这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR精神健康杂志上的原创作品。必须包括完整的书目信息,https://mental.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
公共卫生危机期间的焦虑症状与不良精神后果和健康决策受损有关。在传染病爆发期间,实时社交媒体使用模式和临床焦虑之间的相互作用尚未得到充分研究。
本研究旨在评估在西班牙马德里COVID-19疫情激增和封锁期间接受门诊精神科治疗的患者对两种类型的社交媒体应用程序(通信和社交网络)的使用模式,以及他们在临床随访中的短期焦虑症状(7项一般焦虑症量表)。
使用重复测量方差分析总结了2020年2月1日至5月3日社交媒体使用行为中位数的个人层面变化,这些方差分析考虑了封锁(封锁前与封锁后)、组(临床焦虑组与非临床焦虑组)、封锁与组的相互作用以及用户的随机效应。一种基于机器学习的方法,结合了隐马尔可夫模型和逻辑回归,用于预测临床焦虑(n=44)和非临床焦虑(n=51),基于纵向时间序列数据,包括通信和社交网络应用程序的使用情况(以秒为单位),以及与焦虑相关的临床调查变量,包括家庭中是否有重要工作人员,对生活不稳定的担忧,封锁期间社交互动频率的变化,同居状况和健康状况
对日常社交媒体使用的个体水平分析表明,从封锁前到封锁期间,临床焦虑组的通信应用程序使用的增加明显小于非临床焦虑组(F72= 3.84,
在强制封锁后,报告有严重焦虑症状的患者在通信应用程序上不那么活跃,而在整个期间更热衷于社交网络应用程序,这表明为了适应危机,存在一种不同的数字社交行为模式。使用数字生物标记物进行预测建模——在封锁期间被动感知基于类别的社交媒体应用程序使用的变化——可以识别出有精神后遗症风险的个体。
在第一波COVID-19大流行的早期伤亡高峰期间,政府在城市中心采取的封锁措施大大减少了面对面的交流,迫使人们转向数字世界与他人联系[
相反,积极的公共卫生成果是由个人基于对自身和社会的成本和收益的准确认识而作出的合理卫生决策所推动的[
近年来,被动智能手机传感器数据已被用于实证研究,以识别各种精神疾病表现和精神健康相关行为,包括社交焦虑严重程度[
在这项研究中,我们重点分析了西班牙马德里精神病门诊患者在COVID-19强制封锁之前和期间在两种社交媒体类别(通信和社交网络)应用程序上的每日花费时间。通讯应用程序允许直接的消息传递活动,社交网络应用程序允许在不同形式的社交网站上进行交互。我们假设不同形式的社交媒体应用程序活动可以代表不同的用户行为,这些行为与焦虑的表现相互作用。具体来说,我们的目标是在此期间采用机器学习模型和个人应用程序使用模式,以预测谁会在随访中报告临床焦虑症状。
数据来自两项正在进行的研究[
在大流行开始前,通过电子健康工具(MEmind [
从2020年2月1日至5月3日,使用eB2 Mindcare收集了被动智能手机使用数据[
临床心理学家在最初的封锁措施取消后的5月12日至6月3日期间通过电话随访收集了短期心理健康结果,包括封锁期间自我报告的心理社会压力源强度和广泛性焦虑症7项量表(GAD-7)。临床焦虑定义为GAD-7得分≥10,考虑到其在筛查严重GAD、恐慌障碍和社交恐惧症方面的诊断价值[
采用双侧评估组间差异
我们设计了一种两步方法,结合了概率生成模型,即隐马尔可夫模型(HMM) [
提出的焦虑预测管道。LR: logistic回归;嗯;隐马尔可夫模型;S1 s2 s3;隐马尔可夫模型的3种状态。
hmm通常用于时间序列分析。hmm模型生成序列,其特征是一组可观察序列。一阶马尔可夫链过程生成HMM的状态。以下组件指定了一个HMM:
应用HMM的状态空间是离散的,而观测可以是离散的或连续的。在这项研究中,通信和社交网络应用程序的使用被视为来自高斯分布的连续变量。HMM的参数可以用Baum-Welch算法训练,这是期望最大化算法的一种变体。该模型可以使用边缘化处理缺失数据,而不需要在训练前进行归因。为了选择最优的隐藏状态数,我们计算了赤池信息准则和贝叶斯信息准则[
一旦为每个序列选择了最优HMM,我们就计算状态后验概率
