Психиатрия Всемирная психиатрия
№01 2019
Использование биобихевиоральных технологий для эффективного исследования негативных симптомов №01 2019
Номера страниц в выпуске:104-105
С момента появления нейролептиков и до настоящего времени негативные симптомы являются основным компонентом шизофрении и связаны с неблагоприятными клиническими исходами (с точки зрения восстановления, качества жизни, субъективного благополучия).
С момента появления нейролептиков и до настоящего времени негативные симптомы являются основным компонентом шизофрении и связаны с неблагоприятными клиническими исходами (с точки зрения восстановления, качества жизни, субъективного благополучия). Они часто являются одним из первых маркеров риска развития заболевания, возникают на преморбидной и продромальной стадиях и у многих пациентов остаются стабильными на протяжении всего первого эпизода и хронических фаз заболевания1. К сожалению, механизмы, лежащие в основе этих симптомов, мало изучены, и доступные в настоящее время методы лечения являются неудовлетворительными и в большей степени паллиативными2.
На сегодняшний день наше понимание негативных симптомов почти полностью зависит от психометрических шкал клинических оценок. В течение последних нескольких десятилетий появилась литература, описывающая «биобихевиоральные» технологии для измерения негативных симптомов на основании анализа объективных голосовых, речевых, мимических, электрофизиологических, нейробиологических данных, жестикуляции, данных о принятии решений, времени, необходимого для реакции.
В то время как клинические оценки выявляют порядка от трех до семи среднеквадратичных отклонений у психиатрических пациентов по сравнению с контрольными группами1,3, групповые различия в биобихевиоральных оценках, измеряющих лежащие в их основе конструкции, значительно меньше, а то и вовсе отсутствуют. Например, несмотря на серьезные клинически оцениваемые аномалии пациента, например, алогию, притупление аффекта, ангедонию и абулию1,3,4, проведение компьютеризированного речевого анализа, оценка гедонистического опыта и мотиваций часто обнаруживают незначительные отклонения от нормы5,6.
Кроме того, биобихевиоральные оценки часто показывают удивительно ограниченные и незначительные корреляции с концептуально перекрывающимися оценками негативных симптомов6,7 или аналогичными корреляциями с широким спектром оценки позитивных симптомов8. Хотя статистическая значимость может быть указана в отдельных исследованиях для конкретных биобихевиоральных возможностей, результаты часто не повторяются в разных исследованиях, и величина эффектов, как правило, значительно ниже уровней, указывающих на приемлемую конвергентную валидность3.
В свете этой удивительно низкой конвергенции между клиническими оценками и биобихевиоральными технологиями, заманчиво принять одну из двух как лучшую для измерения негативных симптомов. Клинические рейтинги имеют тенденцию быть согласованными среди обученного персонала, проводящего оценку (то есть надежны), и связаны с широким диапазоном важных клинических переменных (то есть достоверны). С другой стороны, биобихевиоральные технологии демонстрируют почти идеальную надежность (при условии статической записи) и играют важную роль в современной биометрии для измерения тех человеческих функций, которые могут лежать в основе негативных симптомов. Так как же клинические оценки и биобихевиоральные технологии могут быть одновременно «надежными» и «действительными» в измерении негативных симптомов, но при этом демонстрировать столь удивительно скромную конвергенцию?
Клинические оценки и биобихевиоральные технологии принципиально отличаются в том, как они оценивают негативные симптомы. Клинические рейтинги отражают интеграцию огромного количества сложных потоков данных в динамических условиях. Например, используя клинические рейтинговые шкалы, врач-клиницист может получить общее порядковое значение (например, «умеренное») в отношении притупления аффекта из очень сложного «спектра» голосовых, речевых, мимических данных и жестикуляции, которые колеблются с течением времени, в ходе расспросов и изменения окружающей среды.
К сожалению, индивидуальный рейтинг негативных симптомов не может быть систематически «уменьшен» для количественной оценки. Например, разбор клинически оцененного притупления аффекта оказывается невозможным с точки зрения того, какой именно психомоторный канал был патологичен, когда он был патологичен или какие факторы влияли на проявление отклонения. В отличие от этого биобихевиоральные технологии дают возможность точно количественно оценить непрерывные потоки высокоспецифичных речевых, мимических и жестикуляционных данных, а также изолировать, масштабировать и интегрировать их множеством способов.
