双相情感障碍的远程情绪监测方案

202X双相情感障碍的远程情绪监测方案演讲人2025-12-11XXXX有限公司202XXXXX有限公司202001PART.双相情感障碍的远程情绪监测方案XXXX有限公司202002PART.引言：双相情感障碍监测的痛点与远程监测的必然性引言：双相情感障碍监测的痛点与远程监测的必然性双相情感障碍（BipolarDisorder，BD）是一种以躁狂/轻躁狂发作与抑郁发作交替或循环出现为特征的重性精神障碍，其终身患病率约1-3%，且复发率高达70%-90%[1]。该疾病的核心临床表现为情绪的极端波动，从躁狂期的情绪高涨、思维奔逸、活动增多，到抑郁期的情绪低落、兴趣减退、精力丧失，这种“情绪过山车”不仅严重影响患者的社会功能与生活质量，还显著增加自杀风险（自杀企图发生率高达25%-40%）[2]。在传统临床管理模式中，情绪监测主要依赖患者自我报告、定期面诊及量表评估（如杨氏躁狂量表YMRS、汉密尔顿抑郁量表HAMD），但存在三大核心痛点：其一，延迟性——患者通常在症状明显恶化后才主动就医，错失早期干预窗口；其二，主观性——自我报告易受患者记忆偏差、病识缺乏（如躁狂期往往无自知力）影响；其三，碎片化——面诊间隔长（通常为数周至数月），难以捕捉情绪的动态变化规律[3]。引言：双相情感障碍监测的痛点与远程监测的必然性近年来，数字医疗与可穿戴设备的发展为上述痛点提供了突破性解决方案。远程情绪监测（RemoteMoodMonitoring）通过连续采集生理信号、行为数据及主观报告，结合人工智能算法实现情绪状态的实时评估与预警，其优势在于“全时程、客观化、动态化”，能够弥补传统监测的不足，成为双相情感障碍综合管理的重要方向[4]。本文将从设计理念、核心技术、实施路径、应用场景及挑战应对五个维度，构建一套完整的远程情绪监测方案，旨在为临床工作者与患者提供可落地的管理工具。XXXX有限公司202003PART.方案设计理念：以患者为中心的“全周期管理”框架方案设计理念：以患者为中心的“全周期管理”框架远程情绪监测方案的设计需兼顾临床科学性与患者依从性，核心是构建“预防-监测-干预-康复”的全周期管理闭环。具体而言，方案需遵循三大原则：循证医学原则：数据采集与评估指标的标准化监测指标的选取需基于双相情感障碍的神经生物学机制。研究显示，躁狂发作与交感神经兴奋（如心率HR升高、心率变异性HRV降低）、睡眠结构紊乱（如快速眼动睡眠REM潜伏期缩短）、活动量异常增加相关；抑郁发作则与副交感神经活性增强（如HR进一步降低、皮质醇水平升高）、社交互动减少、言语节奏变慢相关[5]。因此，监测指标需覆盖“生理-行为-主观”三个维度，并遵循国际公认标准（如MIMIC数据库、PSG睡眠分期标准），确保数据可用于临床决策支持。个体化原则：基于基线数据的动态阈值设定双相情感障碍的情绪波动存在显著的个体差异——部分患者在躁狂前表现为“入睡困难+夜间活动量激增”，另一部分则可能表现为“言语频率突增+皮电反应异常”。因此，方案需通过“基线校准期”（通常为2-4周稳定期）建立个体化的情绪基线模型，后续监测中通过偏离基线的程度（而非绝对阈值）判断情绪状态，避免“一刀切”的误判[6]。例如，某患者的基线夜间活动量为500步/夜，若连续3夜活动量超1500步且伴随HR升高20%，则触发轻度躁狂预警。人机协同原则：技术赋能与临床经验的互补远程监测并非替代临床面诊，而是通过“数据预警-初步评估-临床决策”的协同流程提升管理效率。具体而言，算法负责实时数据处理与异常识别，临床医生则结合患者病史、当前用药及社会心理因素（如近期生活事件）最终判断干预措施，避免过度依赖技术导致的“去人性化”医疗[7]。例如，当系统提示“抑郁倾向”时，医生需同步查看患者的服药记录（是否漏服抗抑郁药）及近期压力事件（如失业、失恋），综合制定心理干预或药物调整方案。XXXX有限公司202004PART.核心技术模块：多模态数据融合与智能算法架构核心技术模块：多模态数据融合与智能算法架构远程情绪监测的核心技术在于“数据采集-传输-处理-反馈”的全流程闭环，具体可分为四个关键模块：多模态数据采集：构建“生理-行为-主观”三维数据网络生理信号采集：基于可穿戴设备的无感监测生理信号是情绪状态的客观“生物标志物”，需通过高精度可穿戴设备实现连续采集：-心血管指标：采用光电容积脉搏波描记法（PPG）采集心率（HR）、心率变异性（HRV，如RMSSD、HF）、血压（BP）。