基于人工智能的抑郁癥治未病與健康管理服務模式構建

陳 鑫，許亮文

(1.杭州師范大學 公共衛生學院，浙江 杭州 311121；2.溫州商學院 信息工程學院，浙江 溫州 325035)

抑郁癥是一種發病率較高的精神健康類疾病，對各類人群產生廣泛的不良影響[1]。當前抑郁癥的研究是學界的熱點話題。大學生由于繁重的學習壓力、經濟壓力及各種生活方面的壓力，容易產生心理健康問題，如果不能及時干預疏導，易發展為抑郁癥。2020年9月，國家衛健委發布《探索抑郁癥防治特色服務工作方案》[2]，要求高等院校要將抑郁癥篩查納入學生健康體檢內容，并提出對青少年、孕產婦、老年人、高壓職業人群進行心理健康服務[3-4]。目前，對抑郁癥健康管理方面的研究包括抑郁癥的快速評估預警及干預技術，對制定該疾病公共衛生服務政策具有重要的參考價值[5-6]。本研究基于人工智能技術與中醫治未病思想，構建抑郁癥治未病與健康管理服務模式，以期對抑郁癥高危人群提前進行預警與干預、促進抑郁癥高危人群心理健康的盡快恢復，從而減少抑郁癥帶來的危害。

1 人工智能與抑郁癥健康管理的結合

臨床上確認個人抑郁嚴重程度需要精神衛生專業醫生的參與，常采用采訪及自我報告的方法，整個測試流程需要花費患者大量時間和金錢，并且醫生很難對人群進行大規模篩查以及快速篩查[7]。到醫院尋求診斷的患者往往抑郁已達到較嚴重的程度，錯過了最佳干預時間，不利于抑郁癥的治療。

在抑郁癥健康評估方面，傳統的方法主要是量表評估，著名量表有抑郁癥癥狀快速自評量表(the 16-item quick inventory of depressive symptomatology，QIDS)、患者健康問卷(patient health questionnaire，PHQ-9)等。被測試者只需回答量表問卷題目，然后根據作答情況計算量表得分，就可以快速獲知被測試者的抑郁嚴重程度，但該方法具有主觀性較強的缺點，且回答問卷全部問題耗費時間較長，因此該方法診斷效率較低。

人工智能在醫療健康方面的應用是當前人工智能的主要應用領域之一[8]。人工智能包括機器學習、虛擬現實(virtual reality，VR)、計算機視覺、人機交互等關鍵技術。當前人工智能技術已廣泛用于抑郁癥的研究[9]，如在抑郁癥高危人群的快速評估預警方面采用機器學習技術，在抑郁癥干預技術方面采用VR技術，使患者對美好的事物產生一種身臨其境的感覺，促進其心理健康的康復，改善患者的健康狀況。

通過提取抑郁癥相關數據如日常健康數據、傳感器數據、語音數據、量表數據、人口統計學數據、視頻數據等，使用機器學習算法，可以建立抑郁癥高危人群篩查預警模型。根據中醫治未病思想，對抑郁癥高危人群及時進行預警，防止病情加重，可減少個人疾病負擔、提高生活質量；獲知自己的抑郁狀態后，高危人群可以采用心理健康在線教育、中醫綜合護理干預措施、運動飲食等積極的干預措施，及時進行健康管理，可大幅節約因疾病帶來的經濟成本。相關技術的研究與應用可以為抑郁癥的公共衛生服務提供切實可行的策略，從而減少抑郁癥對人類健康造成的危害。

2 抑郁癥智能健康管理服務模型的構建

健康管理有三部曲：了解健康狀況，進行健康信息的收集；評價健康狀況，進行健康風險的評估；改善健康狀況，進行健康危險因素的干預[10]。根據健康管理學理論、中醫治未病思想以及人工智能技術，可設計抑郁癥智能健康管理服務模型[11-12]，見圖1。

圖1 抑郁癥智能健康管理服務模型

其中抑郁癥健康數據采集、建立人群健康檔案屬于健康檢測階段。基于健康大數據的分析與評估、基于機器學習的抑郁癥高危人群篩查，屬于健康評估階段。基于篩查結果的抑郁癥高危人群預警、基于人工智能與信息技術的抑郁癥高危人群健康干預，屬于健康干預階段。該模型是一個周而復始的過程，從而達到疾病預防與改善的效果。

模型的評價主要包括性能評價與經濟性評價，根據應用場景、應用對象，在準確性與經濟性之間達到平衡。模型性能評價指標主要有：準確率(accuracy)、精確率(precision)、靈敏度(sensitivity)、特異度(specificity)以及F1分數[13]。經濟性評價要充分考慮評估成本，在性能可接受前提下，盡量降低成本，這樣的模型就可以用于抑郁癥高危人群大規模篩查，比如大學生入學抑郁癥高危人群篩查。模型可以設計為計算機軟件或手機APP的形式用于抑郁癥的健康管理，從而可以用于抑郁癥的公共衛生服務。