评价使用
最后,通过计算Shapley加性解释(SHAP)值进行特征重要性分析[
142名参与者中(
人口统计学和临床信息。
变量 | 所有(n = 142) | 临床焦虑一个(n = 66) | 临床前的焦虑b(n = 76) |
|
|
|||||||||
|
||||||||||||||
|
年龄(年),平均值(SD) | 45 (14.2) | 43 (13.6) | 47 (14.6) | -1.8 (139)c | 07 | ||||||||
|
|
0.36 | 开市 | |||||||||||
|
|
男性 | 43 (30) | 19 (29) | 24 (32) |
|
|
|||||||
|
|
女 | 99 (70) | 47 (71) | 52 (68) |
|
|
|||||||
|
|
|
|
|
0.83 | .40 | ||||||||
|
|
没有 | 21日(15) | 8 (12) | 13 (17) |
|
|
|||||||
|
|
是的 | 121 (85) | 58 (88) | 63 (83) |
|
|
|||||||
|
|
3.5 (3)d | 收 | |||||||||||
|
|
单 | 46 (32) | 21 (32) | 25 (33) |
|
|
|||||||
|
|
分离 | 26 (18) | 11 (17) | 15 (20) |
|
|
|||||||
|
|
丧偶的 | 6 (4) | 5 (8) | 1 (1) |
|
|
|||||||
|
|
已婚或同居6个月 | 64 (45) | 29 (44) | 35 (46) |
|
|
|||||||
|
|
7.5 (5)d | 只要 | |||||||||||
|
|
雇员、学生或家庭主妇 | 51 (36) | 23日(35) | 28 (37) |
|
|
|||||||
|
|
失业人员无补贴 | 28 (20) | 9 (14) | 19 (25) |
|
|
|||||||
|
|
领取补贴的失业人员 | 17 (12) | 8 (12) | 9 (12) |
|
|
|||||||
|
|
长期残疾 | 11 (8) | 7 (11) | 4 (5) |
|
|
|||||||
|
|
暂时丧失劳动能力 | 26 (18) | 16 (25) | 10 (13) |
|
|
|||||||
|
|
退休 | 八(6) | 2 (3) | 6 (8) |
|
|
|||||||
|
焦虑、压力或创伤障碍e, n (%) | 79 (58) | 41 (63) | 38 (54) | 1.1 | 点 | ||||||||
|
情绪障碍e, n (%) | 50 (37) | 28 (43) | 22 (31) | 1.5 | .14点 | ||||||||
|
人格障碍e, n (%) | 30 (22) | 14 (22) | 16 (23) | -0.14 | .89 | ||||||||
|
物质使用障碍e, n (%) | 八(6) | 5 (8) | 3 (4) | 0.86 | 点 | ||||||||
|
精神障碍e, n (%) | 3 (2) | 2 (3) | 1 (1) | 0.66 | .51 | ||||||||
|
其他精神疾病e, n (%) | 21日(15) | 10 (15) | 11 (15) | -0.02 | 获得 | ||||||||
|
||||||||||||||
|
|
12 (4)d | . 01 | |||||||||||
|
|
一点也不 | 21日(15) | 8 (12) | 13 (18) |
|
|
|||||||
|
|
略 | 32 (23) | 9 (14) | 23日(31) |
|
|
|||||||
|
|
适度 | 37 (26) | 19 (29) | 18 (24) |
|
|
|||||||
|
|
很多 | 35 (25) | 18 (27) | 17 (23) |
|
|
|||||||
|
|
