Систематическое исследование цифровых биомаркеров для выявления депрессивных эпизодов при биполярном расстройстве

Почему ваш телефон и кольцо могут указать на спад

Для многих людей с биполярным расстройством депрессивные эпизоды могут казаться внезапными, нарушая работу, отношения и повседневную жизнь. Это исследование задаёт простой, но важный вопрос: могут ли шаблоны в повседневных данных — от носимого кольца, отслеживающего активность и сон, и очень коротких ежедневных самооценок настроения — надёжно сигнализировать о переходе человека из стабильного состояния в депрессию? Если да, то технологии, которые люди уже носят с собой, могли бы помочь пациентам и клиницистам реагировать раньше, задолго до того, как кризис потребует вмешательства.

Наблюдение за реальной жизнью в течение месяцев, а не минут

Исследователи наблюдали 133 взрослых с биполярным расстройством I или II типа в среднем около восьми месяцев. Участники носили Oura ring — коммерчески доступное устройство, которое постоянно регистрирует движение и сон, — и ежедневно отправляли очень краткие оценки своего настроения, энергии и тревоги по электронной почте. Раз в неделю они также заполняли стандартную клиническую шкалу депрессии. На основе этих еженедельных анкет команда отмечала, когда участник входил в депрессивный эпизод — определённый как по крайней мере две подряд недели с клинически значимыми симптомами — и когда находился в стабильном, эвтимическом состоянии. Так были созданы длинные, детальные «потоки» поведения и ощущений в хорошие и плохие периоды.

Преобразование тысяч точек данных в несколько ясных сигналов

Из сырых данных учёные выделили 49 базовых переменных (таких как ежедневная активность шагов, время засыпания и средняя оценка настроения) на нескольких временных масштабах, а затем извлекли семь математических дескрипторов поведения каждой переменной во времени. Эти дескрипторы отражали не только уровни, но и то, насколько показатель колебался изо дня в день, насколько экстремальными были эти колебания и насколько один день был похож на другой. В результате получилось 343 кандидата в «цифровые биомаркеры», описывающие шаблоны сна, активности и самооценок настроения, энергии и тревоги. Затем использовали интерпретируемые методы машинного обучения — алгоритмы, которые позволяют и классифицировать шаблоны, и выявлять, какие входные данные имеют наибольшее значение — чтобы определить, какие комбинации лучше всего отделяют депрессивные дни от стабильных.

Как депрессия проявлялась в ежедневных паттернах

Среди всех сигналов самые сильные одиночные источники информации оказались ежедневные самооценки. Модели, использовавшие только три ежедневных ползунка для настроения, энергии и тревоги, с высокой точностью разделяли депрессивные эпизоды и стабильные периоды (площадь под ROC-кривой около 0,82, где 1,0 — идеально, а 0,5 — не лучше случайности). В период депрессии люди давали явно более низкие оценки настроения и энергии. Одновременно их показатели изменялись в ограниченном низком диапазоне — что породило статистический паттерн, который авторы называют парадоксом относительной–абсолютной изменчивости: настроение и энергия выглядели более «переменчивыми», если смотреть относительно их низкого среднего, но в абсолютных значениях люди оставались стабильно подавленными и «застрявшими». Иными словами, депрессия в этом исследовании напоминала продолжительную плоскую долину, а не резкие взлёты и падения.

Тонкие изменения в движении и сне тоже важны

Даже без самооценок носимое кольцо давало полезные подсказки. Депрессивные эпизоды связывались с меньшей ежедневной вариативностью общей активности — уровни движения были более равномерно низкими. Сон также менялся: время засыпания варьировалось более хаотично из ночи в ночь, тогда как показатели глубокого сна склонялись к меньшему числу экстремальных скачков. Хотя модели на основе активности и сна были менее точны, чем модели с ежедневными оценками настроения, они всё же превосходили случайность и были устойчивы в ряде статистических проверок, что подразумевает: ритмы организма сами по себе становятся более жёсткими и менее адаптивными в депрессивные фазы.

От описания к системам раннего предупреждения

Авторы подчёркивают, что это ранний, но важный шаг: работа сосредоточена на точном описании, когда человек находится в депрессии, а не ещё на прогнозировании эпизодов до их начала. Тем не менее формируемая картина интуитивно узнаваема: в период депрессии люди чувствуют себя стабильно хуже и менее энергичными, двигаются меньше и однообразнее и чаще сталкиваются с нерегулярным временем отхода ко сну. Поскольку ключевые цифровые биомаркеры, выявленные в исследовании, относительно просты — ежедневная изменчивость настроения, активности и времени засыпания — их в перспективе можно встроить в приложения или клинические панели. Для пациентов это могло бы означать, что телефон и кольцо незаметно отслеживают эти шаблоны в фоновом режиме и предупреждают их и их врача, когда повседневные ритмы начинают напоминать прошлые депрессии, открывая путь к более своевременной и персонализированной помощи.

Цитирование: Halabi, R., Mulsant, B.H., Tolend, M. et al. A systematic exploration of digital biomarkers for the detection of depressive episodes in bipolar disorder. npj Mental Health Res 5, 13 (2026). https://doi.org/10.1038/s44184-026-00195-5

Ключевые слова: биполярное расстройство, цифровые биомаркеры, носимые датчики, выявление депрессии, цифровое фенотипирование