医疗设备软件的开发对于抑郁症的筛查和评估严重性使用wristband-type可穿戴设备收集的数据:迅速研究协议

介绍

目前,一些生物标记可用于临床诊断和评估精神障碍的严重程度(1,2)。血液样本,射线照片,计算机断层扫描(CT)、核磁共振成像(MRI),在精神病学和无数的其他测试,但执行这些测试主要是为了排除有机和精神障碍症状。考试表现纯粹精神病学诊断或代课教师这样的测试包括脊髓液检查为脑膜炎和脑炎、脑电图对癫痫的诊断,脑血流显像和大脑多巴胺转运蛋白显像诊断痴呆,和近红外光谱(NIRS)抑郁症的诊断,双相情感障碍和精神分裂症。然而,这些考试只占一小部分的总体精神病学领域;在一般的临床实践中,重点继续放在医疗采访。在这种情况下,当使用运营诊断标准等精神障碍的诊断与统计手册》(第五版),疾病的诊断是基于病人的主观信息,如病史、症状,在日常生活中干扰的存在与否。此外,疾病的严重程度评估基于病人的或使用评定量表评估者自身的主体性。然而,这样的症状评估和诊断并不客观,和一个大范围的变化可以存在取决于医疗专业人士的判断,这是一个主要问题在精神病学领域(3,4)。

近年来,研究使用装备actigraphs进行量化睡眠障碍和活动水平下降,通常发生在精神疾病患者(5,6)。因为失眠和减少活动的存在是已知的抑郁的风险因素(7,8),因为它已经被建议活动和睡眠评估和监测的测量是有用的精神障碍(9,10),这些因素可以使风险的量化检测和抑郁严重程度评估(11,12)。然而,许多现有的研究actigraphic监测抑郁症患者没有收集足够的信息状态和疾病严重程度和治疗一直未能确定患抑郁症的风险或评估抑郁个体病人的严重程度(13)。

另一方面,最新的可穿戴设备有能力之前无法测量模式,如心率、呼吸率、皮肤温度、和位置,除了活动检测仪的功能类似于用于研究和研究抑郁症是现在进行使用这些新设备(14,15)。之前我们的研究小组进行了一项研究,构建一个使用XGBoost机器学习模型预测抑郁和抑郁症状的严重程度通过收集数据从45抑郁症和双相情感障碍患者和41名健康受试者被要求穿可穿戴设备(16)。研究收集的数据在七项(加速、脉冲重复频率、皮肤温度、紫外线,许多步骤,能量消耗,体育活动,和睡眠时间)为5250天。通过这种方式,一个模型来预测抑郁的存在76%的精度和模型来预测汉密尔顿抑郁量表(HAMD)评分(抑郁症状评定量表)建立了相关系数为0.61 (16)。虽然这些初步结果基于有限数量的对象,我们认为这种机器学习的方法可以达到临床有用的水平再一次数据积累。此外,由于其他先前的研究已经表明,心率变异性是有用的对于识别情绪变化和抑郁(17,18),可能会进一步提高的学习模型添加这个参数。

目前提出的研究(迅速研究:软件开发集成可穿戴技术未来的抑郁症治疗),这是由日本医学研究和开发署(艾湄湾),我们计划构建一个机器学习模型检测与抑郁症状受试者的抑郁发作和量化这些事件的严重性。本研究旨在开发软件能够被认证为医疗设备在日本通过增加样本的数量和提高模型建立的准确性,与先前的研究生产的模型。研究中的模型预计将广泛应用于商用可穿戴设备,可以使用由精神病学家作为诊断决策的基础和综合医院临床医师和精神病医生职业医师作为推荐的基础。

研究目标

本研究的总目标是建立一个机器学习模型,可以实现为软件在可穿戴设备检测与抑郁症状受试者的抑郁发作和量化这些事件的严重性。我们的具体目标是:(1)获取三轴加速度数据,脉冲重复频率,皮肤温度,和紫外线数据从患者抑郁症状和健康受试者被要求戴腕带可穿戴设备;(2)作出诊断,使用结构化的临床访谈dsm - 5 (SCID-5)和严重性评估用HAMD和关联这些诊断与收集到的数据;和(3)构建一个最优的学习模式使抑郁发作的检测和评估抑郁发作严重程度将机器学习应用于收集的数据集。

和分析方法

试验设计和设置

本研究将是一个开放的观察研究。符合入选标准的患者将招募的时候他们门诊访问庆应义塾大学医院或其他医疗设施或住院期间,没有精神病史和健康的个体将会通过招聘招聘广告在网站上。病人招募将在以下位置和医疗设施:东京(庆应义塾大学,赤坂诊所,Oizumi医院,Oizumi心理诊所,和Tsurugaoka花园医院);神奈川(Nagatsuta Ikoinomori诊所);福岛(Asaka医院);佐藤和山形(医院)。其他医疗设备可以添加根据招聘情况。

