Исследование: цифровое фенотипирование может помочь в раннем выявлении перинатальной депрессии
Перинатальная депрессия, по данным авторов, затрагивает около 12–25% беременных и недавно родивших женщин, причем диагностируется лишь 30,8% случаев, а лечение получают около 15,8% пациенток. Стандартные скрининговые анкеты применяются в ограниченные моменты времени и часто не фиксируют динамику симптомов. Цифровое фенотипирование предполагает сбор активных и пассивных данных – например, о сне, физической активности, ритме дня, текстовых записях, настроении, SMS-активности и поведении в соцсетях.
Наиболее перспективными среди пассивных показателей названы параметры сна и циркадных ритмов: в ряде работ снижение продолжительности сна и его фрагментация были связаны с более выраженными симптомами. Данные о физической активности оказались противоречивыми: такие метрики, как шаги или GPS-паттерны, в ряде случаев не демонстрировали значимой прогностической ценности.
Среди активных цифровых данных информативными оказались языковые признаки в текстах, дневники настроения и повторные короткие опросы. В отдельных исследованиях модели показывали высокую точность: например, анализ дневников настроения в сочетании с клиническими шкалами достигал AUC до 91–98% (параметр, на основании которого осуществляется клиническая оценка сервисов), а мультимодальные модели – около 83%. Однако использование только отдельных источников данных давало более слабые результаты.
Авторы работы подчеркивают, что доказательная база пока остается ограниченной. В анализ вошли исследования с выборками от 56 до 2 062 человек, причем большинство моделей характеризовались высоким риском систематической ошибки. Полноценная внутренняя и внешняя валидация была проведена только в одном исследовании, остальные работы ограничивались внутренними проверками или анализом ассоциаций.
По оценке авторов, цифровое фенотипирование может выступать дополнительным инструментом для раннего выявления риска депрессии, особенно при объединении данных носимых устройств, мобильных опросов и клинической информации. Для практического применения необходима стандартизация подходов, проверка моделей на независимых выборках и проработка механизмов защиты данных.
Дополнительный интерес к раннему выявлению перинатальных психических нарушений связан с данными о нейробиологических изменениях во время беременности. Так, исследование ученых из Амстердамского университетского медицинского центра, Лейденского университета и Университета Эразма в Роттердаме показало, что повторная беременность по-разному влияет на структуру мозга по сравнению с первой, формируя отличающийся нейронный профиль. Выявленные изменения коррелировали с показателями материнской привязанности и симптомами депрессии, что указывает на потенциальную связь между нейробиологической адаптацией и риском перинатальных психических расстройств.
Развитие цифровых инструментов для раннего выявления рисков в перинатальный период активно идет и в смежных направлениях. Так, в США разработана модель ИИ для прогнозирования осложнений беременности на основе клинических и социальных данных. В исследовании, охватившем 190,7 тысячи беременностей, алгоритм показал точность 86,3%, а при добавлении социальных факторов чувствительность прогноза выросла с 71,3% до 81,3%. Модель выявляла риск в среднем на 55 дней раньше стандартных клинических индикаторов, что расширяет возможности для превентивных вмешательств.
Подписывайтесь на наши каналы в MAX: Vademecum и Vademecum Live