پیش‌بینی نوسانات خلقی ناشی از اختلال دو قطبی با کمک مچ‌بند فیت‌بیت
پیش‌بینی نوسانات خلقی ناشی از اختلال دو قطبی با کمک مچ‌بند فیت‌بیت
داده‌های مچ‌بند فیت‌بیت(Fitbit) به طور دقیق نوسانات خلقی اختلال دوقطبی را پیش‌بینی می‌کند.

پیش‌بینی نوسانات خلقی ناشی از اختلال دو قطبی با کمک مچ‌بند فیت‌بیت

به گزارش واحد علم و فناوری خبرگزاری صبح اقتصاد محققان از داده‌های روزانه مچ‌بند فیت‌بیت برای آموزش الگوریتم یادگیری ماشینی برای پیش‌بینی دقیق نوسانات خلقی مرتبط با اختلال دوقطبی استفاده کرده‌اند. این کار در را به روی استفاده از یک الگوریتم شخصی سازی شده برای هدایت درمان باز می‌کند.

به نقل از نیواطلس، ‌دوره‌های خلقی اختلال دوقطبی(BD) که شامل نوسانات شدید بین افسردگی و شیدایی به دنبال یک دوره بهبودی می‌شود، می‌تواند تاثیر زیادی بر کار، روابط و سلامت فرد داشته باشد. درمان اختلال دو قطبی بر محدود کردن این تاثیرات متمرکز است که نیاز به شناسایی و درمان سریع نوسانات خلقی دارد.

محققان بیمارستان بریگهام و زنان(BWH) در بوستون، با هدایت یک مطالعه جدید با هدف یافتن روشی دقیق برای تشخیص نوسانات خلقی در افراد مبتلا به اختلال دو قطبی، به یک دستگاه نظارت بر سلامت که اکنون در همه جا موجود است روی آوردند.

دکتر جسیکا لیپسشیتز(Jessica Lipschitz)، از دپارتمان روانپزشکی بیمارستان بریگهام و زنان و نویسنده اصلی این مطالعه، می‌گوید: بیشتر مردم از دستگاه‌های دیجیتال شخصی مانند تلفن‌های هوشمند و ساعت‌های هوشمند استفاده می‌کنند که داده‌های روزانه را جمع‌آوری می‌کند و می‌تواند به درمان روانپزشکی کمک کند. هدف ما استفاده از این داده‌ها برای شناسایی زمانی بود که شرکت کنندگان حاضر در مطالعه که برای آنها اختلال دوقطبی تشخیص داده شده بود، دوره‌های نوسانات خلقی را تجربه می‌کردند.

مطالعات نشان داده‌اند که اکثر افراد مبتلا به اختلال دو قطبی که پیش از این اختلال افسردگی مانیک یا افسردگی مانیک نامیده می‌شد، دستکم سه بار در سال تغییر در شدت علائم و نوسانات خلق و خوی خود را تجربه می‌کنند. این تغییرات شامل تغییر حال از احساس شادی زیاد، تحریک پذیری با افزایش قابل توجه سطح فعالیت(شیدایی)، به احساس غم، بی تفاوتی یا ناامیدی با سطوح فعالیت بسیار پایین(افسردگی) می‌شود. هیپومانیا(Hypomania) مشابه شیدایی است اما شدت کمتری دارد. این اختلال در عملکرد اجتماعی یا کاری مشکلی ایجاد نمی‌کند.

دو نوع اختلال دو قطبی وجود دارد: اختلال دوقطبی یک و اختلال دوقطبی دو.

نوع اول با دوره‌های شیدایی که دستکم هفت روز طول می‌کشد یا شیدایی به حدی شدید که نیاز به بستری شدن در بیمارستان وجود دارد، تعریف می‌شود. دوره‌های مجزای افسردگی نیز معمولا رخ می‌دهد و حداقل دو هفته طول می‌کشد. برخی از افراد مبتلا به اختلال دو قطبی نوع اول چیزی را تجربه می‌کنند که به آن «دوچرخه سواری سریع» گفته می‌شود، که در آن بیش از چهار دوره شیدایی یا افسردگی در یک سال رخ می‌دهد. نوع دوم با الگوی افسردگی و هیپومانیا مشخص می‌شود.

برای این مطالعه، محققان ۵۴ فرد بزرگسال مبتلا به اختلال دو قطبی نوع یک و دو را انتخاب کردند و از آنها خواستند به مدت ۹ ماه به طور مداوم از مچ‌بند فیت‌بیت استفاده کنند.

این دستگاه به دلیل توانایی در جمع‌آوری داده‌ها در مورد فعالیت، ضربان قلب و خواب انتخاب شد. همچنین از شرکت‌کنندگان خواسته شد تا علائم افسردگی و شیدایی را هر دو هفته یک بار در همان دوره ۹ ماهه گزارش دهند.

اکثر افراد مبتلا به اختلال دوقطبی حداقل سه بار در سال تغییر در شدت علائم و خلق و خوی خود را تجربه می‌کنند.

این داده‌ها که شامل ۱۷ متغیر از جمله تعداد گام‌ها، زمان فعالیت بالا، زمان بی‌تحرکی، ضربان قلب و ضربان قلب در حالت استراحت، کل زمان خواب، نمره کارایی خواب، مدت خواب عمیق، مدت زمان خواب REM و زمان خواب بود، برای تمرین یک الگوریتم یادگیری ماشینی استفاده شد. این الگوریتم توانست اهمیت هر یک از متغیرها را در پیش‌بینی علائم بالینی مهم افسردگی و شیدایی دریابد.

این الگوریتم به طور دقیق ۸۹.۱ درصد از علائم هیپومانیک یا شیدایی بالینی قابل توجه و ۸۰.۱ درصد از علائم افسردگی بالینی قابل توجه را پیش‌بینی کرد.

پنج متغیری که بیشترین نقش را در پیش‌بینی افسردگی داشتند، مدت زمان بیداری، کل زمان خواب، میانگین زمان خواب، ضربان قلب در حالت استراحت و درصد خواب سپری شده در حالت خواب عمیق بودند.

محققان می‌گویند: یافته‌های ما قابل توجه هستند، زیرا همه ورودی‌ها به صورت غیرفعال جمع‌آوری شده‌اند، هیچ یک از معیارهای استفاده‌شده از نظر حریم خصوصی تهاجمی نبود، ما از دستگاه‌های موجود استفاده کردیم و روش‌های ما به سطوح بالایی از انطباق فیت‌بیت نیاز نداشتند.

این یافته‌ها پتانسیل تغییر روش‌های مراقبت در اختلال دو قطبی و بهبود دقت درمان را دارند.

  • منبع خبر : ایسنا