数据来自两项正在进行的研究[ 21， 22在西班牙马德里，精神病门诊患者(n=142)中使用智能手机远程监控。这两项研究都获得了美国精神病科机构审查委员会的批准 Fundación希门尼斯·迪亚兹所有参与者都提供了书面知情同意书。参赛者必须年满18岁，能说流利的西班牙语，并拥有一部能上网的智能手机。

在大流行开始前，通过电子健康工具(MEmind [ 21， 23])。社会人口学数据包括年龄、性别、家庭组成、婚姻状况和就业状况。临床资料涉及《国际疾病分类》第十版，精神病学诊断分为以下类别:(1)焦虑、压力和创伤相关障碍;(2)单相或双相情绪障碍;(3)人格障碍;(4)物质使用障碍;(五)精神障碍;(六)其他障碍。

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[ 24- 26，一个临床验证的电子健康平台。3月14日，由于冠状病毒大流行造成的死亡率上升，全国范围内宣布进入紧急状态，政府命令对所有非必要工作人员进行封锁(即，除购买食品和药品或参加紧急情况外，他们被限制在家中)。5月4日，马德里迈出了解除封锁的第一步，允许小企业重新开业，并在规定的时间内外出。 27］．在封锁前(即2月1日至3月13日)和封锁期间(即3月14日至5月3日)，提取并分析了自动登录通信应用程序和社交网络应用程序的每日时间(秒)。社交媒体应用程序类别——通信和社交网络——基于谷歌应用程序商店中指定的标签。通讯应用包括消息、聊天/IM、拨号和浏览器应用，如WhatsApp、Telegram、Facebook Messenger和Gmail;社交网络应用主要是针对Instagram、Twitter和TikTok等网站的应用。 28］．

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[ 29， 30.］．在电话中还评估了封锁期间的COVID-19暴露情况、风险认知和社会行为。

采用双侧评估组间差异 z样本比例(ICD-10诊断、性别、同居状况、冠状病毒暴露风险项目)得分;卡方检验，用于分类临床变量(家庭、就业、身体健康状况、对生活不稳定的担忧、封锁期间的接触方式和社交频率);或者双面方程 t测试，对于连续变量(年龄，GAD-7)， I型误差为5%。在将花费在通信和社交网络应用程序上的使用数据(秒)对数转换为正态分布后，使用重复测量方差分析总结了封锁前和封锁期间社交媒体使用中位数的个体水平差异，这些方差分析解释了封锁(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。之所以选择中位数作为集中趋势的估计值(而不是平均值)，是因为应用程序使用的分布是这样的，即平均值对极低的值非常敏感，并且与用户的登录天数显著相关。为了确保在使用表示封锁前和封锁期间时间序列变量的点估估值时的稳定性，分析仅限于在通信和社交网络应用程序上的总记录天数超过封锁期间(51天中≥26天)和封锁前(42天中≥22天)总天数的一半的患者，并且其在每个时期的中位使用率与所有可用用户数据的差值在2.5 SD内。经过筛选，有74个通讯应用用户和42个社交网络应用用户可供分析。对缺失用户进行单独分析。为了研究社交媒体应用程序使用与后来报告的焦虑症状强度之间的剂量相关关系，计算了封锁前和封锁期间GAD-7得分与应用程序使用时间中位数的Pearson相关性;考虑到年龄与社交媒体应用程序使用的显著相关性，我们控制了年龄。使用Steiger分析了封锁前和封锁期间依赖相关性的差异 Z测试( 31］．

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) [ 32]用于时间数据处理和聚合，并使用二分类GAD-7进行logistic回归预测二元结果(临床焦虑与非临床焦虑)。非临床焦虑结果(n=51)被编码为阴性标签，临床焦虑结果(n=44)被编码为阳性标签。阶级不平衡的问题是微不足道的。以秒为单位的连续纵向日常交流和社交网络应用程序的使用被选择为自变量，与焦虑相关的临床变量作为额外的预测变量( 图1)．