在这项研究中,患者抑郁症状(抑郁症、双相情感障碍及相关障碍、焦虑障碍、强迫症和相关疾病,创伤,stressor-related障碍,解离障碍,或躯体症状和相关疾病)和健康受试者戴腕带可穿戴设备多达五次,每次7天。测量周期的开始的时间和每7天的间隔周期将为每个主体不同。

合格标准

患者的入选标准应当如下:(1)抑郁症的临床诊断,双极或相关障碍,焦虑症,强迫症或相关障碍,创伤和stressor-related障碍,解离症,或躯体症状或相关障碍根据dsm - 5标准,抑郁症状的存在,和一个门诊或住院病人状态庆应义塾大学医院或医疗机构参与的另一项研究;(2)一个18岁或以上的同意;(3)确认的精神病学家的主题能够提供书面同意或监护人可以提供同意如果精神病医生确定获得同意从病人会很困难;(4)所有权和使用智能手机(iOS 11的能力。0或迟或Android版本5.0或更高版本)。健康受试者的入选标准应当如下:(1)无精神疾病史与合作研究在自愿的基础上(M.I.N.I.获得同意后,将用于确认主题没有精神疾病);(2)一个18岁或以上的同意;(3)所有权和使用智能手机(iOS 11.0或更高版本或Android 5.0或更高版本)。

排除标准的患者应当如下:(1)无法完成测量,可能会影响他们的医疗条件,由一名精神病医生;(2)并发症的存在可能影响测量结果,如上肢瘫痪;(3)因其他原因不合宜由主要研究者或sub-investigator决定。健康受试者的排除标准应当如下:(1)并发症的存在可能影响测量结果,如上肢瘫痪;和(2)不合宜因其他原因由主要研究者或sub-investigator。研究人员将从所有的参与者获得书面知情同意。与会者将能够研究在任何时候离开。

主要的结果

主要结果的措施将机器学习算法的评估病人是否符合dsm - 5抑郁发作的定义和HAMD总分估计机器学习算法。

二次结果

二次结果措施将包括HAMD、蒙哥马利Asberg抑郁量表(MADRS),年轻的躁狂量表(YMRS),贝克抑郁Inventory-Second版(BDI-II)项目分项得分估计使用机器学习算法的估计总分得分为多个项目相结合。

样本大小

在我们之前的研究中,我们收集了86例患者的241数据集超过7天(45抑郁症患者和41名健康受试者)。使用XGBoost创建的学习模式,识别的准确性有症状的抑郁症患者为76%,相关系数和严重性评估HAMD的测量表版本是0.61 (16)。为了提高机器学习的准确性,理想情况下应该使用尽可能多的数据集。然而,研究对象的负担降到最低,考虑到可行性研究,等等,我们创建了一个基于学习曲线的精度检测模型和严重性评估模型使用各种样本大小从上面提到的先前的研究。因此,大约有500数据集被估计需要实现一个粗略的90%的目标探测精度的抑郁发作(图1)。另外,大约有650数据集被估计需要达到严重程度评估精度的测量之间的相关系数约为0.85,估计HAMD值(图2)。此外,当测量HAMD的平均绝对误差值被设定为三个,约800数据集估计是必要的(图3)。这些估计是基于典型的和理想的数据收集的结果。检测的目的,一个训练数据集应该包含相同数量的符合抑郁发作的标准数据集和数据集不符合抑郁症的标准;严重程度估计的数据集应该均匀分布在范围广泛的清规戒律。然而在实践中,通常症状严重程度下降在随访中,即使是在基线严重,导致大量的数据集与不太严重的国家。出于这个原因,疾病的严重程度不可能完全平衡的。在拟议的研究中,我们计划从每个研究对象收集数据五个测量时间,如果他们愿意参加。达到上述目标数的数据集,每个障碍患者和健康对照组的数量确定如下:220抑郁症患者或双相情感障碍,40其他精神疾病,患者和40名健康受试者,共有300名患者。然而,一旦目标病例数或数据集的一半已经收集,检测的准确性抑郁发作和HAMD-17估计的准确性的验证,和目标病例数将根据自适应调整向上或向下的设计。

