基于人工智能的抑郁症治未病与健康管理服务模式构建

陈 鑫，许亮文

(1.杭州师范大学 公共卫生学院，浙江 杭州 311121；2.温州商学院 信息工程学院，浙江 温州 325035)

抑郁症是一种发病率较高的精神健康类疾病，对各类人群产生广泛的不良影响[1]。当前抑郁症的研究是学界的热点话题。大学生由于繁重的学习压力、经济压力及各种生活方面的压力，容易产生心理健康问题，如果不能及时干预疏导，易发展为抑郁症。2020年9月，国家卫健委发布《探索抑郁症防治特色服务工作方案》[2]，要求高等院校要将抑郁症筛查纳入学生健康体检内容，并提出对青少年、孕产妇、老年人、高压职业人群进行心理健康服务[3-4]。目前，对抑郁症健康管理方面的研究包括抑郁症的快速评估预警及干预技术，对制定该疾病公共卫生服务政策具有重要的参考价值[5-6]。本研究基于人工智能技术与中医治未病思想，构建抑郁症治未病与健康管理服务模式，以期对抑郁症高危人群提前进行预警与干预、促进抑郁症高危人群心理健康的尽快恢复，从而减少抑郁症带来的危害。

1 人工智能与抑郁症健康管理的结合

临床上确认个人抑郁严重程度需要精神卫生专业医生的参与，常采用采访及自我报告的方法，整个测试流程需要花费患者大量时间和金钱，并且医生很难对人群进行大规模筛查以及快速筛查[7]。到医院寻求诊断的患者往往抑郁已达到较严重的程度，错过了最佳干预时间，不利于抑郁症的治疗。

在抑郁症健康评估方面，传统的方法主要是量表评估，著名量表有抑郁症症状快速自评量表(the 16-item quick inventory of depressive symptomatology，QIDS)、患者健康问卷(patient health questionnaire，PHQ-9)等。被测试者只需回答量表问卷题目，然后根据作答情况计算量表得分，就可以快速获知被测试者的抑郁严重程度，但该方法具有主观性较强的缺点，且回答问卷全部问题耗费时间较长，因此该方法诊断效率较低。

人工智能在医疗健康方面的应用是当前人工智能的主要应用领域之一[8]。人工智能包括机器学习、虚拟现实(virtual reality，VR)、计算机视觉、人机交互等关键技术。当前人工智能技术已广泛用于抑郁症的研究[9]，如在抑郁症高危人群的快速评估预警方面采用机器学习技术，在抑郁症干预技术方面采用VR技术，使患者对美好的事物产生一种身临其境的感觉，促进其心理健康的康复，改善患者的健康状况。

通过提取抑郁症相关数据如日常健康数据、传感器数据、语音数据、量表数据、人口统计学数据、视频数据等，使用机器学习算法，可以建立抑郁症高危人群筛查预警模型。根据中医治未病思想，对抑郁症高危人群及时进行预警，防止病情加重，可减少个人疾病负担、提高生活质量；获知自己的抑郁状态后，高危人群可以采用心理健康在线教育、中医综合护理干预措施、运动饮食等积极的干预措施，及时进行健康管理，可大幅节约因疾病带来的经济成本。相关技术的研究与应用可以为抑郁症的公共卫生服务提供切实可行的策略，从而减少抑郁症对人类健康造成的危害。

2 抑郁症智能健康管理服务模型的构建

健康管理有三部曲：了解健康状况，进行健康信息的收集；评价健康状况，进行健康风险的评估；改善健康状况，进行健康危险因素的干预[10]。根据健康管理学理论、中医治未病思想以及人工智能技术，可设计抑郁症智能健康管理服务模型[11-12]，见图1。

图1 抑郁症智能健康管理服务模型

其中抑郁症健康数据采集、建立人群健康档案属于健康检测阶段。基于健康大数据的分析与评估、基于机器学习的抑郁症高危人群筛查，属于健康评估阶段。基于筛查结果的抑郁症高危人群预警、基于人工智能与信息技术的抑郁症高危人群健康干预，属于健康干预阶段。该模型是一个周而复始的过程，从而达到疾病预防与改善的效果。

模型的评价主要包括性能评价与经济性评价，根据应用场景、应用对象，在准确性与经济性之间达到平衡。模型性能评价指标主要有：准确率(accuracy)、精确率(precision)、灵敏度(sensitivity)、特异度(specificity)以及F1分数[13]。经济性评价要充分考虑评估成本，在性能可接受前提下，尽量降低成本，这样的模型就可以用于抑郁症高危人群大规模筛查，比如大学生入学抑郁症高危人群筛查。模型可以设计为计算机软件或手机APP的形式用于抑郁症的健康管理，从而可以用于抑郁症的公共卫生服务。