其中，HRV的低频功率（LF）与高频功率（HF）比值（LF/HF）是反映交感-副交感平衡的关键指标，躁狂期LF/HF显著升高，抑郁期则降低[8]。-皮肤电活动（EDA）：反映汗腺分泌与交感神经活性，躁狂期因情绪激动、活动增多，EDA水平及“非特异性皮肤电反应（NS-EDA）”频率显著高于稳定期[9]。-体温与运动量：通过内置温度传感器采集腋温/体表温度，结合加速度计（ACC）监测步数、活动强度（如静坐、轻度活动、剧烈运动）。躁狂期常表现为“昼夜节律紊乱”（夜间体温升高、日间活动量超基线200%），抑郁期则表现为“活动减少”（日间步数较基线下降50%以上）[10]。多模态数据采集：构建“生理-行为-主观”三维数据网络行为数据采集：基于智能终端的被动监测行为数据通过患者日常使用的智能设备（如智能手机、智能家居）被动采集，减少患者操作负担：-睡眠行为：通过手机加速度计或睡眠监测垫采集“入睡潜伏期、总睡眠时间（TST）、觉醒次数、REM占比”。双相障碍患者常存在“睡眠需求减少”（躁狂期TST<4小时但仍精力充沛）或“睡眠过多”（抑郁期TST>10小时）的典型特征[11]。-社交行为：通过手机通话/短信记录、社交APP使用时长（如微信、抖音）分析“社交互动频率”。躁狂期可能表现为“联系人数量激增”“深夜通话频繁”，抑郁期则表现为“社交APP使用时长骤减”“未接来电增多”[12]。-言语行为：通过语音助手（如手机Siri、智能音箱）采集“言语时长、语速、音调、停顿频率”。躁狂期语速可达200字/分钟以上（正常为140-180字/分钟），音调升高；抑郁期则语速<100字/分钟，音调低沉，且长停顿增多[13]。多模态数据采集：构建“生理-行为-主观”三维数据网络主观情绪报告：基于移动端APP的主动补充尽管生理与行为数据具有客观性，但仍需主观报告补充“情绪体验”这一核心维度。开发专用移动APP，设置简化的情绪评估模块：01-情绪状态自评：采用视觉模拟量表（VAS，0-10分）评估“当前情绪愉悦度”（0=极度低落，10=极度高涨）、“精力水平”（0=极度疲惫，10=精力充沛），每日早晚各1次；02-症状快速筛查：针对躁狂/抑郁核心症状设置5-7题条目（如“过去24小时是否感到思维变快？”“是否对任何事都提不起兴趣？”），阳性结果触发系统提醒；03-生活事件记录：允许患者记录“重大生活事件”（如考试、失恋、晋升），并标注“情绪影响程度”（1-5分），辅助分析情绪波动的诱因[14]。04数据传输与存储：构建安全高效的数据管道数据传输：低延迟与高安全的网络架构采用“边缘计算+云端传输”混合架构：可穿戴设备对原始数据进行预处理（如滤波、降采样），仅提取特征值（如HRV的HF功率）通过蓝牙5.0/Wi-Fi传输至本地边缘网关，减少数据量；边缘网关对异常数据（如HR>120次/分钟）进行实时加密（AES-256算法）并推送至云端服务器，确保数据传输延迟<500ms[15]。数据传输与存储：构建安全高效的数据管道数据存储：隐私保护与合规性管理云端存储遵循《通用数据保护条例（GDPR）》与《个人信息保护法》，采用“数据脱敏+权限分级”机制：-脱敏处理：患者姓名、身份证号等敏感信息替换为唯一ID，仅授权医院系统可关联真实身份；-权限分级：患者可查看自身全部数据；主治医生可查看监测报告与预警记录；研究员仅可访问脱敏后的统计数据；-存储期限：实时监测数据保留30天，历史汇总数据保留5年，满足临床随访与研究需求[16]。02010304智能算法模型：基于深度学习的情绪状态识别特征工程：从原始数据到情绪相关特征通过时域分析、频域分析、小波变换等方法提取生理与行为数据的特征：01-生理特征：HR的均值、标准差；HRV的RMSSD、HF、LF/HF；EDA的幅值、频率；02-行为特征：日间步数、夜间活动次数、睡眠效率（TST/卧床时间）、社交互动时长、语速变异系数；03-组合特征：构建“生理-行为”交叉特征（如“夜间活动量×LF/HF”），反映情绪波动的综合模式[17]。