数据收集方法

数据收集计划所示表1。对象将被要求戴腕带可穿戴设备。7天的穿着,(1)SCID-5将用于评估受试者是否符合定义的标准的抑郁发作dsm - 5和(2)将使用HAMD抑郁发作的严重程度进行评估。这些评估将与被收购的可穿戴设备数据在同一时间。最多五个评估将每个主题进行,连续七天视为一个评估阶段。的Silmee W22 (TDK公司(日本东京)可穿戴设备,商用作为非医疗设备,将用于本研究。身体运动和睡眠时间可以计算Silmee加速器的数据。心率和心率变异性也可以衡量处理脉搏波信号采集由Silmee photoplethysmographic传感器。

的Silmee W22能够使用加速度数据计算的步伐走路或跑步使用硬件加速计。的数据Silmee W22将传输到云存储通过专用应用程序。唯一的信息将被上传到云的设备号Silmee W22搭配专用的应用程序和收集的数据通过Silmee W22。对象将被要求安装专用的应用在自己的智能手机,并保持打开或打开它至少每隔3天。

在这项研究中,电子数据捕获(EDC)将被用来收集信息,如同意的日期,病人背景,SCID诊断名称,症状评定量表的结果,和伴随的药物。我们将使用“cubeCDMS”CRScube Inc . EDC。

数据管理

获得的数据Silmee W22收集在一种不确定的个人。这些数据将被上传到Silmee连接云由TDK公司管理。通过免费的应用程序“Silmee连接”TDK公司的智能手机下载到参与研究的参与者。数据上传到TDK云将转移到云i2medical LLC管理的研究,而有关的设备号Silmee W22。这些数据然后下载i2medical LLC的保护当地环境进行分析。

数据库将建造使用EDC系统(cubeCDMS)的支持下CRScube澳洲中药行业联合会的数据科学部门和公司,外包设施,和系统将配备严格的安全管理,包括数据备份和访问权限的管理。临床数据通过本研究将使用EDC系统管理和存储,并将传递给i2medical LLC和庆应义塾大学的研究人员。

统计方法

所有的研究对象都将包括在分析中。的数据Silmee W22将去噪和feature-engineered创建一个高度相关的机器学习算法的存在和严重抑郁发作期间获得的评级researcher-conducted采访对象。对去噪,我们将使用技术,如连续分解分析(CDA),离散分解分析(DDA),高斯滤波器,自适应颜色阈值。这些方法并不局限于原始数据。如果一个更合适的方法去噪的原始数据可用时,将使用这个方法。工程的特性,我们将使用自相关、互相关和其他分析方法提取数据和时间延迟时间结构和模式。关于心率变异性的特征工程,normal-to-normal间隔等参数标准差(SDNN),连续差异的均方根(RMSSD),标准偏差的连续RR区间差异(SDSD) NN50,估计呼吸循环(EBC)将被用作时域特性,和低频(LF)和高频(HF)山峰,低频和高频功率,规范化的低频和高频功率,低频/高频比率,等等,也会被使用。此外,我们将寻找其他特性,有助于提高准确性和将使用的最佳方法。

对于机器学习算法,我们将使用元模型,如支持向量机(SVM),支持向量回归(SVR),梯度提高分类/回归,等等;另外,我们将使用深度学习找到出最高精度的方法。显著性水平将被设置为0.05。

此外,结构信息和大脑功能连接从合作者参与另一项研究中,“纵向MRI研究识别情绪障碍的神经基质缓解/复苏”(批准号:20190239)庆应义塾大学,他也参与了这项研究将提供给本研究。我们将使用生物统计学和机器学习进行探索性分析检查结果之间的关系的分析结构信息和大脑功能连接和日常生活活动的数量和获得的其他数据的可穿戴设备。

数据监控

我们将遵循临床研究指南推荐在日本。根据指导方针,本研究不涉及治疗或其他干预措施,并建立数据监测委员会不是必需的。澳洲中药行业联合会监测将由公司,承包商,以确保适当的数据处理。

审计

澳洲中药行业联合会审计是外包公司和独立的研究人员执行。审计将通过月度管理会议和所有承包商和个人月度会议确认的协议中描述的工作和研究合同执行正确。

研究伦理批准

我们的研究得到了机构审查委员会批准庆应义塾大学医学院。于2021年11月8日批准了。这项研究是在日本注册临床试验注册中心(jRCT) (jRCT1031210478)。参与者的加入将是自愿的。书面同意将获得每一个参与者。参与者将自由随时退出研究。

同意

参与者将得到一个口头的解释和一份书面文件,文件的细节研究。理解后,参与者将被要求给予书面同意签署同意书。参与者可以选择在任何时候退出研究。他们应该选择这样做,他们的数据将被摧毁。

保密

用于研究的数据将被分配的顺序编号登记在这项研究中,并将链接和匿名,相应的表在车上装柜将严格庆应义塾大学医学院的研究空间。此后,所有收集的数据和病人背景信息将在管理研究数量和处理的方式,将他们的个人信息。论文数据将被存储在一个可锁定的锁在实验室庆应义塾大学医学院和纸的主要研究者负责存储数据将锁锁。