3 基于不同模态数据的抑郁症机器学习筛查方法

机器学习是一门交叉学科，研究如何用计算机模拟和实现人类的学习行为，从而能够获取新的知识或技能。机器学习是人工智能最前沿的研究领域之一[14]。重要的机器学习算法主要包括：决策树、随机森林、人工神经网络、逻辑回归、支持向量机、K最近邻、多元线性回归等。

进行抑郁症高危人群的机器学习筛查需要首先提取健康数据的特征。健康数据库特征参数的提取关系到机器学习筛查效果的好坏，因为需要提取计算机程序可识别的健康数据去训练和测试抑郁症高危人群筛查模型。可研究的数据包括个人基本信息数据、传感器数据、日常健康数据、量表数据、语音数据等，数据特征参数多，具有一定的复杂性[15]。

对于不同的数据，需要选择不同的特征表达方法。例如日常健康数据可以采取分段表示的方式。语音特征采用专业软件提取，一段语音数据的特征可以高达几十到上千维。对于提取到的特征可以采用多层感知器神经网络、多重Logistic回归等方法选取重要的特征进行降维。对于健康数据的选择，尽量选择获取方便、获取成本低的数据，这样筛查模型就可以用于抑郁症的大规模筛查，同时可以降低公共卫生服务成本。

4 基于人工智能的抑郁症预警与干预

经过抑郁症高危人群筛查算法筛查评估后，对于评估为抑郁症高危人群的个体，要进行干预治疗[16-17]。(1)及时预警。通过短信平台或微信平台的方式将评估结果及时告知测试者，高危人群可有针对性地积极采取干预措施。(2)在线心理健康教育。有抑郁症状后，很多人羞于承认自己有病也不愿寻求治疗，采用匿名在线方式的心理辅导则能大大减轻人们寻求治疗的心理压力，可以采用真人心理健康咨询师或虚拟心理教师提供在线心理辅导，缓解患者心理压力。(3)VR干预。采用虚拟现实技术，例如VR眼镜，提供一些美好的事物或优美的环境，可以使人心情舒畅，促进心理健康。(4)智能化药物、饮食、运动干预方法推荐。设计抑郁治疗智能推荐方案知识库，个性化推荐适合的疗法如中药疗法、西药疗法、饮食疗法、运动疗法或者组合疗法等。(5)干预知识的可视化呈现与仿真。通过对干预知识进行可视化的呈现，使患者更好地对相关知识进行理解并付诸实践。

5 抑郁症高危人群筛查预警管理系统的设计与实现

基于抑郁症高危人群筛查以及抑郁症高危人群预警等关键技术的实现，设计面向应用的抑郁症高危人群筛查与预警管理系统，并以计算机软件或手机APP的形式来实现。关键模块的实现采用Python语言或者Matlab语言进行编程。同时系统应有干预知识库，并存储测试者的健康信息用于长期的管理与指导。健康信息存储在抑郁症健康信息数据库里，可用于后续的健康指导。

6 抑郁症治未病与健康管理模型关键技术探讨及服务改进策略

6.1 抑郁症高危人群筛查模型的优化 针对采集到的健康数据，采用不同的机器学习算法进行建模，比较不同模型的性能指标，选取最优模型。同时对输入数据指标进行优化，选取主要特征进行建模，既能提高抑郁症高危人群筛查模型的精度，同时简化了模型的数据采集工作，降低了模型的成本。模型优化可以使模型达到降低数据采集数量，降低数据采集成本，提高模型评估性能的效果，进而可以低成本、快速、方便地对抑郁症高危人群做出筛查。

6.2 融入中医治未病思想，对抑郁重点个体及时进行预警与干预 根据中医治未病思想，需要对抑郁症高危人群进行重点关注。在建模算法中对需要预警的重点关注个体自动做标记，通过短信平台、微信平台、电话、邮件等方式进行实时预警，使重点关注个体了解和掌握自己的健康。通过对抑郁症筛查技术的调整，在抑郁症健康管理服务过程中，找出高危人群，及时给予预警与干预，避免病情进一步恶化，减轻患者经济负担及社会负担。

7 总结

根据健康管理理论构建的抑郁症智能健康管理模型不仅可以用于健康人群的抑郁症防治，还可以用于抑郁症高危人群的健康促进。基于多模态数据的抑郁症机器学习筛查方法，用数据和计算机代替专业医生的部分工作，提供了快速方便的健康管理筛查服务手段。基于人工智能的抑郁症预警与干预方法为抑郁症高危人群提供了一种简便的治未病与健康管理策略，可以作为医院常规治疗手段的有效补充。