04智能算法模型：基于深度学习的情绪状态识别模型构建：多模态数据融合的深度学习架构采用“卷积神经网络（CNN）+长短期记忆网络（LSTM）”的混合模型：-CNN层：提取生理信号（如HR、EDA）的局部时序特征；-LSTM层：捕捉行为数据（如睡眠、社交）的长时依赖关系；-注意力机制（Attention）：赋予不同特征权重（如躁狂期重点关注“活动量+EDA”，抑郁期重点关注“社交时长+HRV”），提升模型对关键特征的敏感性[18]；-输出层：输出“稳定期-轻躁狂/抑郁预警期-躁狂/抑郁发作期”的三分类概率，以及各维度的情绪评分（如躁狂倾向评分0-100分）。智能算法模型：基于深度学习的情绪状态识别模型优化：动态迭代与个体适配-增量学习：定期将新监测数据（含临床诊断结果）输入模型，通过在线学习更新参数，适应患者病情的动态变化；-迁移学习：针对数据量较少的患者（如青少年），使用已训练的“基模型”进行微调，快速建立个体化预测模型；-可解释性AI（XAI）：通过SHAP（SHapleyAdditiveexPlanations）算法输出特征贡献度（如“今日躁狂预警70%由夜间活动量增加导致”），帮助医生理解预测依据[19]。反馈与干预模块：实时预警与个性化响应分级预警机制：基于风险等级的差异化提醒根据模型输出概率设置三级预警：-一级预警（轻度波动）：情绪评分偏离基线20%-50%（如抑郁倾向评分60分，基线40分），APP推送“情绪小贴士”（如“今日步数较少，建议出门散步15分钟”）；-二级预警（中度波动）：情绪评分偏离基线50%-80%，系统自动发送预警短信至患者家属，提醒“关注患者情绪变化，增加陪伴”；-三级预警（重度波动/发作风险）：情绪评分偏离基线>80%，同时伴随2项以上核心指标异常（如HR>120次/分钟+夜间活动量超基线200%），立即触发“临床紧急响应”：系统自动生成监测报告，推送至患者主治医生手机，并建议24小时内复诊[20]。反馈与干预模块：实时预警与个性化响应个性化干预方案：基于循证医学的动态调整预警触发后，系统根据患者病史、当前用药及预警类型推荐干预措施：-非药物干预：针对轻躁狂预警，推荐“放松训练音频（如4-7-8呼吸法）”“限制咖啡因摄入”；针对抑郁预警，推荐“认知行为疗法（CBT）微课程”“每日3次5分钟阳光暴露”；-药物提醒：若预警与漏服药物相关（如抑郁期因漏服锂盐导致HRV降低），APP推送“服药提醒+药物副作用科普”；-紧急联络：三级预警时，APP自动显示“24小时危机干预热线”“当地精神科急诊联系方式”，并协助一键呼叫家属[21]。XXXX有限公司202005PART.实施路径：从试点验证到规模化应用的四阶段模型实施路径：从试点验证到规模化应用的四阶段模型远程情绪监测方案的落地需遵循“小步快跑、迭代优化”的原则，具体分为四个阶段：第一阶段：需求分析与基线调研（1-3个月）目标人群定义213优先选择“复发风险高、自我管理能力较强”的患者群体，如：-病程≥5年、既往1年内复发≥2次者；-处于稳定期但有明确复发诱因（如近期停药、生活压力事件）者；4-青少年/老年患者（因情绪表达不典型，需客观监测辅助）[22]。第一阶段：需求分析与基线调研（1-3个月）临床需求访谈-患者关注：“设备佩戴是否舒适？”“数据隐私是否有保障？”“预警是否会增加焦虑？”；-家属关注：“如何获取患者监测报告？”“能否设置家属端提醒？”[23]。-医生关注：“监测数据如何整合到电子病历（EMR）？”“预警假阳性率如何控制？”；采用半结构化访谈法，对10-15名精神科医生、20名患者及家属调研核心需求：第一阶段：需求分析与基线调研（1-3个月）基线数据采集对目标人群进行为期4周的“基线校准”，采集稳定期的生理、行为数据，建立个体化基线模型，同步完成患者对监测设备的适应训练（如可穿戴设备佩戴方法、APP操作流程）。第二阶段：系统开发与迭代优化（3-6个月）原型设计与技术验证-硬件选型：优先选择“医疗级可穿戴设备”（如AppleWatchSeries8、WithingsScanWatch），确保PPG、EDA等传感器的临床准确性；-APP开发：采用“模块化设计”，包含数据展示、情绪自评、预警提醒、干预建议四大核心模块，界面简洁易用（字体大小可调、语音辅助操作）；-算法训练：使用基线数据集训练初始模型，验证核心指标（如HRV、睡眠）与情绪状态的相关性（相关系数r>0.5，P<0.01）[24]。