基于一年长的Screenome数据和CES-D评估的个人内预测抑郁症状变化
人机交互
2026-04-28 v1 计算机与社会
摘要
预测个体在未来数周内抑郁症状是否将恶化、保持稳定或改善，可以实现更早、更精准的护理，但在数字表型学中，对个人内轨迹预测尚未得到充分关注。我们将为期约一年、每人平均20.9次（标准差3.9次）、共2002次观察的2002次CES-D评估与通过Stanford Screenomics平台每5秒捕获的1000万+张屏幕截图相结合，从96名成年人那里获得数据。我们将预测建模为个人内分类任务：症状将在 subsequent两周内是否恶化、保持稳定或改善，以三种方式操作化以捕捉临床上有意义的变化。在时间保留下，XGBoost对CES-D严重度阈值交叉的AUC为0.906，对相对于每个人自身个人内变异性变化的AUC为0.755，推广到未见个体（AUC=0.821）。每个人的典型症状水平是唯一在最近的CES-D评分之上具有统计显著预测作用的因素；若不考虑该因素，最具破坏性的恶化转变将无法被检测到。基于Screenome衍生的行为特征揭示了恶化的前驱模式，包括社交媒体使用 escalation、碎片化设备参与以及夜间活动变化，个体间存在显著异质性。这些发现为能够在症状到达危机点前识别接近临床恶化的个体提供了监控系统的概念性基础。
引用
@article{arxiv.2604.23040,
title = {Within-person prediction of depressive symptom change using year-long Screenome data and CES-D assessments},
author = {Merve Cerit and Andrea Mock and Vryan Almanon Feliciano and Thomas N. Robinson and Byron Reeves and Nilam Ram and Nick Haber},
journal= {arXiv preprint arXiv:2604.23040},
year = {2026}
}