В современном мире важность ранней диагностики депрессивных симптомов становится всё более очевидной. Исследователи разработали инновационную систему поддержки принятия клинических решений (CDSS), которая сочетает в себе интерпретируемую логистическую регрессию и адаптированные большие языковые модели (LLMs). Эта система позволяет классифицировать состояние депрессии, используя данные о поведении, клинические характеристики и информацию об окружающей среде, полученные с носимых устройств.
В ходе исследования, проведенного на базе Национального университета Чоннам в Южной Корее, было проанализировано поведение 2437 участников, которые носили устройства для отслеживания активности в течение недели. Оценка депрессивных симптомов проводилась с использованием шкалы PHQ-9, где балл ≥ 10 указывал на наличие выраженных симптомов. Исследователи извлекли временные поведенческие характеристики, такие как количество шагов утром и в неосвещенное время, а также минуты интенсивной физической активности, разделенные по дням недели.
Система была протестирована на пяти различных LLM, включая GPT-4 и Claude 3.5. В результате модель, основанная на GPT, была выбрана для дальнейшей доработки с использованием двух стратегий: на основе меток и на основе статистического анализа с использованием коэффициентов шансов (OR). Система была реализована в виде интерфейса чат-бота.
Из 2437 участников 13% были классифицированы как имеющие повышенные депрессивные симптомы. Анализ показал, что поведенческие данные, полученные с носимых устройств, значительно увеличивают предсказательную ценность по сравнению с традиционными демографическими и клиническими переменными. Например, точность модели на буднях возросла с 63,5% до 78,7% при использовании комбинированных данных, а на выходных — с 58,9% до 68,0%.
Эта гибридная модель продемонстрировала высокую точность и специфичность, достигая 90,3% и 94,5% соответственно на буднях. Результаты показывают, что использование данных с носимых устройств может значительно улучшить диагностику депрессивных симптомов, что открывает новые горизонты для персонализированного подхода в области психического здоровья. Однако для клинического внедрения необходима дальнейшая валидация на различных популяциях.