精神病学数字研究中的非平稳多变量时间序列缺失数据

移动技术（如移动电话和可穿戴设备）为在患者自然环境中收集生理和行为生物标志物提供了可扩展的方法，同时为治疗进步和关于精神疾病发病机制的科学发现提供了机会。通过移动设备进行的持续数据收集产生高度复杂的数据：结果、暴露因素和协变量的多变量时间序列。缺失数据是医学和社会科学研究中普遍存在的问题，精神病学研究中的生态动力学评估（EMA）数据亦然。然而，多变量时间序列的复杂数据结构及其非平稳性质使得处理缺失数据成为进行正确推断的主要挑战。时间序列分析中包含的历史信息加剧了缺失数据的问题，同时也为混杂因素调整引入问题。大多数现有插补方法要么针对平稳时间序列，要么针对随访期限有限的纵向数据设计。针对非平稳时间序列的有限工作要么仅关注缺失的外生性信息，要么忽略结果、暴露因素和协变量之间复杂的时序依赖关系。我们提出一种针对状态空间模型的蒙特卡洛-期望最大化算法（MCEM-SSM），以有效处理非平稳 entangled 多变量时间序列中的缺失数据。我们通过对平稳和非平稳时间序列的仿真，模拟各种缺失机制的情况，展示了该方法相对于其他广泛使用插补策略的优势。最后，我们将MCEM-SSM应用于双相和精神分裂症患者的多年智力手机观察性研究，探讨数字社交连接与负面情绪之间的关联。