利用肖像识别方法通过运动心电图数据提升精神障碍筛查的准确性

《Journal of Affective Disorders》：Enhancing mental disorder screening via exercise electrocardiogram data using the portrait method

心电图数据用于抑郁症、反应性严重应激失调和恐惧性焦虑症筛查的研究，提出基于统计分析的“肖像”方法，通过整合个体与群体差异的ECG特征实现高效分类，验证其在英国生物银行队列中的有效性。

　　这项研究由多位科学家共同完成，包括Yilin Niu、Xiaoting Peng、Shuai Huang、Chao Wu、Xiaohe Bai、Xinyang Long、Fan Fe、Entao Liu、Yunfei Gao、Jintai Chen、Xueli Zhang、Lianting Hu、Huiying Liang和Dantong Li。研究团队来自广东省人民医院（广东省医学科学院）和南方医科大学，研究地点位于中国广州，邮编为510080。该研究的主要目标是探讨使用运动心电图（ECG）数据来自动筛查精神障碍的可行性。精神障碍在全球范围内具有很高的患病率，但却长期被低估和未被充分诊断，构成了重大的公共卫生挑战。而ECG数据作为一种广泛可得且非侵入性的测量手段，已被证明在精神障碍的检测中具有潜力。

研究采用了一种横断面设计，分析了英国生物银行（UK Biobank）中来自不同人群的运动心电图数据，其中包括患有抑郁发作（n=2135）、应激反应与调整障碍（RSSAD，n=858）以及恐惧性焦虑障碍（n=143）的个体，同时与相应的对照组进行匹配。研究中所使用的诊断信息来源于与医院和初级医疗记录的链接数据。为了确保研究的科学性和准确性，每个诊断类别下的数据集被随机分为训练集（70%）和测试集（30%）。研究团队开发了一种名为“Portrait”的方法，该方法通过对每种精神障碍患者的心电图变量进行分析，筛选出具有统计学意义的变量，并基于这些变量与数据集中其他个体之间的差异构建个体特征图谱。随后，研究团队将这些个体特征图谱进行聚合，形成疾病特异性群体图谱。通过将新个体的特征图谱映射到这些群体图谱上，研究团队支持了精神障碍的筛查评估。

研究结果表明，该“Portrait”方法在所有三种精神障碍的测试集中均表现出可接受的性能。具体而言，在抑郁发作的测试集中，准确率达到81.98%，其中敏感度为98.68%，特异度为63.02%；在RSSAD的测试集中，准确率为87.14%，敏感度为70.00%，特异度为100.00%；在恐惧性焦虑障碍的测试集中，准确率为82.81%，敏感度为86.70%，特异度为79.65%。这些结果凸显了运动心电图数据在识别三种常见精神障碍方面的潜力，并展示了“Portrait”方法在早期筛查中的有效性。

精神障碍在全球范围内具有较高的患病率，据统计，约有29%的人在其一生中可能经历一次精神障碍（Steel et al., 2014），而全球约有14.3%的死亡（每年约800万人）可以归因于精神障碍（Walker et al., 2015）。其中，抑郁发作、应激反应与调整障碍（RSSAD）以及恐惧性焦虑障碍尤为常见（Byllesby et al., 2016; Marie et al., 2020），它们不仅对个体的情绪状态造成严重影响，还可能导致身体功能的损害和社交能力的下降（Mason et al., 2018; Price et al., 2019）。因此，及时识别和干预精神障碍至关重要，因为它们有助于减轻长期的不良影响，并显著改善个体的整体健康状况（Jaramillo et al., 2019; Mughal et al., 2020）。

然而，尽管精神障碍的识别具有紧迫性，这三种疾病仍然在很大程度上被低估和未被充分诊断（Farvolden et al., 2003）。根据世界卫生组织（WHO）的世界心理健康调查，抑郁障碍、RSSAD和焦虑障碍的终身风险超过了它们的实际终身患病率，这表明许多患者并未被正确诊断（Kessler et al., 2007）。这种低估现象在很大程度上归因于依赖于自我报告和临床观察，这些方法本身具有主观性，并且可能受到文化背景和语言差异的影响（De Graaff et al., 2022）。因此，开发客观且可量化的评估方法，以提高早期诊断的准确性，成为当前研究的重要方向。

心电图（ECG）作为一种广泛可得且非侵入性的方法，提供了可测量和可解释的生物标志物，并已在以往的心理学研究中被报道（Karthikeyan, 2011; Kobayashi, 2019; Koh et al., 2022; Polcwiartek et al., 2021）。ECG的形态学特征能够反映心脏电信号的变化，这些变化在某些精神障碍患者中尤为明显。Tang等人（Tang et al., 2022）的研究表明，抑郁和焦虑障碍与QT间期延长和心率异常之间存在显著的相关性，其中QT间期被证实为抑郁症和焦虑症共病的预测生物标志物。此外，心率变异性（HRV）也被确立为精神障碍筛查的重要生理指标，因为它能够提供关于自主神经系统调节的见解。Na等人（Na et al., 2021）的研究证明，HRV指标可能是评估RSSAD严重程度的潜在生物标志物，特别是在经历流产后的患者中，他们进一步发现RSSAD患者表现出显著降低的HRV。