К сожалению, неясно, как лучше всего это сделать. Какие из тысяч потенциальных критериев, рассчитанных, например, на основе голосового анализа, следует использовать и как их следует оценивать, если они противоречат друг другу? Должен ли компьютеризированный анализ лица отражать полную статистику в течение всего интервью? Или только когда пациенты говорят? Во время ключевых временных периодов или после конкретных вопросов? Образно говоря, клиническая оценка открывает нам вид на лес за счет возможности видеть деревья, в то время как биобихевиоральные технологии – наоборот.
В идеале, должен бы быть способ, который позволял бы измерить негативные симптомы путем объединения клинических оценок «с низким разрешением», но «экологически обоснованных», с биобихевиоральными данными, обладающими «высоким разрешением» и «головокружительной сложностью». В вычислительной психиатрии, в более общем плане, в настоящее время появляется новая литература по «большим массивам данных», моделирующая различные клинические диагнозы и оценки с использованием биобихевиоральных особенностей. В рамках этих исследований модели, как правило, строятся и оптимизируются с использованием одного биобихевиорального канала без учета других каналов, а также временных, контекстных или других динамических факторов.
В то время как сообщается о впечатляющих показателях точности, модели, описанные в литературе, еще не вышли за рамки «экспериментальных» и, по-видимому, не очень хорошо подходят для моделирования негативных симптомов. Это связано с тем, что оценки врачей, как правило, получены из нескольких поведенческих областей, и трудно оценить даже одну из них без учета контекста. Например, неспособность пациента использовать скуловую мышцу, нарушения спонтанности речи или особенности системы вознаграждения могут быть истолкованы как отклоняющиеся от нормы, только если принять во внимание контекст. В конце концов, здоровые люди тоже активно не улыбаются, не разговаривают и не испытывают радость большую часть своего дня. Еще более усложняет эту проблему тот факт, что поведение, лежащее в основе негативных симптомов, сильно различается в зависимости от факторов развития нервной системы и культурных особенностей. Таким образом, нормы, касающиеся улыбки, разговоров и переживаний радости, очень трудно определить.
Итак, как может развиваться моделирование негативных симптомов на основе биобихевиорального подхода? Технологические и программные системы развиваются так, что они становятся более доступными, надежными, высокочувствительными и ненавязчивыми, с высоким потенциалом для крупномасштабного международного сбора данных в широком диапазоне поведенческих областей. Это позволяет собирать биобихевиоральные данные, которые выходят далеко за пределы искусственных границ клиник или исследовательских лабораторий. Существующие подходы к оценке могут дополнить экологичные моментальные и удобные методы, такие как геолокация, пассивная запись голоса, отслеживание активности и анализ в социальных сетях, могут дополнять существующие подходы к измерению.
В настоящее время предпринимаются меры по валидизации этих технологий для понимания негативных симптомов. Однако интеграция и понимание этих данных сетью, которая может обрабатывать динамические и контекстно-динамические данные, является сложным вычислительным препятствием. Относительно упрощенные «нейросети» и динамические алгоритмы разрабатываются для многих важных функций человека и расширяют область понимания многоуровневых сетей («networks of networks») для моделирования сложных взаимодействий (например, «сетевая медицина»)9.
В целом, существующие клинические оценочные показатели обеспечивают уровень точности, который не способствовал продвижению в понимании основных механизмов и разработке избирательного лечения негативных симптомов. Это отражает проблему «масштабируемости», которая потенциально может быть решена путем моделирования клинических оценок с помощью многомерных потоков биобихевиоральных данных.
Разработка биобихевиоральных моделей может помочь точно определить нейробиологические механизмы и механизмы патогенеза, модифицировать их в режиме реального времени с помощью биобихевиоральной обратной связи, а также разработать, протестировать и индивидуализировать избирательные психосоциальные и фармакологические воздействия для уменьшения степени влияния этих механизмов, а в идеале, и разработать новые методы лечения.
Точное моделирование негативных симптомов является сложной и захватывающей вычислительной задачей, которая может продвинуть междисциплинарные науки и объединить исследователей, пациентов и их близких со всего мира.