3 基于不同模態數據的抑郁癥機器學習篩查方法

機器學習是一門交叉學科，研究如何用計算機模擬和實現人類的學習行為，從而能夠獲取新的知識或技能。機器學習是人工智能最前沿的研究領域之一[14]。重要的機器學習算法主要包括：決策樹、隨機森林、人工神經網絡、邏輯回歸、支持向量機、K最近鄰、多元線性回歸等。

進行抑郁癥高危人群的機器學習篩查需要首先提取健康數據的特征。健康數據庫特征參數的提取關系到機器學習篩查效果的好壞，因為需要提取計算機程序可識別的健康數據去訓練和測試抑郁癥高危人群篩查模型。可研究的數據包括個人基本信息數據、傳感器數據、日常健康數據、量表數據、語音數據等，數據特征參數多，具有一定的復雜性[15]。

對于不同的數據，需要選擇不同的特征表達方法。例如日常健康數據可以采取分段表示的方式。語音特征采用專業軟件提取，一段語音數據的特征可以高達幾十到上千維。對于提取到的特征可以采用多層感知器神經網絡、多重Logistic回歸等方法選取重要的特征進行降維。對于健康數據的選擇，盡量選擇獲取方便、獲取成本低的數據，這樣篩查模型就可以用于抑郁癥的大規模篩查，同時可以降低公共衛生服務成本。

4 基于人工智能的抑郁癥預警與干預

經過抑郁癥高危人群篩查算法篩查評估后，對于評估為抑郁癥高危人群的個體，要進行干預治療[16-17]。(1)及時預警。通過短信平臺或微信平臺的方式將評估結果及時告知測試者，高危人群可有針對性地積極采取干預措施。(2)在線心理健康教育。有抑郁癥狀后，很多人羞于承認自己有病也不愿尋求治療，采用匿名在線方式的心理輔導則能大大減輕人們尋求治療的心理壓力，可以采用真人心理健康咨詢師或虛擬心理教師提供在線心理輔導，緩解患者心理壓力。(3)VR干預。采用虛擬現實技術，例如VR眼鏡，提供一些美好的事物或優美的環境，可以使人心情舒暢，促進心理健康。(4)智能化藥物、飲食、運動干預方法推薦。設計抑郁治療智能推薦方案知識庫，個性化推薦適合的療法如中藥療法、西藥療法、飲食療法、運動療法或者組合療法等。(5)干預知識的可視化呈現與仿真。通過對干預知識進行可視化的呈現，使患者更好地對相關知識進行理解并付諸實踐。

5 抑郁癥高危人群篩查預警管理系統的設計與實現

基于抑郁癥高危人群篩查以及抑郁癥高危人群預警等關鍵技術的實現，設計面向應用的抑郁癥高危人群篩查與預警管理系統，并以計算機軟件或手機APP的形式來實現。關鍵模塊的實現采用Python語言或者Matlab語言進行編程。同時系統應有干預知識庫，并存儲測試者的健康信息用于長期的管理與指導。健康信息存儲在抑郁癥健康信息數據庫里，可用于后續的健康指導。

6 抑郁癥治未病與健康管理模型關鍵技術探討及服務改進策略

6.1 抑郁癥高危人群篩查模型的優化 針對采集到的健康數據，采用不同的機器學習算法進行建模，比較不同模型的性能指標，選取最優模型。同時對輸入數據指標進行優化，選取主要特征進行建模，既能提高抑郁癥高危人群篩查模型的精度，同時簡化了模型的數據采集工作，降低了模型的成本。模型優化可以使模型達到降低數據采集數量，降低數據采集成本，提高模型評估性能的效果，進而可以低成本、快速、方便地對抑郁癥高危人群做出篩查。

6.2 融入中醫治未病思想，對抑郁重點個體及時進行預警與干預 根據中醫治未病思想，需要對抑郁癥高危人群進行重點關注。在建模算法中對需要預警的重點關注個體自動做標記，通過短信平臺、微信平臺、電話、郵件等方式進行實時預警，使重點關注個體了解和掌握自己的健康。通過對抑郁癥篩查技術的調整，在抑郁癥健康管理服務過程中，找出高危人群，及時給予預警與干預，避免病情進一步惡化，減輕患者經濟負擔及社會負擔。

7 總結

根據健康管理理論構建的抑郁癥智能健康管理模型不僅可以用于健康人群的抑郁癥防治，還可以用于抑郁癥高危人群的健康促進。基于多模態數據的抑郁癥機器學習篩查方法，用數據和計算機代替專業醫生的部分工作，提供了快速方便的健康管理篩查服務手段。基于人工智能的抑郁癥預警與干預方法為抑郁癥高危人群提供了一種簡便的治未病與健康管理策略，可以作為醫院常規治療手段的有效補充。