手機警示個案即將發病？憂鬱症數位表徵的大革命

手機警示個案即將發病？憂鬱症數位表徵的大革命

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

醫療A重度憂鬱症（MDD）是當前全球公共衛生的重大挑戰，影響全球約十分之一的人口。然而，臨床實務中對於憂鬱症的診斷與療效評估，長期以來受限於診斷系統的異質性（Heterogeneity）。傳統診斷依賴臨床訪談與患者自我報告，這種「斷點式」且具主觀偏差的評估方式，難以捕捉患者在日常生活中動態變化的病程。由身心介面研究中心團隊鄭思維醫師擔任第一作者，我們2026年2月在 Psychiatry and Clinical Neurosciences 的這篇綜論中，試圖透過「數位表徵（Digital Phenotyping, DP）」與「人工智慧（AI）」兩大工具，重新構想憂鬱症分類與治療的可能樣貌，未來精神醫學可望迎來從經驗驅動轉向數據驅動的典範轉移。

現行診斷系統主要依賴看診時斷點式評估與自陳量表，不僅易受回溯偏誤影響，也難以捕捉症狀在真實世界中持續變化的動態軌跡。隨著可穿戴裝置與智慧手機普及，現代醫療首次有機會在自然情境中，持續性、系統性蒐集大量生理與行為訊號，例如活動量、睡眠結構、心率變異度（HRV）、脈搏呼吸速率等資訊等，此外，AI 語音分析與自然語言處理（NLP）技術的進步，使我們能從對話的語調、語法與語速中擷取微小的認知與情緒訊號，這是傳統訪談難以量化的。這些經由隨身裝置收集再加上主觀情緒與認知狀態的資料組合，被稱為「數位表徵 (DP)」。相較於診間內片面的資訊，這種數位數據能提供「高解析度」且「連續性」的觀察，大幅提升了診斷的精準度。

人工智慧在此進程中扮演了關鍵角色。透過機器學習（Machine Learning），海量的行為數據能被轉化為可預測的臨床洞察。因為數位表徵資料高度多模態且時間序列特徵明顯，傳統統計方法難以充分掌握其中的潛在模式。ML 與 DL 則可整合 HRV、活動量、睡眠、語音聲學與語意等多種特徵，建立分類與預測模型；語音方面，CNN 可分析語音頻譜空間特徵，LSTM 則擅長掌握隨時間演變的情緒與認知訊號。混合 CNN+LSTM 架構在睡眠品質與憂鬱嚴重度預測上已展示出優於單一模型的表現 。

AI 不僅能區分憂鬱症患者與健康對照組，更能針對治療反應進行預測，這對解決精神科用藥「試錯」週期過長的問題至關重要。AI 驅動的數位表徵，如何將傳統、群體化醫療轉向精準、個別化精神醫學？我們在論文中的圖一（Figure 1）提到，傳統 RCT 模式是先在群體層級證實治療的平均效果，再在個別病人身上「試試看」，往往導致 NNT 約 7 左右的有限改善（Figure 1 左側）。相對地，若能利用穿戴裝置與 EMA 長期追蹤個體的 DPs，並以 AI 從中學習每位病人的特有模式，就有機會將治療效應從族群層級拉回個體層級，為每位病人量身打造介入策略（Figure 1 右側）。

Cheng SW..., Su KP. Toward personalized classification and treatment in depression: A narrative review of digital phenotyping and artificial intelligence. Psychiatry Clin Neurosci. 2026 Feb 8. doi: 10.1111/pcn.70034. Epub ahead of print. PMID: 41656776.

AI 不僅能區分憂鬱症患者與健康對照組、針對治療反應進行預測解決精神科用藥「試錯」的問題、更可能辨識高復發風險個體並導入及早介入。Tonon 等人同樣在2026年2月發表於 JAMA Psychiatry 的論文〈One-Year Actigraphy Study of Sleep and Rest-Activity Rhythms as Markers of Relapse in Depression〉，利用actigraphy提供了嚴謹臨床評估的實證。他們納入 93 位符合 DSM‑5 診斷且已達緩解的 MDD 病人，每 8 週接受一次醫師評估，追蹤 1–2 年，同時全程配戴研究級 GT9X actigraph 於手腕，計算 Sleep Regularity Index（SRI：每日睡眠—清醒狀態的一致性）、Composite Phase Deviation（CPD：睡眠中點相對個體平均與前一日的偏離程度）、L5/M10 活動量與相對振幅（RA：24 小時中最活躍與最不活躍時段活動量的對比）等指標，最終累積近 3.2 萬日的連續加速度資料結果發現：較低的 SRI、較高的 CPD、較低的 RA，都與憂鬱症復發有關。換言之，一開始就睡得不規律、夜間覺醒多、活動節律振幅較差的病人，在接下來一年內更可能復發。此外，如果將未復發者則依 MADRS 軌跡再分為「超穩定組」與「不穩組」，則發現短暫症狀起伏不必然等同於復發風險升高，反而是「長期睡眠規律性與節律強度」更能區分真正會復發的病人。

然而，原始感測資料本身並不等於診斷或治療指標，真正的挑戰在於如何將之轉譯為臨床可解讀的結構。回到我們在Psychiatry and Clinical Neurosciences 這篇綜論中提出一個階層式思維：將低階生理變化（如 HRV、睡眠—覺醒節律）、中階行為模式（活動量、定位與社交節奏）與高階心理狀態（壓力感受、心情變化）串聯起來，形成可用來偵測疾病狀態、預測前驅期與辨識易感性的 DPs。Table 1 將目前研究最常用的 DPs 與可量測的市售裝置（Garmin、Fitbit、Apple Watch）一一對應，提供實務選擇的具體指南。