Перевод: Симонов Р.В. (Санкт-Петербург)
Редактура: к.м.н. Руженкова В.В. (Белгород)
(World Psychiatry 2019;18(1):103-104)
DOI: 10.1002/wps.20593
На сегодняшний день наше понимание негативных симптомов почти полностью зависит от психометрических шкал клинических оценок. В течение последних нескольких десятилетий появилась литература, описывающая «биобихевиоральные» технологии для измерения негативных симптомов на основании анализа объективных голосовых, речевых, мимических, электрофизиологических, нейробиологических данных, жестикуляции, данных о принятии решений, времени, необходимого для реакции.
В то время как клинические оценки выявляют порядка от трех до семи среднеквадратичных отклонений у психиатрических пациентов по сравнению с контрольными группами1,3, групповые различия в биобихевиоральных оценках, измеряющих лежащие в их основе конструкции, значительно меньше, а то и вовсе отсутствуют. Например, несмотря на серьезные клинически оцениваемые аномалии пациента, например, алогию, притупление аффекта, ангедонию и абулию1,3,4, проведение компьютеризированного речевого анализа, оценка гедонистического опыта и мотиваций часто обнаруживают незначительные отклонения от нормы5,6.
Кроме того, биобихевиоральные оценки часто показывают удивительно ограниченные и незначительные корреляции с концептуально перекрывающимися оценками негативных симптомов6,7 или аналогичными корреляциями с широким спектром оценки позитивных симптомов8. Хотя статистическая значимость может быть указана в отдельных исследованиях для конкретных биобихевиоральных возможностей, результаты часто не повторяются в разных исследованиях, и величина эффектов, как правило, значительно ниже уровней, указывающих на приемлемую конвергентную валидность3.
В свете этой удивительно низкой конвергенции между клиническими оценками и биобихевиоральными технологиями, заманчиво принять одну из двух как лучшую для измерения негативных симптомов. Клинические рейтинги имеют тенденцию быть согласованными среди обученного персонала, проводящего оценку (то есть надежны), и связаны с широким диапазоном важных клинических переменных (то есть достоверны). С другой стороны, биобихевиоральные технологии демонстрируют почти идеальную надежность (при условии статической записи) и играют важную роль в современной биометрии для измерения тех человеческих функций, которые могут лежать в основе негативных симптомов. Так как же клинические оценки и биобихевиоральные технологии могут быть одновременно «надежными» и «действительными» в измерении негативных симптомов, но при этом демонстрировать столь удивительно скромную конвергенцию?
Клинические оценки и биобихевиоральные технологии принципиально отличаются в том, как они оценивают негативные симптомы. Клинические рейтинги отражают интеграцию огромного количества сложных потоков данных в динамических условиях. Например, используя клинические рейтинговые шкалы, врач-клиницист может получить общее порядковое значение (например, «умеренное») в отношении притупления аффекта из очень сложного «спектра» голосовых, речевых, мимических данных и жестикуляции, которые колеблются с течением времени, в ходе расспросов и изменения окружающей среды.
К сожалению, индивидуальный рейтинг негативных симптомов не может быть систематически «уменьшен» для количественной оценки. Например, разбор клинически оцененного притупления аффекта оказывается невозможным с точки зрения того, какой именно психомоторный канал был патологичен, когда он был патологичен или какие факторы влияли на проявление отклонения. В отличие от этого биобихевиоральные технологии дают возможность точно количественно оценить непрерывные потоки высокоспецифичных речевых, мимических и жестикуляционных данных, а также изолировать, масштабировать и интегрировать их множеством способов.
К сожалению, неясно, как лучше всего это сделать. Какие из тысяч потенциальных критериев, рассчитанных, например, на основе голосового анализа, следует использовать и как их следует оценивать, если они противоречат друг другу? Должен ли компьютеризированный анализ лица отражать полную статистику в течение всего интервью? Или только когда пациенты говорят? Во время ключевых временных периодов или после конкретных вопросов? Образно говоря, клиническая оценка открывает нам вид на лес за счет возможности видеть деревья, в то время как биобихевиоральные технологии – наоборот.
В идеале, должен бы быть способ, который позволял бы измерить негативные симптомы путем объединения клинических оценок «с низким разрешением», но «экологически обоснованных», с биобихевиоральными данными, обладающими «высоким разрешением» и «головокружительной сложностью». В вычислительной психиатрии, в более общем плане, в настоящее время появляется новая литература по «большим массивам данных», моделирующая различные клинические диагнозы и оценки с использованием биобихевиоральных особенностей. В рамках этих исследований модели, как правило, строятся и оптимизируются с использованием одного биобихевиорального канала без учета других каналов, а также временных, контекстных или других динамических факторов.
