Resumo:
Este estudo avança o campo da detecção de episódios de humor ao demonstrar que dados passivos do Fitbit, analisados com métodos de aprendizado de máquina de ponta, podem prever de forma confiável a sintomatologia do humor em pacientes com transtorno bipolar.
O gerenciamento eficaz do transtorno bipolar (TB) requer identificação e tratamento precoces de episódios de humor, que podem variar de baixos depressivos a altos maníacos ou hipomaníacos.
Os métodos tradicionais dependem de pacientes relatando sintomas durante consultas médicas, o que pode levar a atrasos no reconhecimento de mudanças de humor. Estudos recentes sugerem que dados passivos coletados de dispositivos digitais cotidianos, como rastreadores Fitbit, podem ajudar a detectar episódios de humor.
Este estudo, realizado por pesquisadores da Harvard Medical School, teve como objetivo testar uma nova abordagem de aprendizado de máquina (ML) personalizada usando apenas dados do Fitbit. É importante ressaltar que o método foi projetado para ser amplamente aplicável, evitando a dependência de filtragem extensiva ou coleta de dados altamente invasiva.
O estudo envolveu 54 adultos diagnosticados com transtorno bipolar que usaram dispositivos Fitbit continuamente por nove meses. Durante esse período, os participantes preencheram questionários de autorrelato quinzenais para monitorar seu humor.
A sintomatologia de humor foi avaliada usando ferramentas clínicas. A depressão foi identificada por meio do Questionário de Saúde do Paciente-8 (PHQ-8), com pontuações acima de um corte clínico padrão indicando sintomas depressivos.
Os sintomas maníacos ou hipomaníacos foram medidos usando a Escala de Autoavaliação de Mania de Altman (ASRM), com pontuações acima de um limite definido marcando esses episódios. Esses estados de humor foram analisados em janelas de duas semanas.
Os dispositivos Fitbit forneceram dados passivos, como frequência cardíaca, padrões de sono e níveis de atividade física. Esses dados foram agregados em intervalos de duas semanas para análise, correspondendo aos períodos de avaliação de humor.
Uma abordagem de aprendizado de máquina personalizada foi usada, o que significa que os modelos foram adaptados a participantes individuais em vez de aplicar um algoritmo único.
A floresta do Modelo Misto Binário (BiMM Forest), um algoritmo sofisticado de aprendizado de máquina, foi aplicada junto com outros modelos de ML para classificar estados de humor. A floresta do Modelo Misto Binário (BiMM Forest) é uma técnica de aprendizado de máquina que combina a lógica de modelos mistos com florestas aleatórias para analisar dados complexos.
Em modelos mistos, os dados têm componentes fixos (comuns a todos os indivíduos) e componentes aleatórios (específicos de cada indivíduo), permitindo personalização.
Ao integrar essa abordagem com florestas aleatórias — que usam vários "árvores de decisão" para melhorar a precisão e robustez — o BiMM é especialmente eficaz para lidar com variações individuais e fazer previsões personalizadas. É útil em casos como monitorar sintomas em pacientes, onde as respostas podem variar significativamente entre indivíduos.
O desempenho do modelo foi avaliado usando a área de característica operacional do receptor sob a curva (ROC-AUC), que mede a capacidade do modelo de distinguir entre estados de humor.
A precisão preditiva foi determinada usando a estatística J de Youden, que otimiza o equilíbrio entre sensibilidade (identificação correta de episódios de humor) e especificidade (evitando falsos positivos).
Os resultados mostram que entre vários modelos de ML testados, o algoritmo BiMM Forest teve o melhor desempenho. Nos dados de teste:
1- Para depressão, o ROC-AUC foi de 86,0%, indicando alta precisão na distinção de episódios depressivos.
2- Para (hipo)mania, o ROC-AUC foi de 85,2%, mostrando desempenho igualmente forte.
