文｜观察未来科技

数据就是今天的黄金。我们的生活也因为数字化发生显著的变化，这些数据不仅被收集和汇总，而且还通过算法手段进行分析。在过去的20年里，围绕数据存储、传输和分析的技术突破使得医学也出现了一些重大变化。

精准医学(PM)和数字表型(DP)是医学界最为典型的两种数据驱动的医疗方法。其中，数字表型试图通过从智能手机和可穿戴设备等日常使用的数字设备中收集连续的“现实生活数据”来彻底变革精神健康。有了这些额外的数据，精神健康诊断方面的知识鸿沟就可以弥合。

精神健康的变革这意味着，数字表型能从每个人身上获取大量人工智能可处理的数据，而这对于精神健康的影响将是革命性的。正如美国国家心理健康研究所前负责人托马斯·英塞尔所说：“谁能预见到这场由自然语言处理和人工智能带来的革命，通过智能手机收集声音和语音，就能为严重精神疾病做早期预警？”

要知道，一直以来，由于血液检测查不出抑郁症，脑部扫描也没法提前检查出焦虑症，活组织检查更不可能诊断出自杀的念头，所以，就算心理医师判断患者具有精神问题，也没有简单的方法来进行检测。

生物标志物时代到来之前，心理医师们只能依据《精神障碍诊断与统计手册》来诊断疾病。当患者达到9项标准中的5项时，包括情绪低落、睡眠或体力活动的变化、无价值感、愉悦感降低（快感缺乏），则被诊断为抑郁症。目前，这种诊断方式存在许多难以量化或客观评估的因素。

精神病学家们想找出发现思想消极的捷径却总是得不到结果，这使许多精神病学的发展停滞不前。它让精神疾病的诊断变得缓慢、困难并且主观，阻止了研究人员理解各种精神疾病的真正本质和原因，也研究不出更好的治疗方法。

但这样的困境并不绝对，事实上，精神科医生诊断所依据的患者语言给精神病的诊断突破提供了重要的线索。1908年，瑞士精神病学家欧根·布卢勒宣布了他和同事们正在研究的一种疾病的名称：精神分裂症。他注意到这种疾病的症状是如何“在语言中表现出来的”，但是他补充说，“这种异常不在于语言本身，而在于它表达的东西。”

布卢勒是最早关注精神分裂症“阴性”症状的学者之一，也就是健康的人身上不会出现的症状。布卢勒发现，最常见的负面症状之一是口吃或语言障碍。患者会尽量少说，经常使用模糊的、重复的、刻板的短语。

这就是精神病学家所说的低语义密度。低语义密度是患者可能患有精神病风险的一个警示信号。有些研究项目表明，患有精神病的高风险人群一般很少使用“我的”、“他的”或“我们的”等所有格代词。

正是这一特征，给了数字表型机会。移动互联网时代下，无处不在的智能手机和社交媒体让人们的语言从未像现在这样容易被记录、数字化和分析——利用这些数据来开发精确和时间动态的疾病表型和标志物，以诊断、监测和治疗疾病，就是数字表型。而通过移动设备所获得的大量与健康相关的数据的价值还可能远超过如体检、实验室检查和影像学检查等一些传统定义疾病表型的方法，对疾病的诊断和评估具有更高的价值。

数字表型的独特优势

相较于传统的精神疾病的诊断和治疗，数字表型展现出了独特的优势。

一方面，数字表型能够通过人们的数字轨迹对精神疾病进行判断。2017年，安德鲁·里斯（Andrew Reece）和克里斯托弗·丹福思（Christopher Danforth）就使用深度学习，分析了从166个Instagram账号中获取的43 950张照片（已获得本人同意），其中71人有抑郁症史。

研究人员们分析了所有的照片特征来洞察心理：照片中是否有人物、场所在室内还是室外、晚上还是白天、颜色和亮度（按像素）、照片的评论和点赞数，以及用户的发布频率。Instagram的照片能区分心理抑郁和健康的人，可作为临床诊断之前的抑郁症初诊，它与个人的心理健康自评无关。

值得注意的是，Instagram的不同滤镜功能也能区分抑郁症患者和正常人，且比想象的要好（见图8-2）。该计算机程序检测抑郁症的准确性为70%，比先前发表的抑郁症诊断误诊率超过50%的全科医生更具优势。

另一方面，数字表型能够利用网络或数字技术进行情绪或行为的实时地检测、追踪和干预。当前，随着网络和数字技术的逐渐普及，智能手机还有可穿戴设备等辅助工具的大量使用。数字表型对于人群的整体及个体化的情绪或行为，尤其是在自然情形下的一个实际表现，已经能够做到实时地检测、追踪，甚至在干预的层面上也变得比较可行。