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: 年代＝ 年代₁ 年代₂．.． 年代_N ，一套 N州; 一个＝ 一个₁₁．.． 一个_神经网络 ，转移概率矩阵; O＝ o₁ o₂．.． o_T ，一系列的 T观察; B＝ b₁（ o_t )，发射概率，表示观测到的概率 o_t 由状态生成 我；和π=π₁．.．π _N ，状态的初始概率分布。

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[ 33在用2-19个状态数训练hmm后。

一旦为每个序列选择了最优HMM，我们就计算状态后验概率 P（ 年代_我＝ k| x)(处于状态的概率 k在位置 我序列的 x)为每个时间点，并通过对每个患者的时间求和来聚合它们。这个长度的特征向量 N是否与长度的非暂时性临床特征相关联 N_临床形成长度的特征向量 N+ N_临床．因此，逻辑回归的数据集大小为 N_病人×( N+ N_临床)．年龄、性别、封锁期间对生活不稳定的自我报告担忧、健康状况、家庭中是否有一名重要工人、隔离期间社会互动频率的变化以及当前的就业状况被选为模型训练的非时间特征。选择这些特征是因为临床焦虑组和非临床焦虑组之间的差异以及与GAD-7的相关性(图S3) 多媒体附件1)．鉴于文献中社会孤立和焦虑障碍之间的临床联系[ 34]以及封锁的影响对我们样本中独居者使用社交媒体应用程序的不同影响(表S1) 多媒体附件1)，我们额外纳入同居状况。

评价使用 k-fold交叉验证[ 34， 35]，由于数据样本有限。从数据集中创建了10个训练测试片段。同样，建立并训练10个逻辑回归模型进行评估。由于我们有95名患者，这意味着在前5次分割中，我们使用85名患者的数据训练模型，并在10名患者的数据上测试模型，而在最后5次分割中，我们在86名患者上训练模型，并在9名患者上测试模型。结果总结为模型精度的平均值和标准偏差，以及受试者工作曲线下面积(AUROC)得分。

最后，通过计算Shapley加性解释(SHAP)值进行特征重要性分析[ 36]，通过指定每个特征的可预测性对目标变量的正向或负向权重，提供了机器学习模型中重要特征的概述。我们在10倍交叉验证中对每个患者的每个特征取SHAP值的平均值。

142名参与者中( 表1女性99例(70%)，平均年龄45岁(SD 14)。最常见的精神病学诊断类别是焦虑、创伤或与压力相关的障碍，其次是单相或双相情绪障碍。在封锁后的电话随访中，平均焦虑症状评分(GAD-7)为9.6(范围0-21,SD 5.5)。在142例患者中，1例(1%)SARS-CoV-2检测呈阳性(聚合酶链反应测试)，16例(11%)与COVID-19感染者生活在一起，6例(4%)与老年人生活在一起，43例(30%)与基本工作人员生活在一起，43例(30%)亲自认识死于COVID-19的人。在群体水平上，临床焦虑组有18%的可能性在家庭中有一个重要的工人( z= 2.3, P= .02点;95% CI 0.03-0.34)，对生活不稳定的担忧程度较高(χ₄²= 12, P=.01)，健康状况自评阴性者较多(χ₂²= 6.4, P=.04)，社会交往频率较低(χ₂²= 6.8, P=.03)高于非临床焦虑组。