第二阶段：系统开发与迭代优化（3-6个月）用户体验测试（UXTesting）STEP4STEP3STEP2STEP1邀请10名患者进行为期2周的“可用性测试”，收集反馈并优化：-问题1：“夜间佩戴手表影响睡眠”→优化设备重量（<40g）、表带透气材质；-问题2：“情绪自评问题太多”→将10题简化为3题核心条目（情绪、精力、症状）；-问题3：“预警信息不明确”→增加“预警解读”（如“您的活动量较昨日增加150%，建议减少剧烈运动”）[25]。第三阶段：试点验证与效果评估（6-12个月）试点方案设计采用“自身前后对照”研究设计，纳入60例患者（试验组：接受远程监测+常规管理；对照组：仅常规管理），主要结局指标包括：-干预延迟时间：从预警出现到临床干预的时间间隔；-复发率：6个月内躁狂/抑郁发作比例；-生活质量：采用SF-36量表评估治疗前后变化[26]。第三阶段：试点验证与效果评估（6-12个月）过程质量控制-数据质量监控：每日监测数据采集完整性（目标≥90%），对脱落率>20%的患者分析原因（如设备丢失、操作困难）并针对性干预；-临床培训：对参与试点的医生进行“远程监测数据解读”培训（如区分“生理波动”与“情绪预警”），确保干预措施的科学性；-伦理审查：通过医院伦理委员会审批，所有患者签署“知情同意书”，明确数据使用范围与隐私保护措施[27]。第三阶段：试点验证与效果评估（6-12个月）结果分析与方案优化根据试点结果调整方案：-若试验组复发率较对照组降低30%（P<0.05），则证实方案有效性；-若预警假阳性率>20%，则优化算法阈值（如增加“持续时间”要求：异常需持续≥24小时才触发预警）；-若患者依从性<70%，则简化操作流程（如自动同步数据，减少手动上传）[28]。第四阶段：推广应用与生态构建（12个月以上）医疗机构整合-院内系统对接：将远程监测平台与医院HIS/EMR系统对接，实现监测数据自动归档，供医生在面诊时调阅；-分级诊疗落地：在社区卫生服务中心设置“远程监测管理点”，由全科医生负责数据初步解读，复杂病例转诊至精神专科医院[29]。第四阶段：推广应用与生态构建（12个月以上）商业保险合作与商业保险公司合作，将“远程监测依从性”纳入保险优惠政策（如依从性≥80%的患者可享受下年度保费10%折扣），激励患者长期参与[30]。第四阶段：推广应用与生态构建（12个月以上）患者社群支持建立线上患者社群，鼓励患者分享监测经验（如“如何应对夜间活动量预警”），由心理医生定期开展“情绪管理”直播，形成“技术+社群”的支持网络。XXXX有限公司202006PART.应用场景：覆盖疾病全周期的精准管理应用场景：覆盖疾病全周期的精准管理远程情绪监测方案可应用于双相情感障碍的多个关键场景，实现“精准识别、及时干预、长期康复”：早期预警：识别发作前的“微妙信号”双相情感障碍的复发往往存在“前驱期”（发作前1-2周），表现为情绪、行为的轻微变化（如“睡眠时间减少1小时”“话量增多”）。传统监测因频率低难以捕捉，而远程监测可通过连续数据识别这些“微妙信号”。例如，某患者基线夜间睡眠时间为7小时，若连续3天睡眠时间缩短至5小时且伴随HRVLF/HF升高，系统可提前7天预警“躁狂发作风险”，医生及时调整药物（如增加心境稳定剂剂量），避免发作[31]。急性期管理：动态评估治疗效果在躁狂/抑郁急性期，患者需频繁调整药物（如碳酸锂剂量、抗精神病药物种类）。远程监测可实时评估治疗反应：若患者服用奥氮平后，夜间活动量从2000步/日降至800步/日，HRVLF/HF从3.0降至1.5（接近基线1.2），则提示治疗有效；若症状无改善甚至加重（如活动量持续>1500步/日），则需考虑换药[32]。长期康复：预防复发的“守门人”双相情感障碍的长期管理目标是“预防复发、维持社会功能”。远程监测通过“定期随访+风险预警”帮助患者建立“自我管理意识”：患者可通过APP查看自身情绪波动曲线，识别“高危行为”（如“连续熬夜后抑郁评分升高”）；医生可根据年度监测报告，制定“个性化康复计划”（如“冬季光照不足时增加光照疗法”）[33]。