Нове дослідження, опубліковане в журналі Frontiers in Child and Adolescent Psychiatry, показує, що поширені пристрої, такі як Fitbits, можуть стати ключем до поліпшення діагностики синдрому дефіциту уваги та гіперактивності (СДУГ) у підлітків. Аналізуючи закономірності частоти серцевих скорочень, рівнів активності та витрати енергії, дослідники змогли з разючою точністю передбачити діагнози СДУГ, що дає можливість зазирнути в майбутнє, в якому об'єктивні дані в реальному часі підтримують більш ранню та персоналізовану психіатричну допомогу.
Новий підхід до поширеної проблеми
СДУГ вражає приблизно 1 із 10 дітей та підлітків у Сполучених Штатах. Зазвичай діагноз ставиться на основі звітів батьків та вчителів, клінічних інтерв'ю та поведінкових спостережень. Попри свою ефективність, ці методи значною мірою ґрунтуються на суб'єктивній інтерпретації та іноді можуть втрачати важливі нюанси у тому, як симптоми виявляються з плином часу. Дослідження, проведене під керівництвом доктора наук Мухаммада Махбубура Рахмана і його колег з Children's National, прагнуло визначити, чи можуть дані розумних гаджетів про стан здоров'я допомогти заповнити цю прогалину.
Перетворюючи показники Fitbit на значні ідеї
У дослідженні використовувалися дані 450 підлітків, які були частиною більш масштабного дослідження когнітивного розвитку мозку підлітків (ABCD), найбільшого довгострокового дослідження розвитку мозку та здоров'я дітей у Сполучених Штатах. Кожен учасник носив Fitbit, який фіксував три ключові показники активності та фізіологічних показників:
- Частота серцевих скорочень у стані спокою (RHR) — кількість ударів серця за хвилину, коли тіло перебуває у стані спокою
- Час у сидячому положенні - час, проведений з невеликою або нульовою фізичною активністю
- Витрата енергії - передбачувана кількість спалених калорій під час фізичної активності
Коли дослідники порівняли ці показники між підлітками з СДУГ та без нього, вони виявили статистично значущі відмінності. У підлітків із СДУГ була стабільно вища частота серцевих скорочень у стані спокою, а також вони демонстрували відмінні закономірності як у русі, так і у спокої.
Щоб піти далі, команда застосувала модель машинного навчання, щоб перевірити, чи ці фізіологічні маркери можуть точно передбачати діагнози СДУГ. Модель показала дуже добрі результати з точністю 89%, вірогідністю 88%, повнотою 90% та площею під кривою (AUC) 0,95. Ці результати показують, що поєднання пасивних, безперервних даних та прогностичного моделювання може бути цінним інструментом скринінгу, особливо в умовах, коли доступ до повної клінічної оцінки утруднений.
Шлях до більш доступної психіатричної допомоги
Наслідки великі. Якщо дані, отримані з розумних пристроїв, будуть підтверджені в більших і різноманітних групах населення, вони можуть стати недорогим і легким способом виявлення підлітків, яким може бути корисна додаткова оцінка СДУГ. Це може призвести до більш ранньої підтримки, меншої кількості помилкових діагнозів та більш індивідуальних стратегій лікування.
Важливо відзначити, що цей підхід полягає не в заміні лікарів, а у наданні їм найкращих інструментів. Реальні дані в реальному часі з пристроїв можуть стати додатковим рівнем розуміння, який підтримує більш точну індивідуальну допомогу. Оскільки розумні пристрої все більше впроваджуються у повсякденне життя, їхня роль в охороні здоров'я, особливо в психічному здоров'ї підлітків, зростатиме.