活跃用户(n=42;表S1 多媒体附件1)，在分析期间使用一致的社交网络应用程序，患有焦虑、压力或创伤相关疾病的可能性要高21% ( z= 2.2, P= .03点;95% ci 0.03-0.37);大约年轻8岁(t₇₃= -3.2, P= .002;95% ci 3.0-14);同居的可能性高出14% ( z= -2.2, P= .03点;95% ci 0.04-0.24);就业、学生或家庭主妇的可能性较高(χ₂²= 13, P=.02)，而不是缺失或不一致的用户(n=100)。而GAD-7 (t)无显著差异₈₈= 0.75, P=.46)，这是我们在预测模型中标记临床焦虑组的主要结果。缺失或不一致的用户(n=68;表S1 多媒体附件1)在焦虑、压力或创伤相关疾病的诊断上与活跃用户(n=74)没有显著差异( P=.50)，年龄( P=.41)、同居状况( P=.36)、就业状况( P=.29)，或add -7 ( P=点)。

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; F₇₂= 26; P社交网络应用的使用时间从19分钟(95% CI 14-25)增加到25分钟(95% CI 20-32; F_{1, 40}= 13; P<措施)( 图2；表S2 多媒体附件1)．小组和封锁期之间存在显著的交互作用，例如，封锁前两组之间通信应用程序的使用没有显著差异，但在封锁期间，非临床焦虑组(从29分钟到46分钟，95% CI 37-57)明显高于临床焦虑组(从30分钟到37分钟;95% ci 29-46; F₇₂= 3.8; P= . 05)。在整个时间段内，群组对通信应用程序的使用没有主要影响。在整个过程中，群体对社交网络应用的主效应有一个趋势，临床焦虑组在27分钟的中位数使用率(95% CI 22-33)高于非临床焦虑组在17分钟的中位数使用率(95% CI 13-23)，但不显著( F_{1, 40}= 3.4; P= . 07)。

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: P= .59;社交网络: P=.24)，锁定(通信: P= .14点;社交网络: P=.11)，以及整个时间段(通信: P= 10;社交网络: P=.14)(图S4和表S3 多媒体附件1)．患者的依赖相关性在时间上没有统计学上的显著影响(表S3) 多媒体附件1,程度 Z测试; P=。25我n communication app; P=。47我n social networking app).

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 多媒体附件1显示了按焦虑类型分组的总体数据分布。

有3个隐藏状态的HMM ( 图3一个和 图3B)根据赤池信息准则和贝叶斯信息准则分析，证明能最好地捕获底层数据模式，也得到了最多的可解释状态。状态2最稳定(自跃迁概率为0.88)，而状态1和状态3之间的跃迁可能性更大。状态3捕获样本中相对较低的通信应用使用率和平均社交网络使用率，而状态1和2分别捕获应用使用率较低和较高的天数。当应用于单个观察序列时，状态3优先表示缺失的观察结果(即应用程序没有持续使用的天数)。状态2优先表示活跃和持续使用社交媒体的天数，状态1优先表示仍然活跃(但不太活跃)和不稳定使用的天数( 图3C)。例如，对于患有临床焦虑的患者7053，大多数日子处于状态2，中间有3天失踪/不活动(状态3)，在封锁后社交网络应用程序的使用增加。在9105例非临床焦虑患者中，封锁后几天通信应用程序的使用增加(状态2)，但在整个期间社交网络应用程序的使用较少，包括失踪(状态3)和不活跃或不稳定(状态1)的天数。

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) 多媒体附件1)．性能指标表明，该模型在大多数分割上表现良好;然而，它在分割6、7和10上表现不佳，部分原因是临床焦虑组的人口统计学特征不具代表性(图S5) 多媒体附件1)．例如，在可预测性最低的剖分10中，AUROC为0.40，临床焦虑患者具有非典型的风险感知(只有1人报告家中有必要的工作人员)或自我报告模式(尽管在封锁期间健康状况相对较好，很少担心生活不稳定，但仍报告临床焦虑)(图S6) 多媒体附件1)．

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( 图4)，与我们的缺失用户分析一致，活跃的社交网络应用程序用户有更高的焦虑相关诊断负担(表S1) 多媒体附件1)．尽管它们的特征重要性较低，但状态1和状态3仍然为用户的纵向行为提供了重要的见解，例如不活跃和/或不稳定的社交媒体使用模式，特别是在较低的通信应用程序使用中，预测了临床焦虑组。这也与我们的发现一致，即在封锁期间，临床焦虑组沟通应用程序的使用显著降低( P= . 05; 图2)．

