《NPP—Digital Psychiatry and Neuroscience》：Smartphone language features may help identify adverse post-traumatic neuropsychiatric sequelae and their trajectories
編輯推薦：
創傷后不良神經精神后遺癥（APNS）危害顯著，臨床缺乏有效預測工具。本研究分析 1744 名創傷幸存者智能手機語言特征，發現 14 個橫截面標記和 5 個縱向標記，如身體 / 健康相關詞匯預示癥狀惡化，為 APNS 監測與干預提供新方向。
創傷，這個如同陰影般的存在，常常在人們經歷突發事件后悄然埋下健康隱患。據統計，近 90% 的美國成年人一生中至少經歷過一次創傷事件，其中許多人會前往急診室（ED）接受治療。然而，大多數人雖未住院，卻面臨著發展為創傷后不良神經精神后遺癥（APNS）的風險，包括疼痛、軀體癥狀、思維 / 注意力 / 疲勞、抑郁、回避、再體驗、焦慮、過度覺醒、睡眠障礙和噩夢等。這些癥狀不僅高度共病，還會導致痛苦、功能障礙和生活質量下降。但棘手的是，醫生缺乏有效的工具來判斷哪些人有出現嚴重癥狀或長期癥狀負擔的風險，尤其是急診就診后的隨訪往往有限。
為了填補這一空白，美國北卡羅來納大學教堂山分校等機構的研究人員開展了相關研究，試圖探索智能手機語言特征與創傷后癥狀之間的關聯。該研究成果發表在《NPP—Digital Psychiatry and Neuroscience》上，為創傷后健康監測和干預提供了新的視角。
研究人員利用 “推進創傷后恢復理解”（AURORA）研究的數據，對 1744 名創傷幸存者進行了分析。這些參與者平均年齡 39 歲，56% 為女性，主要創傷類型為機動車碰撞（71%）。研究通過 Mindstrong Discovery?應用程序收集參與者智能手機使用中的語言數據，提取語言特征，并結合參與者在創傷后 6 個月內的 APNS 癥狀評分進行分析。
研究主要采用了以下關鍵技術方法：
- 數據收集：通過專用應用程序被動收集參與者智能手機輸入的詞匯數據，同時通過 “閃速” 調查收集 APNS 癥狀數據，涵蓋 10 個癥狀域。
- 語言特征生成：使用經過驗證的語言模型（如 LIWC 軟件）計算心理特征和詞匯特征，包括情感表達、代詞使用、詞長等。
- 統計分析：采用雙變量線性混合模型，識別與 APNS 癥狀嚴重程度（橫截面標記）和癥狀變化（縱向標記）相關的語言特征，并進行內部驗證。
研究結果
橫截面語言標記
研究識別出 14 個橫截面語言標記，與 7 個 APNS 癥狀域相關。例如，疼痛和軀體癥狀嚴重程度較高與頻繁提及家人、其他人或男性相關；軀體癥狀、噩夢和回避與更多使用第一人稱單數代詞相關；過度覺醒、抑郁和焦慮與更多負面情緒表達相關。
縱向語言標記
發現 5 個縱向語言標記，與 3 個 APNS 癥狀域的變化相關。其中，疼痛、軀體癥狀和思維 / 注意力 / 疲勞癥狀惡化與增加提及身體和健康 / 疾病相關；疼痛改善與增加表達因果關系和認知過程相關；軀體癥狀改善與增加提及他人相關。
預測效用
縱向標記對癥狀惡化的陽性預測值（PPV）為 0.76-0.82，對癥狀改善的陰性預測值（NPV）為 0.68-0.78，顯示出一定的預測潛力。
研究結論與討論
本研究首次利用智能手機日常使用中的語言數據，識別出與 APNS 癥狀嚴重程度和變化相關的橫截面和縱向語言標記。這些發現表明，智能手機語言特征可反映創傷后的認知和情感過程，為遠程監測健康狀態和實時了解恢復情況提供了有效手段。臨床醫生可利用這些信息識別高癥狀負擔或癥狀惡化風險的個體，指導針對性干預。
研究還發現，社交相關語言（如提及他人）與軀體癥狀的關系呈現矛盾性，高頻提及他人既與當前軀體癥狀嚴重程度較高相關，又與癥狀改善相關，這一現象需進一步研究。此外，語言復雜性指標（如長詞使用、冠詞使用）與癥狀嚴重程度負相關，與先前研究一致，提示語言模式可能反映心理狀態。
盡管存在樣本主要為急診就診者、創傷類型以機動車碰撞為主、僅使用安卓手機數據等局限性，但該研究為創傷后健康監測開辟了新方向。未來研究可結合更多被動數據（如擊鍵、活動數據），延長觀察時間，探索性別差異，進一步提升預測準確性，推動數字表型在創傷后護理中的應用。
這項研究不僅深化了對創傷后神經精神后遺癥的理解，更展示了數字技術在心理健康領域的巨大潛力，為實現個性化、精準化的創傷后干預提供了重要依據。