研究后,电子数据将存储在cd - r、DVD,或者外部硬盘,存储在一个可锁定的内阁庆应义塾大学医学院。匿名化形式将由庆应义塾大学个人信息管理器。贮藏期将完成研究报告后5年或3年后的最后发表研究成果。

对数据的访问

如前所述,所有的个人信息和个人信息处理实验数据的经理庆应义塾大学。

传播策略

这项研究的结果将会在科学会议,通过出版的论文。参与者和公众将不会单独通知结果。

讨论

迅速研究可能导致医疗器械的发展精神病学领域的新的诊断工具,生物标志物稀缺的地方。如果这一技术使抑郁症的早期诊断和可以识别复发的迹象,医生不专注于精神病学能够转介病人到精神科医生在早期阶段,和职业医生将能够采取措施,如减少工作负载处于初级阶段。此外,使用这种技术的精神病医生,就能很容易地提供医疗计量。发达技术将能够显示抑郁症的严重程度,治疗效果将更容易被发现。利用这种技术澄清症状变化可能导致改善医疗服务的整体质量。此外,病人能够监控自己的症状。因为先前的研究,仅仅提供信息的状态患者的症状改善病人的症状(19),医疗设备的引入,使这些症状监测患者治疗可能有效。

人工智能(AI)在医学的应用逐年加速,而且在2020年,这项研究计划的时候,11个人工智能医疗设备在日本已经被监管当局批准(20.)。然而,没有一个有针对性的精神病学或使用可穿戴设备。同样,基于ai医疗设备通过了美国食品和药物管理局(FDA)截至2020年1月不包括那些安装在可穿戴设备或那些可以诊断抑郁症(21)。因此,本研究的目标是高度发展的小说。

学习模式的局限性之一在这个研究开发是它可能不是足够精确的诊断或评估的症状严重的病人,由于重病受试者的数量能够参与这个研究预计将是有限的,因为严重的精神病症状病人可能阻止他们正确使用可穿戴设备。此外,老年人操作可穿戴设备可能有困难。

此外,本研究只会招收日本主题;是否同样的诊断精度可以达到其他民族还不清楚。此外,虽然获得的信息Silmee可穿戴设备类似于可穿戴设备用于其他研究(22),获得的信息的准确性和内容在未来可能会改变,可穿戴设备的性能得到改善。此外,其他可穿戴设备挂载系统的能力在未来将是最佳的使用。

因为心率变异性也与焦虑相关的已知(23),焦虑症状除了抑郁症状也可能影响结果;因为除了SCID、HAMD和MADRS也评估焦虑症状,我们将尝试隔离心率变异性(HRV)特性与焦虑有关。

至于其他限制,两组的样本不平衡和相对较小的样本大小可能会影响结果的准确性的训练模式。因此,我们计划解决这个问题通过一种自适应设计方法,在研究和验证预测的准确性增加或减少相应的目标数量的参与者。

最后,一定数量的用户可能有问题,如隐私,对可穿戴设备本身也可能希望避免衣物与人工智能相结合(24,25)。采取这样的担忧和/或偏好的病人需要考虑实现真实的临床前,从伦理的角度来看。

道德声明

涉及人类受试者的研究回顾和批准的庆应义塾大学医学院伦理委员会。患者/参与者提供了他们的书面知情同意参与这项研究。

作者的贡献

TaK构思最初的研究概念。达克和SK设计和管理学习和写了初稿的手稿。所有作者的设计研究和开发和实现的协议,批判性回顾了手稿,批准了最终版本的手稿,并同意负责工作的准确性和完整性。

资金

这项工作得到了日本医学研究和开发署(艾湄湾)(批准号21 uk1024003h0001;开发的软件医疗设备,使抑郁筛选和严重性评估使用腕带可穿戴设备数据)。资金来源没有参与这项研究的设计和研究中不会有任何的手的执行、分析,或提交结果。

确认

作者感谢久美子女士Hiza和Hiromi劳斯女士支持本研究的数据收集和管理。这个手稿被释放在medRxiv预印(26)。

的利益冲突

TaK i2medical LLC的总统,已经收到大冢的顾问费用,辉瑞公司和住友和演讲费从Banyu,礼来,住友,詹森,诺华,大冢,辉瑞。TH i2medical LLC的董事会成员,从FRONTEO Inc . YTa收到咨询费,K-cL,和NK i2medical LLC的董事会成员。哟,嗨,YM,和走受雇于住友制药有限公司,有限公司通用汽车已经收到詹森演讲费,明治精华制药,大冢,Yoshitomi Yakuhin。

其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用