Abstract

Mental disorders such as depression and anxiety significantly contribute to the global disease burden. The World Health Organization estimates that mental disorders affect one in eight people globally. Mental disorders lead to adverse health outcomes and have a direct cost impact on society. Despite the availability of effective therapy and medication, a key challenge in diagnosing, monitoring and treating mental disorders is the inadequacy of assessment methods.

This article-based doctoral thesis develops and investigates the feasibility of tools leveraging smartphones and wearables, statistics and machine learning technology to augment the traditional methods of mental disorder care. We developed a smartphone-based application for passive and active data collection leveraging embedded smartphone sensors and a data analysis and behaviour modelling pipeline for quantifying digital biomarkers from smartphone data, predictive analysis, and monitoring mental disorder symptoms.

We found statistically significant differences in digital biomarkers and moods of people with and without symptoms of depression. We found a statistically significant relationship between digital biomarkers, mood, and symptoms of depression and anxiety. We show that digital biomarkers and mood can predict symptoms of depression, and that it is feasible to passively monitor fluctuations in mental disorder symptoms to inform clinical decisions.

The key findings in this thesis show the feasibility of augmenting the current mental disorder care methods with evidence-based and continuous assessment of symptoms in general and clinical populations in everyday life. The tools developed in this thesis could be tailored for various mental disorders such as schizophrenia, post-traumatic stress disorder, bipolar disorder, and anomalous human behaviours such as sleep disorders, sedentary behaviours and problematic smartphone use. Collaborating with public health policymakers and clinicians, we see the potential to impact mental disorder care with just-in-time clinical interventions based on automated early detection of mental disorders and flagging deterioration of mental disorder symptoms.

Tiivistelmä

Mielenterveyden häiriöt, kuten masennus ja ahdistuneisuus, vaikuttavat merkittävästi maailman sairausrasitteeseen. Maailman terveysjärjestö arvioi, että mielenterveyden häiriöistä kärsii maailmanlaajuisesti yksi kahdeksasta ihmisestä. Mielenterveyden häiriöt johtavat haitallisiin terveysvaikutuksiin, ja niillä on suora taloudellinen vaikutus yhteiskuntaan. Tehokkaiden hoitojen ja lääkkeiden saatavuudesta huolimatta mielenterveyden häiriöiden diagnosoinnissa, seurannassa ja hoidossa keskeisenä haasteena on arviointimenetelmien riittämättömyys.

Tämä artikkeliperustainen väitöskirja kehittää ja tutkii älypuhelinten ja älyrannekkeiden, tilastotieteen ja koneoppimisteknologian hyödyntämisen mahdollisuuksia perinteisten mielenterveyden häiriöiden hoitomenetelmien täydentämisessä. Kehitimme älypuhelinsovelluksen, joka kerää tietoa passiivisesti ja aktiivisesti puhelimen sisäisten sensorien avulla. Sovellus analysoi keräämänsä tiedot käyttäytymismallinnusta hyödyntäen. Kehitetyn sovelluksen avulla pystyttiin määrittämään älypuhelinten keräämästä datasta digitaalisia biomarkkereita, suorittamaan ennakoivaa analyysiä ja seuraamaan mielenterveyden häiriöiden oireita.

Havaitsimme digitaalisissa biomarkkereissa ja ihmisten mielialoissa tilastollisesti merkittäviä eroja vertailtaessa ajanjaksoja, jolloin henkilöt kokivat tai eivät kokeneet masennuksen oireita. Löysimme myös tilastollisesti merkittävän yhteyden digitaalisten biomarkkereiden, mielialojen sekä masennuksen ja ahdistuksen oireiden välillä. Osoitamme, että digitaaliset biomarkkerit ja mieliala voivat ennustaa masennuksen oireita, ja mielenterveysoireiden vaihtelun passiivinen seuranta on toteutettavissa kliinisten päätösten tueksi.

Tämän väitöskirjan keskeiset tulokset osoittavat, että nykyisiä mielenterveyden häiriöiden hoitomenetelmiä voidaan täydentää näyttöön perustuvalla ja jatkuvalla arkielämän oireiden arvioinnilla yleisessä ja kliinisessä väestössä. Tässä väitöskirjassa kehitetyt työkalut voidaan räätälöidä eri mielenterveyden häiriöihin, kuten skitsofreniaan, traumaperäiseen stressihäiriöön, kaksisuuntaiseen mielialahäiriöön sekä poikkeuksellisiin käyttäytymismalleihin, kuten unihäiriöihin, istumatyön aiheuttamiin käyttäytymismuutoksiin ja ongelmalliseen älypuhelimen käyttöön. Yhteistyössä kansanterveyspäättäjien ja kliinikoiden kanssa näemme potentiaalia vaikuttaa mielenterveyden häiriöiden hoitoon mahdollistamalla juuri oikea-aikaiset kliiniset toimenpiteet mielenterveyden häiriöiden varhaisen havaitsemisen ja mielenterveysoireiden pahentumisen automaattisen havaitsemisen avulla.

Osajulkaisut / Original papers

Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon. / Original papers are not included in the electronic version of the dissertation.

1. Opoku Asare, K., Visuri, A., Vega, J., & Ferreira, D. (2022). Me in the wild: An exploratory study using smartphones to detect the onset of depression. In X. Gao, A. Jamalipour, & L. Guo (Eds.), Lecture notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering: Vol 440. Wireless Mobile Communication and Healthcare (pp. 121–145). https://doi.org/10.1007/978-3-031-06368-8_9

   Rinnakkaistallennettu versio / Self-archived version

2. Opoku Asare, K., Terhorst, Y., Vega, J., Peltonen, E., Lagerspetz, E., & Ferreira, D. (2021). Predicting depression from smartphone behavioral markers using machine learning methods, hyperparameter optimization, and feature importance analysis: Exploratory study. JMIR mHealth and uHealth, 9(7), e26540. https://doi.org/10.2196/26540

   Rinnakkaistallennettu versio / Self-archived version

3. Moshe, I., Terhorst, Y., Opoku Asare, K., Sander, L. B., Ferreira, D., Baumeister, H., Mohr, D. C., & Pulkki-Råback, L. (2021). Predicting symptoms of depression and anxiety using smartphone and wearable data. Frontiers in Psychiatry, 12, 625247. https://doi.org/10.3389/fpsyt.2021.625247

   Rinnakkaistallennettu versio / Self-archived version

4. Opoku Asare, K., Moshe, I., Terhorst, Y., Vega, J., Hosio, S., Baumeister, H., Pulkki-Råback, L., & Ferreira, D. (2022). Mood ratings and digital biomarkers from smartphone and wearable data differentiates and predicts depression status: A longitudinal data analysis. Pervasive and Mobile Computing, 83, 101621. https://doi.org/10.1016/j.pmcj.2022.101621

   Rinnakkaistallennettu versio / Self-archived version