尽管这些研究结果具有一定的积极意义，但基于ECG的临床筛查方法仍然面临诸多挑战。首先，研究样本量较小与精神障碍的高度表型异质性之间存在显著矛盾。研究表明，被诊断为相同精神疾病的不同患者可能表现出不同的神经生物学机制和心理病理表现。因此，某些在小样本研究中发现的生物标志物的诊断效果可能无法推广到其他人群（Demyttenaere, 2019）。其次，ECG数据容易受到患者生理状态的影响，并且对电磁干扰、肌肉活动以及电极贴附不当非常敏感（Belle et al., 2015; Rentrop et al., 2010; Shen et al., 2024）。这些因素会引入噪声，并使标准化分析变得复杂。因此，迫切需要开发一种稳健的ECG分析方法，以应对患者异质性并减少噪声干扰。

为了克服这些挑战，研究团队开发了一种创新的筛查方法，命名为“Portrait”。该方法利用统计学上显著的心电图变量来生成个体特征向量，从而计算出队列中的成对差异矩阵。个体特征图谱被定义为个体间差异的聚合表现，并随后被投影到统一的特征空间中，以生成群体层面的特征图谱。该群体层面的特征图谱被用于分类，从而支持精神障碍的筛查评估。通过利用从大规模人群中获得的疾病特异性特征图谱，该方法旨在减少单个心电图变量带来的异质性，并降低心电图数据对扰动的敏感性。由于心电图数据是在运动过程中采集的，研究团队还期望该方法可以被应用于具有日常运动监测功能的可穿戴设备。

研究对象来自英国生物银行（UK Biobank），这是一个覆盖超过502,505名年龄在37至73岁之间的英国居民的大规模前瞻性流行病学研究（Collins, 2012）。英国生物银行的研究设计已在之前的文献中有所描述（Sudlow et al., 2015）。伦理审批由西北多中心研究伦理委员会（North West Multi-centre Research Ethics Committee）获得，所有参与者均提供了书面同意。在本研究中，研究团队选择了那些进行了自行车测试以获取运动心电图数据的个体，排除了未进行该测试的个体。

在本研究中，共有2141名健康对照组和2135名患有抑郁发作的个体被纳入研究，此外还有133名健康对照组和143名患有恐惧性焦虑障碍的个体，以及815名健康对照组和858名患有RSSAD的个体（见图S3和表1）。对于患有抑郁发作的个体，年龄分布主要集中在65岁以下，女性的比例明显高于男性。该群体的肥胖率相对较高，显著高于对照组。对于患有RSSAD的个体，年龄分布较为广泛，且女性的比例也略高于男性。该群体的平均年龄较轻，且与对照组相比，存在较高的心理压力水平。对于患有恐惧性焦虑障碍的个体，年龄分布较为集中，且女性的比例明显高于男性。该群体的平均年龄较轻，并且与对照组相比，存在较高的焦虑水平。

在讨论部分，研究团队进一步阐述了该“Portrait”方法的实施过程。通过分析患有精神障碍的个体（包括抑郁发作、恐惧性焦虑障碍和RSSAD）及其对应对照组的心电图变量，研究团队获得了每种疾病特异性的心电图变量。利用这些心电图变量，研究团队量化了个体之间的差异，并使用皮尔逊相关系数计算了个体间的相似性。每个个体的心电图变化被转化为一组差异值，从而生成其“Portrait”。分类过程通过将新个体的特征图谱与已知的群体特征图谱进行比较来实现。通过利用从大规模人群中获得的疾病特异性特征图谱，该方法旨在减少单个心电图变量带来的异质性，并降低心电图数据对扰动的敏感性。由于心电图数据是在运动过程中采集的，研究团队还期望该方法可以被应用于具有日常运动监测功能的可穿戴设备。

研究团队指出，尽管该方法在某些方面存在局限性，但本研究强调了运动心电图数据在精神障碍筛查中的潜力，并提出了其实施的新方法。由于运动心电图数据可以通过可穿戴设备轻松获取，本研究为日常心理健康监测奠定了方法学基础，从而有效应对精神障碍的低估问题，并实现更早的诊断干预。研究团队还强调了该方法在临床应用中的重要性，特别是在提高筛查效率和减少人为误差方面。此外，研究团队还提到，该方法可以为未来的精神健康研究提供新的思路，并有助于开发更智能、更便捷的筛查工具。

研究团队还特别提到，本研究得到了多项基金的支持，包括中国国家自然科学基金的青年科学基金（项目编号82200558，资助者为Dantong Li）、广东省医学科技研究基金项目（项目编号A2023027，资助者为Dantong Li）以及广东省基础与应用基础研究专项基金（项目编号SL2024A04J02213，资助者为Dantong Li）。此外，本研究还得到了中国国家自然科学基金的普通项目（项目编号62076076，资助者为Huiying Liang）以及广东省重点实验室的支持。这些基金的资助为研究的顺利进行提供了必要的资源和保障。

研究团队还提到，本研究引用了一些文献，但也有部分文献未被引用。例如，Song等人（2017）的研究虽然与本研究的主题相关，但未在文中引用。此外，研究团队还声明没有与本文相关的利益冲突。所有作者均表示，他们与本文不存在任何利益冲突，确保了研究的客观性和公正性。

最后，研究团队对所有参与英国生物银行的参与者、工作人员和研究人员表示了诚挚的感谢。英国生物银行为本研究提供了宝贵的数据资源，这些数据由英国国家卫生服务（NHS）收集，并通过参与者的慷慨贡献得以实现。研究团队特别感谢这些参与者和研究人员的贡献，因为他们为本研究的实施提供了重要的支持和帮助。此外，研究团队还强调了该方法在临床实践中的应用前景，认为该方法可以为精神障碍的早期筛查提供有效的工具，并有助于推动心理健康监测技术的发展。