比如，双相情感障碍作为一种情绪障碍疾病，它表现某一段时间之内非常的兴奋、躁狂；在另外一段时间又情绪极度低落以及消极，甚至出现自杀的倾向甚至行为。而如果能够通过跟踪双相障碍患者的智能手机的语音的情况，就可以做到分析、预测患者将来七天之内的情绪的分数变化。

此外，数字表型的指标还可用于解决一系列问题。南加州大学的研究人员开发了一款能预测婚姻不和谐的软件，提供74种声学特征，包括语音质量、微光、音调、音量、抖动、韵律等，该软件的预测结果甚至比专家还好。随后该研究团队将由专家人工编码的访谈和软件获取的声学数据做了对比，结果显示，基于语音的机器学习算法不仅比专家捕获的相关信息多，而且其预测结果也更准确。

在一项针对平均年龄为22岁的年轻人的小型研究中，研究人员对34位参与者的多种语音特征，包括词组长度、模糊程度、混淆程度、单词选择等进行一致性分析，用于预测有精神分裂症风险的患者是否会发展成精神病。结果，机器的分析结果优于专家的临床评分体系。而

此外，人们使用智能手机键盘的方式，也可以成为一种有用的标记。Mindstrong公司已从这种行为中分解出45种模式，包括滑动、字符类型间的滚动和延迟时间等。他们的数据与最初研究中的认知功能和情绪的金标准测量值呈正相关。伊利诺伊大学的计算机科学家通过深度学习和装有加速计的自定义键盘，进一步证实了这一观点。他们使用自建的DeepMood算法，在一项试点研究中准确地预测了抑郁症的发生。这项研究为通过个人的键盘活动追踪消极情绪的观点提供了一些独立证据。

还需要考虑什么问题？

目前，虽然人们正在利用这些新方式探索诊断和治疗一系列精神疾病和情绪问题的方法，但数字表型的应用依旧面临挑战。

首先，把医疗信息上传到应用程序，对患者和临床工作者都有潜在风险。其中的一个问题是，这些医疗信息会被第三方获得。

理论上，隐私法应该阻止精神健康数据的传播。美国已经实施了24年的HIPAA法规规范了医疗数据的共享，而欧洲的数据保护法案GDPR理论上也应该阻止这种行为。但监控机构“国际隐私组织（Privacy International）”2019年的一份报告发现，在法国、德国和英国，有关抑郁症的热门网站将用户数据泄露给了广告商、数据经纪人和大型科技公司，而一些提供抑郁症测试的网站也将答案和测试结果泄露给了第三方。

其次，一些伦理学家担心，数字表型模糊了什么可以作为医疗数据分类、管理和保护的界限。如果日常生活的细节是我们精神健康留下的线索，那么人们的“数字化日常”就可以像机密医疗记录中的信息一样，告诉别人其精神状态。比如，我们选择使用的词汇，我们对短信和电话的反应有多快，我们刷帖子的频率有多高，我们点赞了哪些帖子。我们几乎不可能在这些信息中隐藏自己。

斯坦福大学的伦理学家尼科尔·马丁内斯·马丁说：“这项技术已经把我们推到了保护某些类型信息的传统模式之外。当所有数据都可能是健康数据时，那么健康信息例外论是否还有意义等相关问题就会大量涌现。”

最后，通过智能手机或可穿戴设备获得的数字表型必须证明其在临床有效性方面的价值。数据所带来的决策改善及效率的提高是否对降低发病率、复发率及死亡率有所帮助目前仍无法明确。很少有医学领域可以单独通过监测来提供更好的临床结果。

比如，睡眠质量是反映一系列心理健康问题的重要指标，通常通过腕带或手表来监测，但腕带或手表只能感知穿戴者在睡眠期间的身体活动。要真正了解患者的睡眠状态，需要将传感器与脑电波建立相关性，而这目前尚未实现。

另外，生物标志物也可能过于简单。正如纽约大学的教授农西奥·波马拉（Nunzio Pomara）所说：“抑郁症太复杂了，不能简单地将其归结为单一的生物标志物。”实际上，有太多与精神健康相关的生物标志物，而人们不知道哪一个或其中有多少个对于确诊或监测治疗反应至关重要。

当然，不可否认，数字表型代表了在心理学和医学的许多领域实施心理诊断的新的有力工具。基于社交媒体、智能手机或其他物联网来源的数字足迹的人工智能分析可用于精神疾病的诊断与精准治疗，这也是人工智能相较于传统精神疾病诊断的无可比拟的优势和潜力所在。