Цифровое фенотипирование как новый метод скрининга психических расстройств

   Внедрение информационных технологий неразрывно связано с повышением качества и доступности медицинской помощи, а также с сокращением расходов на медицинские услуги. Цифровое фенотипирование является одним из клинических инструментов в сфере информационных технологий, позволяющих оценить индивидуальный фенотип человека с помощью различных персональных информационных устройств, таких как смартфон, планшет, смарт-часы, различные датчики и прочие компьютерные средства. Преимуществом цифрового фенотипирования является возможность получать информацию о состоянии пациента в режиме реального времени, без стационарного и амбулаторного наблюдения и даже без активного участия самого пациента, что существенно расширяет возможности скрининга и диагностики психических расстройств, а также помогает отследить риски возникновения рецидивов и вовремя принять меры для предотвращения обострения заболевания. Информационные технологии имеют большие перспективы для использования в научных целях — предоставляют возможность проведения исследований в режиме онлайн, не требующих посещения исследовательских центров, вместе с тем позволяют сократить время и расходы на проводимые клинические испытания. Однако, использование цифрового фенотипирования в научных и клинических целях имеет ряд своих ограничений. Для дальнейшего усовершенствования цифрового фенотипирования в целях скрининга психопатологии и последующей оценки состояния пациентов необходима разработка новых психометрических инструментов, применяемых в электронном виде и лишённых недостатков опросников, которые применяются в настоящий период. В данном критическом обзоре приведены данные о современных возможностях и проблемах цифрового фенотипирования, а также о перспективах его развития.

1. Касьянов Е. Д. Современные подходы к изучению генетики депрессии: возможности и ограничения / Е. Д. Касьянов [и др.] // Журнал неврологии и психиатрии им. C. C. Корсакова. – 2021. – 121 (5-2): 61-66.

2. El-Miedany Y. «Telehealth and telemedicine: how the digital era is changing standard health care». Smart Homecare Technology and TeleHealth. 2017; 4: 43–52. doi: 10.2147/SHTT.S116009

3. Faurholt-Jepsen M., Frost M., Vinberg M., Christensen E. M., Bardram J. E., Kessing L. V. Smartphone data as objective measures of bipolar disorder symptoms. Psychiatry Res. 2014; 217 (1-2): 124-7. doi: 10.1016/j.psychres.2014.03.009.

4. Graber M. L., Byrne C., Johnston D. The impact of electronic health records on diagnosis. Diagnosis (Berl). 2017; 4 (4): 211-223. doi: 10.1515/dx-2017-0012.

5. Hieronymus F., Østergaard S. Rating, berating or overrating antidepressant efficacy? The case of the Hamilton depression rating scale. European Neuropsychopharmacology. 2021; 52: 12-14

6. Hsin H., Fromer M., Peterson B., Walter C., Fleck M., Campbell A., Varghese P., Califf R. Transforming Psychiatry into Data-Driven Medicine with Digital Measurement Tools. NPJ Digit Med. 2018; 1: 37. doi: 10.1038/s41746-018-0046-0.

7. Hyde C. L., Nagle M. W., Tian C. et al. Identification of 15 genetic loci associated with risk of major depression in individuals of European descent. Nat Genet. 2016; 48 (9): 1031–1036. doi: 10.1038/ng.3623.

8. Ian Barnett, John Torous, Patrick Staples, Luis Sandoval, Matcheri Keshavan, Jukka-Pekka Onnela. Relapse prediction in schizophrenia through digital phenotyping: a pilot study. Neuropsychopharmacology. 2018; 43 (8): 1660-1666. doi: 10.1038/s41386-018-0030-z.

9. Inan O. T., Tenaerts P., Prindiville S. A., Reynolds H. R., Dizon D. S., Cooper-Arnold K., Turakhia M., Pletcher M. J., Preston K. L., Krumholz H. M., Marlin B. M., Mandl K. D., Klasnja P., Spring B., Iturriaga E., Campo R., Desvigne-Nickens P., Rosenberg Y., Steinhubl S. R., Califf R. M. Digitizing clinical trials. NPJ Digit Med. 2020; 3: 101. doi: 10.1038/s41746-020-0302-y.

10. Insel T. R. Digital phenotyping: a global tool for psychiatry. World Psychiatry. 2018; 17 (3): 276-277. doi: 10.1002/wps.20550.

11. Insel T. R. Digital Phenotyping: Technology for a New Science of Behavior. JAMA. 2017; 318 (13): 1215-1216. doi: 10.1001/jama.2017.11295.

12. Kidron C. A., Kirmayer L. J. Global Mental Health and Idioms of Distress: The Paradox of Culture-Sensitive Pathologization of Distress in Cambodia. Cult Med Psychiatry. 2019; 43( 2): 211-235. doi: 10.1007/s11013-018-9612-9.