Usando limites otimizados, o modelo atingiu uma precisão de 80,1% (sensibilidade de 71,2% e especificidade de 85,6%) para depressão, e uma precisão foi ainda maior para (hipo)mania, com 89,1% (sensibilidade de 80,0% e especificidade de 90,1%).
Este estudo representa o primeiro uso do algoritmo BiMM Forest para previsão de humor no transtorno bipolar. As descobertas demonstram que previsões precisas de humor podem ser feitas usando apenas dados passivos do Fitbit, sem depender de ferramentas de monitoramento invasivas ou altamente especializadas.
A natureza personalizada da abordagem de ML garante que ela possa se adaptar às diferenças individuais, tornando-a adequada para uma ampla gama de pacientes. Isso inclui aqueles que podem não usar dispositivos médicos especializados ou compartilhar dados confidenciais.
Ao confiar apenas em dados passivos de dispositivos amplamente disponíveis como Fitbits, o método é acessível, econômico e fácil de usar. A detecção precisa de episódios de humor entre consultas de rotina pode permitir uma intervenção mais rápida, melhorando potencialmente os resultados para pacientes com transtorno bipolar.
Este estudo avança o campo da detecção de episódios de humor ao demonstrar que dados passivos do Fitbit, analisados com métodos de aprendizado de máquina de ponta, podem prever de forma confiável a sintomatologia do humor em pacientes com transtorno bipolar.
Ao atingir forte desempenho na identificação de estados depressivos e (hipo)maníacos, as descobertas abrem caminho para o desenvolvimento de ferramentas práticas e personalizadas para intervenção precoce. O uso do algoritmo BiMM forest introduz uma nova abordagem, mostrando-se promissor para uma adoção mais ampla em cuidados de saúde mental.
LEIA MAIS:
Digital phenotyping in bipolar disorder: Using longitudinal Fitbit data and personalized machine learning to predict mood symptomatology
Jessica M. Lipschitz, Sidian Lin, Soroush Saghafian, Chelsea K. Pike, Katherine E. Burdick
Acta Psychiatrica Scandinavica. 13 October 2024
Abstract:
Effective treatment of bipolar disorder (BD) requires prompt response to mood episodes. Preliminary studies suggest that predictions based on passive sensor data from personal digital devices can accurately detect mood episodes (e.g., between routine care appointments), but studies to date do not use methods designed for broad application. This study whether evaluated a novel, personalized machine learning approach, trained entirely on passive Fitbit data, with limited data filtering could accurately detect mood symptomatology in BD patients. We analyzed data from 54 adults with BD, who wore Fitbits and completed bi-weekly self-report measures for 9 months. We applied machine learning (ML) models to Fitbit data aggregated over two-week observation windows to detect occurrences of depressive and (hypo)manic symptomatology, which were defined as two-week windows with scores above established clinical cutoffs for the Patient Health Questionnaire- 8 (PHQ-8) and Altman Self-Rating Mania Scale (ASRM) respectively. As hypothesized, among several ML algorithms, Binary Mixed Model (BiMM) forest achieved the highest area under the receiver operating curve (ROC-AUC) in the validation process. In the testing set, the ROC-AUC was 86.0% for depression and 85.2% for (hypo)mania. Using optimized thresholds calculated with Youden's J statistic, predictive accuracy was 80.1% for depression (sensitivity of 71.2% and specificity of 85.6%) and 89.1% for (hypo)mania (sensitivity of 80.0% and specificity of 90.1%). We achieved sound performance in detecting mood symptomatology in BD patients using methods designed for broad application. Findings expand upon evidence that Fitbit data can produce accurate mood symptomatology predictions. Additionally, to the best of our knowledge, this represents the first application of BiMM forest for mood symptomatology prediction. Overall, results move the field a step toward personalized algorithms suitable for the full population of patients, rather than only those with high compliance, access to specialized devices, or willingness to share invasive data.
Comments