基于心率变异性(HRV)自主神经生物标志物的焦虑障碍机器学习识别:一项诊断性交叉验证研究

《Psychiatry Research》:Machine learning based identification of anxiety disorders using autonomic biomarkers: a diagnostic cross-validation study

【字体: 大 中 小 】 时间:2026年10月10日 来源:Psychiatry Research 5.1

编辑推荐:

  心率变异性(heart rate variability, HRV)信号与焦虑症状呈强相关。使用HRV数据的机器学习分类器能够正确区分伴有与不伴有病例水平焦虑障碍症状的参与者。该分类器能够良好地泛化至来自另一城市的外部样本。

  
心率变异性(heart rate variability, HRV)信号与焦虑症状呈强相关。使用HRV数据的机器学习分类器能够正确区分伴有与不伴有病例水平焦虑障碍症状的参与者。该分类器能够良好地泛化至来自另一城市的外部样本。
研究背景与问题:焦虑相关精神健康问题常见,成人全球时点患病率约为7.3%,儿童和青少年亦常见,大学生临床显著焦虑症状约为25%。不同焦虑障碍虽有诊断差异,但被认为具有共同心理生理过程,例如自主神经系统(autonomic nervous system, ANS)过度激活,低威胁情境下不能抑制应激反应。焦虑障碍与心血管疾病风险升高相关,潜在通路之一是迷走功能降低,表现为HRV降低。对90余项研究的Meta分析显示,多种焦虑障碍患者HRV显著低于健康对照,且焦虑障碍类型、药物使用、其他医学共病或抗抑郁药未调节该关联。HRV可在实验室准确测量,可能作为客观生物标志物区分临床焦虑个体与健康者。但低静息HRV也可能提示心脏功能异常,其诊断精确性尚未建立;既往研究主要确认组间差异,未证明基于HRV生物标志物的分类器具有诊断可靠性。因此需要心理测量验证研究,纳入焦虑严重度变异较大的样本。临床测量方面,实验室心电图(electrocardiogram, ECG)成本高且繁琐,无线光电容积描记(photoplethysmography, PPG)设备更具临床实施潜力,但其诊断价值尚不明确。若HRV测量能可靠识别临床显著焦虑,可实时监测并作为暴露治疗中的生物反馈,超越主要依赖主观痛苦报告的现状。研究人员据此开展本研究,旨在测试ECG和PPG来源HRV信号的诊断准确性,采用交叉验证设计,纳入英格兰两个城市的参与者。关键问题包括:微型PPG生物标志物是否与工业标准ECG相关?HRV生物标志物是否可靠关联临床显著焦虑症状?结果是否泛化到新样本?假设为:ECG和PPG的HRV信号显著相关;基于HRV信号的机器学习分类器在训练样本中准确区分有和无临床显著焦虑障碍症状者;该分类器泛化到另一城市的独立测试样本。

研究方法与关键技术方法:研究采用多中心诊断交叉验证设计,样本队列来自英格兰University of Sussex(训练样本,n=88)和University of Sheffield(外部验证样本,n=36)的18–30岁参与者。同步使用工业标准ECG与无线PPG采集数据,完成基线、焦虑诱导和恢复三阶段实验室任务。HRV经Kubios HRV Scientific处理,提取时域、频域和非线性指标,形成660个特征。以GAD-7(Generalized Anxiety Disorder-7,7项广泛性焦虑障碍筛查量表)≥8为二分类标签,在Sussex数据训练随机森林(random forest)分类器,采用500棵树、bootstrap重采样和内部交叉验证调参,在Sheffield验证;以曲线下面积(area under the curve, AUC)、敏感度、特异度、平衡准确率评估,并行PPG与ECG一致性及GAD-7/PHQ-9相关分析。

