Construction and feature analysis of a model for predicting clinical outcomes of psychiatric disorders using sleep, behavioral, and physiological parameters.

点击翻译按钮获取中文摘要

本研究では、同一患者を病相期－寛解期－再発時にかけて縦断的に追跡して得られた睡眠・行動・生理パラメータから抽出した特徴量を説明変数として、精神疾患の悪化を予測する機械学習モデルを構築する。そのため睡眠・生体リズムパラメータ、精神症状の重症度、認知・社会機能との時間的相関性を見る縦断的調査を開始した。本年度は患者30名（統合失調症8名、うつ病10名、双極性障害9名、ほか3名）を追跡研究にエントリーした。これまでにePROおよびMTN（腰帯部装着型アクチグラフ、キッセイコムテック社）を用いた日々の精神症状、主観的および客観的睡眠状態、生活リズムを連続測定し、現在までに273夜分のSleepGraph(SG;プロアシスト社)データを集積した。今後、機械学習による中間解析を実施する予定である。次年度以降も引き続き追跡研究へのエントリーを継続する。また、精神疾患患者におけるSGおよびFitbit Sense(FS; Fitbit社)の精度を検証するため、精神疾患患者99名（126夜）のデータを取得した。PSGとSG、FSの同時測定を行えた52名(48.1±17.2歳、M/F=20/32、統合失調症18名、大うつ病性障害19名、双極性障害3名、睡眠-覚醒障害12名)のデータ解析を行いデバイスの信頼性を検証した。感度はSGが95.20%±6.4 (SD)、FSが95.54%±3.1であり、特異度はSGが77.94%±16.6、FSが52.79%±19.6であった。Bland-Altman分析の結果、SGはPSGとの低い平均差を示したが、FSでは全ての睡眠パラメータで比例バイアスを認め、総睡眠時間が短く睡眠効率が低いほど過大評価し、睡眠潜時と中途覚醒時間が長いほど過小評価していた。