13. Kleiman E. M., Nock M. K. Real-time assessment of suicidal thoughts and behaviors. Curr Opin Psychol. 2018; 22: 33-37. doi: 10.1016/j.copsyc.2017.07.026.

14. Lydon-Staley D. M., Barnett I., Satterthwaite T. D., Bassett D. S. Digital phenotyping for psychiatry: Accommodating data and theory with network science methodologies. Curr Opin Biomed Eng. 2019; 9: 8-13. doi: 10.1016/j.cobme.2018.12.003.

15. Melcher J., Hays R., Torous J. Digital phenotyping for mental health of college students: a clinical review. Evid Based Ment Health. 2020; 23 (4): 161-166. doi: 10.1136/ebmental-2020-300180.

16. Morcillo Serra C., González Romero J. L. New digital healthcare technologies. Med Clin (Barc). 2020; 154 (7): 257-259. English, Spanish. doi: 10.1016/j.medcli.2019.07.004.

17. Onnela J. P. Opportunities and challenges in the collection and analysis of digital phenotyping data. Neuropsychopharmacology. 2021; 46 (1): 45-54. doi: 10.1038/s41386-020-0771-3.

18. Onnela J. P., Rauch S. L. Harnessing Smartphone-Based Digital Phenotyping to Enhance Behavioral and Mental Health. Neuropsychopharmacology. 2016; 41 (7): 1691-6. doi: 10.1038/npp.2016.7.

19. Orsolini L., Fiorani M., Volpe U. Digital Phenotyping in Bipolar Disorder: Which Integration with Clinical Endophenotypes and Biomarkers? Int J Mol Sci. 2020; 21 (20): 7684. doi: 10.3390/ijms21207684.

20. Radhakrishnan K., Kim M. T., Burgermaster M., Brown R. A., Xie B., Bray M. S., Fournier C. A. The potential of digital phenotyping to advance the contributions of mobile health to self-management science. Nurs Outlook. 2020; 68 (5): 548-559. doi: 10.1016/j.outlook.2020.03.007.

21. Rosa C., Marsch L. A., Winstanley E. L., Brunner M., Campbell A. N. C. Using digital technologies in clinical trials: Current and future applications. Contemp Clin Trials. 2021; 100: 106219. doi: 10.1016/j.cct.2020.106219.

22. Sequeira L., Battaglia M., Perrotta S., Merikangas K., Strauss J. Digital Phenotyping With Mobile and Wearable Devices: Advanced Symptom Measurement in Child and Adolescent Depression. J Am Acad Child Adolesc Psychiatry. 2019; 58 (9): 841-845. doi: 10.1016/j.jaac.2019.04.011. Erratum in: J Am Acad Child Adolesc Psychiatry. 2020; 59 (12): 1408.

23. Shenoy A., Appel J. M. Safeguarding Confidentiality in Electronic Health Records. Camb Q Healthc Ethics. 2017; 26 (2): 337-341. doi: 10.1017/S0963180116000931. PMID: 28361730

24. Stanghellini G., Leoni F. Digital Phenotyping: Ethical Issues, Opportunities, and Threats. Front Psychiatry. 2020; 11: 473. doi: 10.3389/fpsyt.2020.00473.

25. Stanghellini G., Leoni F. Digital Phenotyping: Ethical Issues, Opportunities, and Threats. Front Psychiatry. 2020; 11: 473. doi: 10.3389/fpsyt.2020.00473

26. Tachakra S., Wang X. H., Istepanian R. S., Song Y. H. Mobile e-health: the unwired evolution of telemedicine. Telemed J E Health. 2003; 9 (3): 247-57. doi: 10.1089/153056203322502632.

27. Torous J., Onnela J. P., Keshavan M. New dimensions and new tools to realize the potential of RDoC: digital phenotyping via smartphones and connected devices. Transl Psychiatry. 2017; 7 (3): e1053. doi: 10.1038/tp.2017.25.

28. Wang Y. P., Gorenstein C. Psychometric properties of the Beck Depression Inventory-II: a comprehensive review. Braz J Psychiatry. 2013; 35 (4): 416-31. doi: 10.1590/1516-4446-2012-1048.

29. Zulueta J., Piscitello A., Rasic M., Easter R., Babu P., Langenecker S. A., McInnis M., Ajilore O., Nelson P. C., Ryan K., Leow A. Predicting Mood Disturbance Severity with Mobile Phone Keystroke Metadata: A BiAffect Digital Phenotyping Study. J Med Internet Res. 2018; 20 (7): e241. doi: 10.2196/jmir.9775.