研究结果:总体146名同意参与者参加,Sussex为101名,Sheffield为45名;排除缺失数据(Sussex n=13;Sheffield n=9)后,纳入N=124,平均年龄20.05(SD=2.33),54.8%为女性,74.8%来自white British背景,28.22%具有病例水平焦虑症状(GAD-7≥8)。焦虑诱导任务验证中,对不愉快、焦虑评分和状态焦虑(State-Trait Anxiety Inventory-State, STAI-S)进行三个单因素重复测量ANOVA,时间主效应均显著:不愉快F(1.53, 186.89)=292.10,p<.001,η29=.529;焦虑评分F(1.83, 217.74)=25.05,p<.001,η29=.073;Short-STAI F(1.54, 188.15)=35.84,p<.001,η29=.091。事后比较确认诱导后不愉快和焦虑显著升高,恢复期降低。PPG与ECG比较中,全样本三阶段机器学习衍生维度评分(即预测焦虑严重度)强相关,r≥.88,p<.001,表明PPG相对ECG具有强收敛效度。机器学习分类器训练中,基于第三阶段ECG特征的随机森林表现最佳,训练样本AUC=.68(p<.05)。应用于验证样本时,AUC=.71(p<0.01),敏感度=.88,特异度=.61,平衡准确率=.67。PPG分类器验证样本中,所选第三阶段模型AUC=.58(p<0.05),敏感度=.63,特异度=.79,平衡准确率=.71。全样本机器学习维度评分与GAD-7相关r=.51(p<0.05),与PHQ-9(Patient Health Questionnaire-9,9项抑郁症状自评量表)相关r=.47(p<.001)。

讨论部分总结:4.1 关键发现解释:主要发现为,ECG和PPG设备HRV生物标志物高度相关;ECG生物标志物最可靠地正确分类焦虑障碍病例;并充分泛化到新样本。结果支持HRV数据用于焦虑状况筛查和监测。最佳模型基于第三阶段即恢复阶段的ECG特征,验证样本敏感度为88%,特异度为61%。高敏感度提示模型能识别真阳性,但特异度较低提示假阳性可能与炎症、II型糖尿病或高血压等其他低HRV医学原因混杂有关。第三恢复阶段表现更好符合神经内脏整合模型(neurovisceral integration model),即非威胁情境下HRV降低可能与不能抑制超警觉、过度担忧和回避行动倾向等心理病理过程有关。焦虑诱导后临床与亚临床病例区分更清楚,可能因焦虑参与者经历挑战后持续交感激活,其自主神经系统调节或恢复能力受损。4.2 HRV变量及其与心脏自主功能的关系:分类器预测变量为成熟生物标志物。时域指标量化R–R间期逐搏变异,如RMSSD、SDNN;频域指标分解HRV振荡成分,如LF/HF,其中HF受呼吸性窦性心律不齐和副交感迷走活动影响,LF反映交感与副交感混合及压力反射调节;非线性指标包括Poincaré指数、熵和去趋势波动分析,表征心脏动力学复杂性、规律性和时间/分形组织。4.3 优势与局限:优势包括使用工业标准HRV传感器、两城市一般人群样本、焦虑严重度变异大及交叉验证设计。训练分类器能泛化到不同城市外部样本,据研究人员所知此前未证明。但外部验证样本小(N=36),未来约N=70样本验证可增强信心。其他局限包括未采用结构化诊断访谈,但GAD-7广泛用于临床,病例选择反映英格兰国家健康服务体系实践;PHQ-9区分效度合理,但焦虑抑郁共病高,导致HRV与GAD-7和PHQ-9相关差异小,HRV可能指数负性情绪跨诊断标志。样本量限制无法详细区分单一离散障碍。年龄限制减少心脏等健康问题混杂,但样本年龄、性别、族裔不代表性,且未收集更广社会经济或健康数据。4.4 临床意义与未来方向:生物标志物可能有益精神卫生。文献显示使用腕戴设备、智能手机、皮肤电反应设备、眼动追踪等可穿戴设备收集HRV、运动、步数和睡眠的研究增长,但多数为小规模可接受性和可行性研究。近期使用可穿戴技术监测焦虑并提示即时适应性干预(just-in-time-adaptive-interventions, JITAI)的临床试验出现,结果有希望;挑战在于数据噪声复杂,机器学习日益用于数字表型。诊断可靠生物标志物相较自报问卷或诊断访谈有优势,因后者依赖时间受限问题,受回忆和社会期望偏差影响。生物标志物可重复实时追踪,并整合为生物反馈支持焦虑心理治疗。暴露疗法旨在对焦虑刺激脱敏,当代实践依赖患者报告主观痛苦单位量表(subjective units of distress scale, SUDS),其心理测量可靠性受质疑。HRV追踪设备有潜力以客观可靠生物反馈支持暴露疗法,可能替代SUDS。本研究中工业标准ECG优于可穿戴PPG,未来应增强可穿戴设备精度以最大化临床实施。4.5 结论翻译:使用机器学习算法处理的HRV生物标志物数据与已建立的焦虑测量趋于一致。这支持HRV衍生生物标志物用于实时监测变化的潜在用途,提供一种客观生物标志物特征,可能对指导暴露疗法具有高度信息价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号