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。

SO136

娴熟模拟尚未发生的情境：焦虑障碍诊断评估中的计算表型分析与机器学习

EXPERTLY SIMULATING SCENARIOS THAT HAVE HAPPENED YET: COMPUTATIONAL PHENOTYPING AND MACHINE LEARNING IN THE DIAGNOSTIC ASSESSMENT OF ANXIETY DISORDERS

通过智能手机和可穿戴传感器开展的数字表型分析，与机器学习模型相结合时，在识别焦虑症状和预测其病程方面展现出令人鼓舞的准确性，但其作用是补充临床医生的评估，而非取而代之。

本研究旨在评估人工智能与机器学习（artificial intelligence and machine learning，AI-ML）支持的数字表型分析在焦虑障碍中的诊断价值，探讨其作为传统回顾性临床访谈替代方法的潜力。这项遵循PRISMA指南开展的系统综述纳入了随机对照试验、病例对照研究和前瞻性研究，研究对象为14岁及以上、患有焦虑障碍或存在阈下焦虑症状的患者；研究将使用智能手机和可穿戴设备数据的工具与作为金标准的临床医生访谈进行了比较。一种对面部及言语变化进行表型分析的模型，通过识别个体行为相对于自身基线水平的偏离，区分抑郁、焦虑和淡漠，准确率达到87%，平均F1分数达到96.6%；其他研究方案报告的症状预测受试者工作特征曲线下面积（area under the receiver operating characteristic，AUROC）介于0.65至0.86之间。海报中详细介绍的第一项研究（Zainal等，2025）是一项纳入191名社交焦虑障碍患者的随机对照试验，将为期14天的正念练习与自我监测安慰剂对照进行比较。研究以每日5次生态瞬时评估（ecological momentary assessment，EMA）数据训练支持向量机（support vector machine，SVM），采用嵌套10折交叉验证，治疗后AUROC达到0.71至0.72，一个月随访时达到0.83，表现显著优于线性回归（P = 0.016）；尽管两组总体缓解率相近（26.0%与26.3%），机器学习仍识别出了8个基线预测因子。第二项研究（Watanabe等，2023）在24名日本在职人员中开展了为期一个月的试验，通过被动式可穿戴监测与27层长短期记忆网络（LSTM）深度学习模型预测心理困扰，报告的诊断准确率为76.3%，预测心理困扰与实际心理困扰之间的相关系数为r = 0.679（R2 = 0.463），严重心理困扰比例从12.5%降至0.0%（P = 0.01）；同一研究中，传感器数据显示每日增加0.60分钟，而自我报告显示下降34.4%，研究据此提出该方法能够克服回忆偏倚。另一方面，部分应用在根据基线人口学及临床数据预测特定焦虑症状变化时，未能表现出任何有效的预测能力。总体而言，数字表型分析能够减少标准量表中的回顾性回忆偏倚和社会赞许性偏倚，并捕捉细微的情绪变化，但其能力仍受限于所采集的数据类型（如言语、面部表情、运动），在临床医生评估中处于补充地位。

全部 WCP 2026 摘要