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[ 8］．早期远程检测高危人群可以将有限的精神卫生资源分配给最需要服务的人，并预防或减少消极的精神卫生结果。

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[ 37- 41］．在COVID-19文献中，社会支持的减少与较高的心理健康负担有关[ 42， 43］．特别是在强制隔离期间，当面对面接触受到严重限制时，社交媒体的参与可以被视为一种潜在的健康适应机制，以调节负面影响[ 44， 45］．

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[ 46， 47］．然而，公共数字空间可能会让用户接触到未经过滤或匿名的信息，这些信息在健康危机期间会引发恐惧[ 48]并被认为是COVID-19阴谋论的一个来源，也是患者复杂的社会和医疗需求的一个迹象，与大量的急诊次数有关[ 49， 50］．我们的分析表明，积极使用社交网络应用程序是一种焦虑的标志，这种焦虑可能与个人行为特征有关，可能是由对病毒的风险认知增加和封锁期间的心理社会压力源激活的。

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[ 51］．用户驱动的被动数据收集也减少了抽样偏差和基于网络的活动测量偏差，特别是在自我报告量表中[ 52］．机器学习模型利用数据驱动的算法来预测临床焦虑组，解决封锁后缺失的观察和社交媒体使用的变化。尽管社交网络应用用户更年轻，焦虑障碍诊断负担更高，但在通信应用用户中不存在临床或人口统计学变量的抽样偏差。我们的样本总体上是一个多样化的精神病患者队列，他们的年龄、诊断、健康状况、就业和婚姻状况各不相同。因此，我们的数据对精神科门诊患者群体具有高度的普遍性，并通过阐明现实世界中数字行为与公共心理健康结果之间的联系，提供了临床效用[ 53］．

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 人们普遍担心封锁期间的生活不稳定，模型中没有其他可能反映主观情绪演变的自变量来预测临床随访时的焦虑状态。研究参与者在智能手机上有每日情绪自我报告选项，但这种报告完全是自愿的，封锁期间情绪数据基本缺失。我们承认，我们的研究参与者当时处于前所未有的焦虑自然环境中。封锁可能增加了所有用户的焦虑和压力水平(平均GAD-7为9.6，临床截止值为10)，我们在封锁前没有收集他们的基线GAD-7，以便进行比较。因此，我们的模型的实用性仅限于检测临床严重焦虑症状(即GAD-7≥10)。我们建议未来基于数据的焦虑预测研究应该包括多个时间点的焦虑自我报告，以提高模型的准确性。第三，我们对用户行为的假设仅限于应用类别的描述性质(通讯应用需要直接的消息传递活动，通常在已知的社交圈内使用;社交网络应用程序允许简单地浏览他人的内容，并提供随时暴露匿名内容)。然而，社交媒体行为和用户意图之间复杂的相互作用程度不太可能通过被动感知花在应用类别上的总时间来捕捉。例如，尽管我们的研究参与者在临床访谈中证实，他们在封锁期间使用WhatsApp等通信应用程序与他人保持联系，但据报道，积极使用Instagram和TikTok等社交网站来保持联系，甚至提高心理健康意识是有好处的[ 54］．我们需要进一步的定量和定性分析来了解这两种应用类型对心理健康的影响。我们相信，分析多媒体输入和输出的内容的情感价，类型(文本，音频和视频消息)，消息的方向(是用户发起或接受社交媒体活动)，观众(是用户与一个人或多个匿名互动)将是相关的，以测试我们的行为假设的焦虑缓解和焦虑促进使用社交媒体的效果。我们的研究协议和第三方应用程序的数据共享协议中的隐私和患者保密条款禁止在本研究中收集此类信息。

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。