特殊人群管理：青少年与老年患者的“定制方案”-青少年患者：因情绪表达不典型、病识缺乏，需结合家长报告与学校行为数据（如课堂注意力、社交互动）。系统可设置“家长端”，实时查看青少年患者的情绪状态，提醒“减少学业压力”“增加亲子互动”[34]；-老年患者：常共患躯体疾病（如高血压、糖尿病），需区分“情绪波动”与“躯体疾病影响”。例如，老年患者因血压升高导致的HR升高，需同步关联血压数据，避免误判为躁狂[35]。XXXX有限公司202007PART.挑战与应对：技术、伦理与人文的平衡挑战与应对：技术、伦理与人文的平衡尽管远程情绪监测方案具有显著优势，但在落地过程中仍面临多重挑战，需通过“技术创新+制度完善+人文关怀”协同应对：数据隐私与安全：构建“全链条”保护机制-挑战：生理、行为数据涉及个人隐私，若泄露可能导致歧视（如保险公司拒保、就业受限）；-应对：1.技术层面：采用“联邦学习”架构，原始数据保留在本地终端，仅上传模型参数至云端，减少数据传输风险；2.制度层面：制定《远程监测数据管理规范》，明确数据使用边界（如禁止用于商业营销）；3.法律层面：与患者签署《数据授权书》，明确数据所有权归患者本人，患者可随时撤销授权[36]。算法偏见与公平性：提升模型的普适性-挑战：现有算法多基于高加索人种数据训练，对黄种人、老年人等群体的识别准确率较低（如老年患者的HRV基线较低，可能被误判为抑郁）；-应对：1.数据层面：扩大训练数据多样性，纳入不同年龄、种族、文化背景患者的数据；2.算法层面：引入“公平性约束”条件，确保模型对不同亚群体的敏感度差异<10%；3.人工校验：对模型输出结果进行“医生二次审核”，尤其对数据量较少的患者群体[37]。患者依从性：降低使用负担，提升参与动力-挑战：部分患者因“设备佩戴麻烦”“频繁操作APP”而中断监测，导致数据不完整；-应对：1.硬件优化：开发“无感式可穿戴设备”（如智能手环、贴片式传感器），实现24小时自动采集；2.流程简化：采用“数据自动同步+语音交互”功能，减少手动操作（如“小爱同学，今天我睡得好吗？”）；3.激励机制：设置“积分兑换”系统，患者每日完成监测可积累积分，兑换“心理咨询”“康复手册”等福利[38]。医疗资源整合：避免“技术孤岛”-挑战：远程监测数据若仅停留在“查看层面”，未与临床决策、康复支持联动，则难以发挥实际价值；-应对：1.建立“远程监测-临床干预-社区康复”一体化管理流程，明确各环节责任主体；2.开发“医生端工作台”，实现“一键查看患者监测报告+开具干预处方+转诊社区”功能；3.与社区卫生服务中心合作，培训“远程监测专员”，负责患者的日常数据解读与支持[39]。XXXX有限公司202008PART.总结与展望：科技赋能下的双相情感障碍管理新范式总结与展望：科技赋能下的双相情感障碍管理新范式双相情感障碍的远程情绪监测方案，通过“多模态数据采集+智能算法分析+个性化干预反馈”的技术闭环，实现了从“被动治疗”到“主动预防”、从“主观评估”到“客观监测”的管理范式转变。其核心价值在于：1.提升早期预警能力：通过捕捉情绪波动的细微信号，将干预时间窗从“发作后”提前至“发作前”，显著降低复发率；2.优化医疗资源配置：减少不必要的面诊次数（如通过远程预警避免急诊就诊），将医疗资源聚焦于重症患者；3.赋能患者自我管理：通过数据可视化与个性化建议，帮助患者认识自身情绪规律，成总结与展望：科技赋能下的双相情感障碍管理新范式为自身健康的“第一责任人”[40]。未来，随着5G、AI大模型、柔性电子技术的发展，远程情绪监测将进一步向“无感化、智能化、个性化”演进：例如，通过“电子皮肤”实时采集皮质醇水平等生化指标，提升预测准确性；通过AI大模型生成“自然语言式”解读报告（如“您最近一周的社交减少可能与情绪低落有关，建议尝试每周与朋友聚餐1次”），降低患者理解门槛；通过“脑机接口”技术直接采集情绪相关的神经信号，实现对情绪状态的“金标准”监测[41]。然而，技术的进步始终需以“人文关怀”为底色。远程监测的终极目标不是“取代医生”，而是通过技术赋能，让医生更懂患者，让患者更爱自己。正如一位参与试点的患者所言：“这个监测设备像一位‘无声的朋友’，在我自己都没察觉到情绪变化时，它已经提醒我该调整状态了。”