极 | 15 (11) | 12 (18) | 3 (4) |
|
|
|||||||
|
|
6.4 (2)d | .04点 | |||||||||||
|
|
积极的 | 66 (46) | 23日(35) | 43 (57) |
|
|
|||||||
|
|
常规的 | 56 (40) | 32 (49) | 24 (32) |
|
|
|||||||
|
|
负 | 19 (13) | 10 (15) | 9 (12) |
|
|
|||||||
|
|
3.2 (2)d | . 21 | |||||||||||
|
|
电话 | 66 (46) | 34 (52) | 32 (43) |
|
|
|||||||
|
|
视频通话 | 45 (32) | 16 (24) | 29 (39) |
|
|
|||||||
|
|
信使(WhatsApp, Telegram等) | 29 (20) | 15 (23) | 14 (19) |
|
|
|||||||
|
|
6.8 (2)d | 03 | |||||||||||
|
|
不如大流行前频繁 | 63 (44) | 36 (55) | 63 (36) |
|
|
|||||||
|
|
差不多是一样的 | 48 (34) | 21 (32) | 48 (36) |
|
|
|||||||
|
|
比大流行前更频繁 | 31 (22) | 9 (14) | 31日(29) |
|
|
|||||||
|
新冠病毒PCR检测呈阳性f测试,n (%) | 1 (1) | 0 (0) | 1 (1) | -0.94 | 点 | ||||||||
|
与COVID-19患者生活在一起,n (%) | 16 (11) | 9 (14) | 7 (10) | 0.75 | 。45 | ||||||||
|
与老年人同住,n (%) | 6 (4) | 3 (5) | 3 (4) | 0.20 | 点 | ||||||||
|
家庭基本工人,n (%) | 43 (30) | 27 (41) | 16 (23) | 2.3 | 02 | ||||||||
|
认识死于COVID-19的人,n (%) | 43 (30) | 25 (38) | 18 (24) | 1.7 | 。08 | ||||||||
|
禁闭后广泛性焦虑障碍-7分(平均,SD) | 9.6 (5.5) | 14.6 (3.1) | 5.2 (2.8) | 19 (133)c | <措施 |
一个广泛性焦虑障碍-7分≥10分。
b广泛性焦虑障碍-7分<10分。
c一个双向
d采用卡方独立检验。
e精神病学诊断类别并不相互排斥。
fPCR:聚合酶链式反应。
活跃用户(n=42;表S1
从封锁前到封锁期间,个人在通信应用程序上的中位数使用的平均值(在两个焦虑组中)从29分钟(95% CI 25-35)增加到41分钟(95% CI 35-49;
在临床焦虑组中,封锁对通信应用程序使用率增加的影响较低。误差条表示平均值的95%标准误差。
在封锁前,GAD-7与中位数通信或社交网络应用程序使用之间没有发现显著相关性(通信:
只有在封锁前(42天中≥1天)和封锁期间(51天中≥1天)都有通信和社交网络应用使用数据的患者才被考虑进行模型训练。这导致模型中的95名患者拥有不同序列的个人应用程序使用数据。在这些序列中,8.76%(655/7476)的通信应用和30.26%(2262/7476)的社交应用使用数据在数据集中缺失。图S4
有3个隐藏状态的HMM (
用于时间数据建模的3状态隐马尔可夫模型参数和最可能隐马尔可夫模型状态应用于临床和非临床焦虑示例个体的日常沟通和社交媒体应用程序使用。在模型训练前对时间变量进行归一化,提供负均值。大的状态转换概率表明状态是相对稳定的。
我们的模型在预测测试集上的临床焦虑组时实现了62.30%(标准差16%)的平均准确性和0.70(标准差0.19)的AUROC(表S4)
大多数非时间特征,以家庭中重要工人的存在为首,在重要性上超过了时间特征的总体表现。在时间特征中,状态2(更高的社交网络应用程序使用)的聚合后验概率是临床焦虑组最重要的预测因素(
