Morgenstimmung herunterladen

Unsere Studie unterscheidet sich in vielerlei Hinsicht von der vorherigen Arbeit. Wo viele Studien Daten von nichtklinischen Probanden (z. B. Studenten und Freiwillige, die im Web rekrutiert werden) sammeln, werden unsere Daten in einer randomisierten klinischen Studie von Patienten gesammelt, die eine Diagnose einer bipolaren Störung erhalten haben und dafür behandelt wurden. Darüber hinaus ist die Größe unserer Patientenpopulation (N=84) nach bestem Wissen und Gewissen signifikant größer als in früheren klinischen Studien. Wir fanden auch heraus, dass, obwohl die meisten Studien subjektive Stimmung auf einer kontinuierlichen oder ordinalen Skala aufzeichnen, die Vorhersageaufgabe oft auf ein Klassifizierungsproblem reduziert wird, indem die Werte in zwei oder mehr Klassen, wie neutral, depressiv und manisch, eingeteilt werden. In dieser Studie behandelten wir Stimmungsvorhersage als Regressionsproblem, das direkter ist, wenn man bedenkt, wie Daten von Benutzern gesammelt und interpretiert werden. Schließlich haben wir uns nicht der Stimmungserkennung, sondern der schwierigeren Aufgabe der Stimmungsvorhersage und einem hierarchischen bayesischen Modellierungsansatz gewidmet, der eine beliebte MTL-Methode ist, die in der Lage ist, individuelle Unterschiede in den Daten zu berücksichtigen. Um zu beurteilen, wie gut die vorgeschlagenen hierarchischen linearen und ordinalen Modelle in die Datenverteilung passen, haben wir sie auf dem gesamten Datensatz der Teilnehmer mit mindestens zwei Datenpunkten für w=4 und h=1 (N=5881) trainiert. Die hierarchischen Modelle erreichten eine ähnliche Passform mit R2=0,56 in der Stichprobe und RMSE=0,29 in der Stichprobe. Anschließend führten wir nachträd vorausschauende Prädiktive Prüfungen durch, indem wir die Fähigkeit der Modelle testeten, die beobachtete Verteilung der zukünftigen Stimmung aus der beobachteten Historie von Prädiktorvariablen zu replizieren (vorherzusagen).

Insbesondere berechneten wir das Verhältnis der beobachteten Stimmungswerte und replizierten Stimmungswerte unter 0,75 und größer als 0,75. Das hierarchische lineare Modell replizierte 93 % der kleinen Werte, während das Ordinalmodell 65 % der kleinen Werte replizierte. Das hierarchische lineare Modell replizierte 73 % der großen Werte, während das Ordinalmodell nur 24 % der großen Werte replizierte. Somit ist das hierarchische lineare Modell besser darin, die Schwänze der Verteilung zu erfassen, während das Ordinalmodell extreme Werte unterschätzt. Kontinuierliche Symptomüberwachung und Früherkennung sind wichtige Komponenten bei der Behandlung von Patienten mit bipolarer Störung. Smartphones bieten eine einzigartige Plattform für die Selbsteinschätzung und das Management von Depressionen und Manie und haben den zusätzlichen Vorteil, Dassdaten für die sofortige Analyse zur Verfügung zu stellen.

Bookmark the permalink.

Comments are closed