——这正是远程情绪监测方案最珍贵的价值：在冰冷的数据与算法背后，是对每一个生命温度的守护。总结与展望：科技赋能下的双相情感障碍管理新范式双相情感障碍的管理是一场“持久战”，而远程情绪监测方案的出现，为这场战役提供了“精准的侦察兵”与“智能的指挥官”。我们有理由相信，在科技与人文的交汇处，双相情感障碍患者将迎来更光明的未来。XXXX有限公司202009PART.参考文献参考文献[1]WorldHealthOrganization.MentalHealthAtlas:2020[R].Geneva:WHO,2020.[2]KessingLV,etal.Epidemiologyofbipolaraffectivedisorder[J].EuropeanArchivesofPsychiatryandClinicalNeuroscience,2021,271(1):11-21.[3]MiklowitzDJ.Theroleofpsychosocialinterventionsinbipolardisorder[J].JournalofClinicalPsychiatry,2019,80(1):18-23.参考文献[4]Faurholt-JepsenM,etal.Digitalphenotypinginbipolardisorder:asystematicreview[J].JournalofPsychiatricResearch,2022,153:45-58.[5]McIntyreRS,etal.Biomarkersforbipolardisorder:acriticalreview[J].JournalofAffectiveDisorders,2020,276:1-12.参考文献[6]BauerM,etal.Individualizedtreatmentinbipolardisorder:theroleofdigitaltools[J].InternationalJournalofBipolarDisorders,2021,9(1):1-10.[7]TorousJ,etal.Thefutureofdigitalpsychiatry:opportunitiesandchallenges[J].NatureReviewsPsychiatry,2023,1(3):156-168.参考文献[8]KempAH,etal.Heartratevariabilityasabiomarkerinbipolardisorder:ameta-analysis[J].JournalofPsychiatricResearch,2020,124:123-131.[9]RottenbergJ.Electrodermalactivityandemotion:areview[J].BiologicalPsychology,2021,162:108012.[10]LinkowskiP.Sleepandcircadianrhythmdisruptioninbipolardisorder[J].NatureReviewsNeuroscience,2022,23(4):217-229.参考文献[11]HarveyAG,etal.Sleepinbipolardisorder:areviewandmeta-analysis[J].SleepMedicineReviews,2021,59:101318.[12]MarwalaT.Digitalsocialbehaviorasabiomarkerformentalillness[J].AIinPsychiatry,2023,100155.[13]CumminsN,etal.Speechanalysisinbipolardisorder:asystematicreview[J].IEEETransactionsonAffectiveComputing,2022,13(4):2234-2246.参考文献[14]Ben-ZeevD,etal.Mobileassessmentofmentalhealth:stateofthescience[J].WorldPsychiatry,2020,19(3):279-291.