Digital Phenotyping for Adolescent Mental Health: A Feasibility Study Employing Machine Learning to Predict Mental Health Risk From Active and Passive Smartphone Data

要約

背景: 青少年は特に精神障害にかかりやすく、症例の 75% 以上が 25 歳未満で発症しています。研究によると、高レベルのうつ病または不安症状を経験している若者のうち、サポートを求めているのは 18 ～ 34% のみです。
スマートフォンを活用したデジタル ツールは、スケーラブルで早期介入の機会を提供します。
目的: この研究では、新しい機械学習フレームワークを使用して、アクティブおよびパッシブのスマートフォン データを統合して、非臨床的な青少年の精神障害を予測する実現可能性を評価しました。
具体的には、内在化障害と外在化障害、摂食障害、不眠症、自殺念慮などのリスクを予測する際の Mindcraft アプリの有用性を調査しました。
方法: ロンドンの 3 つの学校から参加者 (N=103、平均年齢 16.1 歳) を募集しました。
参加者は、長所と困難に関するアンケート、摂食障害-15に関するアンケート、睡眠状態指標に関するアンケートに回答し、自殺念慮の有無を示しました。
彼らは Mindcraft アプリを 14 日間使用し、自己申告によるアクティブ データとスマートフォン センサーからのパッシブ データを提供しました。
ユーザー固有の機能の安定性を高めるために、対照的な事前トレーニング フェーズが適用され、その後、監視された微調整が行われました。
モデルの評価では、バランスの取れた精度を主要な指標として使用した、1 つの被験者を除外した相互検証を採用しました。
結果: アクティブ データとパッシブ データの統合は、個々のデータ ソースと比較して優れたパフォーマンスを達成し、バランスのとれた平均精度は SDQ 高リスクで 0.71、不眠症で 0.67、自殺念慮で 0.77、摂食障害で 0.70 でした。
対照的な学習フレームワークにより、日常の行動表現が安定し、予測の堅牢性が向上しました。
この研究は、メンタルヘルスのリスクを予測するために、アクティブおよびパッシブのスマートフォン データを高度な機械学習技術と統合する可能性を示しています。

要約(オリジナル)

Background: Adolescents are particularly vulnerable to mental disorders, with over 75% of cases manifesting before the age of 25. Research indicates that only 18 to 34% of young people experiencing high levels of depression or anxiety symptoms seek support. Digital tools leveraging smartphones offer scalable and early intervention opportunities. Objective: Using a novel machine learning framework, this study evaluated the feasibility of integrating active and passive smartphone data to predict mental disorders in non-clinical adolescents. Specifically, we investigated the utility of the Mindcraft app in predicting risks for internalising and externalising disorders, eating disorders, insomnia and suicidal ideation. Methods: Participants (N=103; mean age 16.1 years) were recruited from three London schools. Participants completed the Strengths and Difficulties Questionnaire, the Eating Disorders-15 Questionnaire, Sleep Condition Indicator Questionnaire and indicated the presence/absence of suicidal ideation. They used the Mindcraft app for 14 days, contributing active data via self-reports and passive data from smartphone sensors. A contrastive pretraining phase was applied to enhance user-specific feature stability, followed by supervised fine-tuning. The model evaluation employed leave-one-subject-out cross-validation using balanced accuracy as the primary metric. Results: The integration of active and passive data achieved superior performance compared to individual data sources, with mean balanced accuracies of 0.71 for SDQ-High risk, 0.67 for insomnia, 0.77 for suicidal ideation and 0.70 for eating disorders. The contrastive learning framework stabilised daily behavioural representations, enhancing predictive robustness. This study demonstrates the potential of integrating active and passive smartphone data with advanced machine-learning techniques for predicting mental health risks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google