低是治疗结果的重要预测因素。使用10倍交叉验证，各种分类模型的预测准确度在60%至76%之间变化。早期发现客户在高风险的治疗阻力也可能是有帮助的，例如，决定在基于网络的治疗的治疗师指导的最佳水平。Perlis（2013）使用自我报告的社会人口统计学和临床变量预测治疗抵抗。使用多变量模型，如逻辑回归，朴素贝叶斯和支持向量机，作者实现了0.71的AUC，表明公平的预测性能。Hoogendoorn等人（2017）提出了一种利用患者撰写的自由文本的方法。他们从焦虑症患者发送给治疗师的短信中提取特征，作为焦虑治疗的一部分。这些特征包括单词的使用、情感、回复率、电子邮件的长度、电子邮件的措辞以及患者在电子邮件中写的主题。他们的目的是预测所谓的社交恐惧症测量的可靠改善，并且能够在治疗中途达到约0.83的AUC，并在结束时获得相似的评分，这明显优于仅使用基线数据。4.4. 模型类型4：复发预测模型4型模型侧重于预