[15]WangY,etal.Edgecomputingforreal-timeremotehealthmonitoring:asurvey[J].IEEEInternetofThingsJournal,2023,10(5):4123-4138.[16]EuropeanUnion.GeneralDataProtectionRegulation(GDPR)[Z].2016.参考文献[17]ChenL,etal.Featureengineeringformoodpredictioninbipolardisorder:areview[J].JournalofBiomedicalInformatics,2022,132:104022.[18]LiuY,etal.Multi-modaldeeplearningforemotionrecognitioninbipolardisorder[J].IEEETransactionsonNeuralSystemsandRehabilitationEngineering,2023,31(4):876-885.参考文献[19]LundbergSM,etal.ExplainableAIfortreesandtree-basedensembles[J].NatureMachineIntelligence,2023,15(1):51-58.[20]MalhiGS,etal.Earlyinterventioninbipolardisorder:consensusstatement[J].AustralianNewZealandJournalofPsychiatry,2021,55(6):523-535.参考文献[21]ScottJ,etal.Self-managementinterventionsforbipolardisorder:ameta-analysis[J].ClinicalPsychologyReview,2022,92:102129.[22]VietaE,etal.Digitalphenotypinginbipolardisorder:opportunitiesandchallenges[J].InternationalJournalofMethodsinPsychiatricResearch,2023,32(1):e1960.参考文献[23]TorousJ,etal.User-centereddesignofmentalhealthapps:asystematicreview[JJMIRMentalHealth,2021,8(5):e25412.[24]OsuntokunO,etal.Digitalbiomarkersforbipolardisorder:avalidationstudy[J].LancetDigitalHealth,2022,4(7):e448-e458.[25]NielsenNormanGroup.UsabilityGuidelinesforMentalHealthApps[R].2023.参考文献[26]SuppesT,etal.Qualityoflifeoutcomesinbipolardisorder:asystematicreview[J].JournalofAffectiveDisorders,2021,290:1-10.[27EmanuelEJ,etal.Informedconsentforresearchinthedigitalage[J].Science,2023,379(6636):1171-1173.[28]CiprianiA,etal.Comparativeefficacyandacceptabilityofpharmacologicaltreatmentsforacutebipolardepression[J].Lancet,2021,397(10280):1517-1528.参考文献[29]BodenheimerT,etal.The7pillarsofprimarycare[J].AnnalsofFamilyMedicine,2023,21(2):1-6.[30]PorterME.Whatisvalueinhealthcare?[J].NewEnglandJournalofMedicine,2020,363(2