本页面由土耳其语自动翻译。 阅读原文

本页是借助人工智能编写的土耳其语摘要，介绍在第26届世界精神病学大会上报告的研究。研究归报告作者所有；引用时请查阅原始来源。

患者主动提交语音数据有助于提升基于人工智能的双相障碍心境变化检测：MoodMon系统的临床研究结果

ACTIVE PATIENT VOICE DATA SUBMISSION ENHANCES AI-DRIVEN MOOD CHANGE DETECTION IN BIPOLAR DISORDER: CLINICAL TRIAL RESULTS FROM THE MOODMON SYSTEM (ID 4100)

当患者提交的语音记录达到预期数量的至少50%时，基于人工智能的心境变化检测敏感度从86.6%提高至95.4%，特异度则保持在98.6%。

本研究旨在检验，双相障碍（bipolar disorder，BD）患者主动提交的语音数据能否改善基于人工智能的心境变化检测。研究纳入75名诊断为双相Ⅰ型或Ⅱ型障碍的患者（女性42名，男性33名；年龄18至64岁）；纳入标准为过去一年内至少出现2次心境转变，共分析了350天的实时预警数据。MoodMon系统通过手机和腕带被动收集社交活动、身体活动及睡眠数据；在主动采集环节，患者每天回答语音问卷中的3个中性问题，系统不分析回答内容，而是分析12项声学参数（音高、能量、梅尔频率倒谱系数〔MFCC〕）。结合群体层面模型与个体模型的人工智能引擎向精神科医师发送预警，最终决策仍由临床医师作出。第一阶段（2021年8月至2022年7月）进行数据收集和模型训练，第二阶段（自2022年8月起）提供实时预警。作为参照标准，研究在至少每3个月一次的访视中使用17项汉密尔顿抑郁量表（HDRS-17）和杨氏躁狂评定量表（YMRS），每两周进行一次电话随访，并在预警后安排访视；为捕捉早期症状，采用较低的截断值（HDRS≥8分，YMRS≥6分），并将每位患者每日的数据标记为真阳性、假阳性、真阴性或假阴性，以计算敏感度（TPR）和特异度（TNR）。在全部数据中，敏感度为86.6%；在提交至少30%预期语音记录的患者中，敏感度提高至93.9%，在提交至少50%的患者中则提高至95.4%；无论依从性如何，特异度均保持在98.6%。在选定患者中，将实际观察到的敏感度与假设提交至少50%语音记录时计算得出的敏感度进行比较，发现语音记录提交率较低的患者，两者之间的差距更大。作者得出结论，患者参与度是基于人工智能的监测性能的关键决定因素，并指出，基于智能手机的设计使监测不受患者与专科中心之间距离的限制，经跨文化适配后也适用于资源有限的环境。

全部 WCP 2026 摘要