为焦虑预测任务训练的逻辑回归模型的特征重要性(Shapley加性解释[SHAP]值)按重要性降序排列(按值着色,从低到高)。每个点代表一个特征和一个实例,重叠点在y轴方向上抖动。SHAP值编码特征的可预测性,用于对参与者进行分类(阳性,在临床焦虑组;非临床焦虑组为阴性)。有关已编码的特征值的解释,请参阅中的表S5
我们的研究结果表明,在活跃的社交媒体用户中,那些在强制封锁后报告有临床焦虑症状的人在封锁期间花在通信应用程序上的时间更少。此外,活跃的社交网络应用程序用户,尤其是年轻患者,患有焦虑症的可能性也更高。我们基于机器学习的模型,在通信和社交网络应用程序使用的时间序列以及自我报告和人口统计学变量的临床重要特征上进行训练,准确地预测了哪些人属于社交网络应用程序使用较高和通信应用程序使用较低的临床焦虑组。我们基于机器学习的模型结果表明,在封锁期间,被动跟踪通信应用程序使用减少和社交网络应用程序使用增加,可以预测用户报告临床焦虑症状,在公共卫生危机和封锁期间存在决策受损、适应不良和精神后遗症的风险[
我们从以下角度解释了研究结果:报告焦虑症状较少的患者在这一高度焦虑时期(即在COVID-19大流行和相关封锁期间)通过使用通信应用程序(如WhatsApp和Telegram)主动利用他们的数字社交环境发起联系或回复他人的直接消息。我们的分析与临床焦虑组的自我报告一致,即他们在封锁期间与他人的社交互动不那么频繁。众所周知,面对面或在线的社会支持系统是抵御生理和心理压力源的保护因素,可以在不确定时期(包括传染病爆发期间)减轻孤独感的影响[
相反,在我们的样本中,在社交网络应用程序上高度活跃的用户更有可能被诊断为焦虑症,并报告临床焦虑症状。Facebook、Twitter、TikTok和Instagram等社交网络应用程序就是web 2.0技术应用程序的例子,这些应用程序将最近基于web的健康传播环境从传统的单向传播转变为交互式和迭代,其特点是被动分享、主动协作和信息放大[
我们被动感知的用户驱动数据是在用户的自然环境中前瞻性地收集的,不受感知实验操作的影响。它们还包含明确划分的时间框架,随后进行了及时的临床调查,这使得我们在全国封锁期间的人类行为模型具有高度的可解释性,这对于将数字表型研究转化为现实应用至关重要[
我们的分析是基于对少量患者的观察,在解释时存在以下局限性。首先,这些数据无法解释应用程序使用与焦虑严重程度之间的因果关系。例如,我们不知道在沟通应用程序上的投入减少是否导致了更高的焦虑症状的报告,或者前者是否是在危机期间出现短期临床焦虑症状的群体的特征(即,一开始对沟通的社会支持量更少)。第二,除了
据我们所知,我们的经验数据首次表明,基于类别的被动感知智能手机使用模式的转变可以成为临床焦虑症状的标志。进一步的研究,利用社交媒体上的细粒度行为对焦虑的短期报告进行数字化表型,对于公共卫生研究是必要的,因为在强制物理隔离期间,亲自进行精神评估是有限的。
用于统计数据分析和隐马尔可夫+逻辑回归模型10倍交叉验证的补充表格和图表。
接收机工作特性曲线下面积
广泛性焦虑障碍量表
隐马尔可夫模型
Shapley加法解释
JR得到了美国精神病学协会2021年初级精神病学家研究研讨会(NIDA R-13拨款)的支持。ES获得了欧盟地平线2020研究和创新计划的资助(Marie Sklodowska-Curie资助813533)。AA由西班牙人支持
JR构思作品,分析数据,撰写手稿。ES分析数据,开发机器学习模型,并撰写手稿。AN、SL、EB、MMP-R和AA对重要知识内容的草案进行了批判性审查。JC为这项工作获取和解释数据。MMP-R通过研究的概念指导JR,监督数据分析和结果解释,并确保与工作的准确性或完整性有关的任何部分的问题得到适当的调查和解决。
AA和JC是eB2的联合创始人。MMP-R已获得Neurocrine Biosciences、Millennium Pharmaceuticals、Takeda、Merck和AI Cure的研究资助;她是Neurocrine Biosciences Inc的顾问委员会成员,也是美国自杀预防基金会(授予LSRG-1-005-16,主要研究员:EB-G)的顾问。