當然，目前這方面的應用仍有許多困難等待突破。技術上，AI 模型必須經過嚴謹的前瞻驗證與外部驗證，避免過度擬合；臨床上，數位監測的依從性與病人接受度是關鍵瓶頸；倫理與監管方面，資料隱私、AI 偏誤與缺乏明確 FDA 認證路徑都是現階段必須正視的議題；數位表型的穩定性、不同廠牌裝置間的數據一致性，以及臨床應用的標準化，皆是目前待解決的技術問題。更重要的是，文章一再提醒：即使在最精緻的數位表徵框架下，主觀經驗與敘事性的臨床訪談仍然不可被取代。

在結語中，我們提出 TACF（Transdisciplinary AI‑Optimized Co‑Development Framework），呼籲精神科醫師、工程師、資料科學家與病人倡議者共同設計數位介入，確保技術創新與臨床實務與倫理規範同步前進 。未來將醫療重心從「症狀出現後的介入」推向「前瞻性的早期偵測和預警」，並為每位患者提供高度個人化的治療藍圖。隨著技術的成熟與倫理規範的完善，這套數據驅動的架構將帶領精神醫學進入真正精準、即時且人性化的新紀元。然而，心理健康數據涉及個人核心隱私，如何在數據共享以優化演算法與個人資訊安全之間取得平衡，是推廣數位醫療的成敗關鍵。

條列化整理：

一、 研究背景：憂鬱症診斷的異質性與挑戰

• 現狀缺口： 重度憂鬱症（MDD）具備高度異質性，現行 DSM-5 等診斷系統過於依賴臨床醫師的主觀評估與患者的自我報告，缺乏客觀生物指標。RDoC 嘗試導入客觀指標，但臨床落地仍困難。
• 技術轉型： 隨著穿戴式裝置與智慧型手機普及，發展出「數位表型（Digital Phenotyping）」技術，能連續、即時且客觀地收集行為與生理數據。

二、 數位表型的定義與範疇

• 被動數據： 指的是無須使用者介入，由感測器自動收集的資料，如 GPS 定位（空間活動）、加速規（運動量）、通訊紀錄（社交活動）。
• 主動數據： 患者主動回報的資訊，如數位化的情緒評分、認知測試。
• 穿戴裝置與生態瞬時評估（EMA）可連續蒐集真實世界資料，DP 反映「生物脆弱性 × 環境互動」的動態結果

三、 人工智慧（AI）在憂鬱症的應用

• 診斷與分類： 透過機器學習分析語音、表情、打字頻率及睡眠模式，偵測憂鬱症的細微特徵，輔助進行更精確的臨床次分類。
• 治療反應預測： 利用數據模型預測特定患者對抗憂鬱劑或心理治療的反應，降低藥物試錯（trial and error）的成本。
• 活動量下降、步態改變 → 精神動作遲滯；睡眠節律異常 → 前驅症狀與復發預測；心率變異度（HRV） → 壓力調節能力；皮膚溫度、光照暴露、電皮膚反應 → 情緒與自律神經狀態；可透過 Apple Watch、Fitbit、Garmin 等商用裝置取得（見 Table 1） 

四、 數位表型的臨床價值：從「單點快照」到「連續錄影」

• 復發預警： 系統能透過行為模式的改變（如社交孤立、睡眠混亂），在臨床復發前發出警報，實現預防性介入。
• 精準醫療： 結合生物標記與數位表型，為患者量身打造「數位處方」或介入措施。
• 機器學習整合多模態資料（活動、睡眠、語音、HRV）；CNN：處理語音頻譜等空間資料；RNN/LSTM：分析長期時間序列變化；混合 CNN-LSTM 架構提升預測準確度；AI 可從長期軌跡中辨識個人化疾病模式，超越傳統族群平均 

五、 未來方向與倫理規範

• 技術整合： 需整合生理（如心率、皮質醇）與數位行為數據，建構更全面的多模態模型。
• 模型層面：外部驗證不足；需可解釋 AI（XAI）增加臨床信任。
• 病人層面：長期配戴依從性低；數位落差與隱私疑慮。
• 精神醫學核心問題：DP 無法取代病人主觀敘事；自殺意念內容、罪惡感、文化意義仍需臨床訪談。
• 倫理與隱私： 需符合 GDPR 等國際標準，去中心化技術（區塊鏈、聯邦學習）可提升安全並保留患者對資料存取的控制權，但也面臨計算負荷與技術門檻問題，以保護高度敏感的個人心理健康資料。
• Transdisciplinary AI-Optimized Co-Development Framework：醫師定義臨床目標；病人參與設計與同意流程；工程師建立安全資料流程；資料科學家開發可解釋 AI → 建立真正「臨床可用」的數位精神醫學 

參考文獻：

Cheng SW, Chen WJ, Chang CH, Chang JP, Chang CW, Hsu JM, Lin SC, Mischoulon D, Kishimoto T, Su KP. Toward personalized classification and treatment in depression: A narrative review of digital phenotyping and artificial intelligence. Psychiatry Clin Neurosci. 2026 Feb 8. doi: 10.1111/pcn.70034. Epub ahead of print. PMID: 41656776.

Tonon AC, et al. One-Year Actigraphy Study of Sleep and Rest-Activity Rhythms as Markers of Relapse in Depression. JAMA Psychiatry. 2026 Feb 11. doi: 10.1001/jamapsychiatry.2025.4453. Epub ahead of print. PMID: 41670991.