В то время как сообщается о впечатляющих показателях точности, модели, описанные в литературе, еще не вышли за рамки «экспериментальных» и, по-видимому, не очень хорошо подходят для моделирования негативных симптомов. Это связано с тем, что оценки врачей, как правило, получены из нескольких поведенческих областей, и трудно оценить даже одну из них без учета контекста. Например, неспособность пациента использовать скуловую мышцу, нарушения спонтанности речи или особенности системы вознаграждения могут быть истолкованы как отклоняющиеся от нормы, только если принять во внимание контекст. В конце концов, здоровые люди тоже активно не улыбаются, не разговаривают и не испытывают радость большую часть своего дня. Еще более усложняет эту проблему тот факт, что поведение, лежащее в основе негативных симптомов, сильно различается в зависимости от факторов развития нервной системы и культурных особенностей. Таким образом, нормы, касающиеся улыбки, разговоров и переживаний радости, очень трудно определить.
Итак, как может развиваться моделирование негативных симптомов на основе биобихевиорального подхода? Технологические и программные системы развиваются так, что они становятся более доступными, надежными, высокочувствительными и ненавязчивыми, с высоким потенциалом для крупномасштабного международного сбора данных в широком диапазоне поведенческих областей. Это позволяет собирать биобихевиоральные данные, которые выходят далеко за пределы искусственных границ клиник или исследовательских лабораторий. Существующие подходы к оценке могут дополнить экологичные моментальные и удобные методы, такие как геолокация, пассивная запись голоса, отслеживание активности и анализ в социальных сетях, могут дополнять существующие подходы к измерению.
В настоящее время предпринимаются меры по валидизации этих технологий для понимания негативных симптомов. Однако интеграция и понимание этих данных сетью, которая может обрабатывать динамические и контекстно-динамические данные, является сложным вычислительным препятствием. Относительно упрощенные «нейросети» и динамические алгоритмы разрабатываются для многих важных функций человека и расширяют область понимания многоуровневых сетей («networks of networks») для моделирования сложных взаимодействий (например, «сетевая медицина»)9.
В целом, существующие клинические оценочные показатели обеспечивают уровень точности, который не способствовал продвижению в понимании основных механизмов и разработке избирательного лечения негативных симптомов. Это отражает проблему «масштабируемости», которая потенциально может быть решена путем моделирования клинических оценок с помощью многомерных потоков биобихевиоральных данных.
Разработка биобихевиоральных моделей может помочь точно определить нейробиологические механизмы и механизмы патогенеза, модифицировать их в режиме реального времени с помощью биобихевиоральной обратной связи, а также разработать, протестировать и индивидуализировать избирательные психосоциальные и фармакологические воздействия для уменьшения степени влияния этих механизмов, а в идеале, и разработать новые методы лечения.
Точное моделирование негативных симптомов является сложной и захватывающей вычислительной задачей, которая может продвинуть междисциплинарные науки и объединить исследователей, пациентов и их близких со всего мира.
Перевод: Симонов Р.В. (Санкт-Петербург)
Редактура: к.м.н. Руженкова В.В. (Белгород)
(World Psychiatry 2019;18(1):103-104)
DOI: 10.1002/wps.20593
Список исп. литературыСкрыть список1. Marder SR, Galderisi S. World Psychiatry 2017;16:14‐24.
2. Miyamoto S, Miyake N, Jarskog LF et al. Mol Psychiatry 2012;17: 1206‐27.
3. Cohen AS, Mitchell KR, Elvevåg B. Schizophr Res 2014;159:533‐8.
4. Cohen AS, Najolia GM, Brown LA et al. Clin Psychol Rev 2011;31: 440‐8.
5. Green MF, Horan WP, Barch DM et al. Schizophr Bull 2015;41: 1035‐44.
6. Cohen AS, Mitchell KR, Docherty NM et al. J Abnorm Psychol 2016; 125:299‐309.
7. Cohen AS, Mitchell KR, Strauss GP et al. Schizophr Res 2017; 188:141‐3.
8. Kring AM, Gur RE, Blanchard JJ et al. Am J Psychiatry 2013;170: 165‐72.
9. Barabási AL, Gulbahce N, Loscalzo J. Nat Rev Genet 2011;12:56‐68.