Пассивный сбор данных для мониторинга психического здоровья с использованием машинного обучения, носимых устройств и смартфонов: обзор предметной области

Введение: Проблемы психического здоровья стали серьёзной глобальной проблемой общественного здравоохранения. Традиционная оценка состояния основывается на субъективных методах с ограниченной экологической валидностью. Пассивный сбор данных с помощью носимых устройств и смартфонов в сочетании с машинным обучением позволяет объективно, непрерывно и неинвазивно контролировать состояние психического здоровья.

Цель: Провести всесторонний обзор современного состояния технологий пассивного сбора данных и машинного обучения для мониторинга психического здоровья. Обобщить технические подходы, выявить характер связей между поведенческими признаками и психическими расстройствами, а также определить потенциальные направления дальнейшего развития.

Методы: Обзор предметной области выполнен в соответствии с рекомендациями PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews) и предварительно зарегистрирован на платформе Open Science Framework. Проведён систематический поиск в 7 базах данных (Web of Science, PubMed, IEEE Xplore, Embase, PsycINFO, Scopus и ACM Digital Library) по публикациям с января 2015 года по февраль 2025 года. В обзор включили 42 рецензируемых исследования, в которых для мониторинга психических расстройств с установленным клиническим диагнозом, включая депрессию и тревожные расстройства, применяли пассивный сбор данных с носимых устройств или смартфонов в сочетании с машинным обучением. Данные синтезировали по техническим характеристикам (сбор данных, предварительная обработка, конструирование признаков и модели машинного обучения) и клиническим взаимосвязям; поведенческие признаки распределили по 8 категориям.

Результаты: Большинство из 42 включённых исследований имели когортный дизайн (23/42; 55%), медиана размера выборки составила 60,5 участника (межквартильный размах 54–99). В основном изучали депрессию (23/42; 55%) и тревожные расстройства (9/42; 21%), преимущественно используя устройства, носимые на запястье (32/42; 76%), для регистрации частоты сердечных сокращений (28/42; 67%), индекса двигательной активности (25/42; 60%) и числа шагов (17/42; 40%) в качестве ключевых биомаркеров. Модели глубокого обучения, например свёрточные нейронные сети и сети с долговременной краткосрочной памятью, демонстрировали высокую точность, однако традиционные методы машинного обучения, например случайный лес, применялись чаще благодаря лучшей интерпретируемости. Были выявлены существенные ограничения: небольшие выборки (32/42; 76% исследований включали менее 100 участников), короткие периоды мониторинга (19/42; 45% — менее 7 дней), крайне редкая внешняя валидация (1/42; 2%) и недостаточное описание обезличивания данных (6/42; 14%).

Выводы: Несмотря на многообещающую точность пассивного сбора данных и машинного обучения, например 92,16% при выявлении тревожных расстройств с помощью комбинации свёрточной нейронной сети и сети с долговременной краткосрочной памятью, доказательная база ограничена тремя основными факторами: 1) методологической неоднородностью (32/42; 76% исследований использовали одно устройство, а в 19/42; 45% мониторинг продолжался менее 7 дней); 2) высоким риском систематической ошибки из-за небольших выборок (медиана — 60,5; межквартильный размах 54–99 участника) и редкой внешней валидации (1/42; 2%); 3) этическими пробелами (только в 6/42; 14% исследований рассматривалось обезличивание данных). Полученные результаты указывают на потенциал этой технологии для преобразования помощи пациентам с психическими расстройствами за счёт объективного непрерывного мониторинга, особенно при депрессии с использованием частоты сердечных сокращений и числа шагов и при тревожных расстройствах с анализом сна и особенностей социального взаимодействия. Однако внедрение в клиническую практику требует стандартизированных протоколов, более крупных продольных исследований продолжительностью не менее 3 месяцев и этических механизмов защиты конфиденциальности данных. В дальнейших исследованиях приоритет следует отдавать объединению данных от нескольких типов датчиков и объяснимому искусственному интеллекту, чтобы сократить разрыв между техническими показателями и возможностью клинического применения.