精神分裂症是一种严重的精神障碍，临床高风险（CHR）状态为早期发现和干预提供了重要窗口。尽管荟萃分析显示，25%-33%的CHR个体在三年内会发展为首次精神病发作，但个体水平的风险预测仍具挑战性。数字表型分析作为一种新兴方法，通过智能手机和可穿戴设备实时量化个体在自然环境中的行为，为深入理解CHR症状和预测转化风险提供了新途径。加速医学合作伙伴精神分裂症（AMP SCZ）项目是一项大型国际协作研究，旨在通过多模态数据收集，开发预测工具并推动预防性治疗的发展。本文详细介绍了AMP SCZ项目中数字组件的设计、实施目标及其在跨文化和地理区域中的可复制性。

AMP SCZ项目的数字组件包括智能手机数字表型分析和腕部活动记录仪，持续时间为一年。智能手机数字表型分析分为主动数据收集和被动数据捕获两部分。主动数据包括每日30项的简短自我报告调查和语音日记，调查内容涵盖情绪、思维和行为，采用7点李克特量表评分。语音日记允许参与者录制2分钟的自由语音，描述其日常感受。被动数据则通过智能手机传感器收集，包括地理位置（GPS）、屏幕开关状态和加速度计数据，频率为5Hz。为了适应不同参与者的隐私偏好，研究提供了三种数据收集配置：全传感器、除地理位置外的传感器以及仅主动数据。此外，腕部活动记录仪使用Axivity设备，以12.5Hz的频率采集加速度数据，用于分析睡眠和日常活动模式。

研究采用开源的mindLAMP平台进行数据收集，该平台支持多语言（如西班牙语、韩语、意大利语等）和跨设备（iOS和Android）部署，确保了数据的广泛可及性。mindLAMP平台通过分散式部署，各研究站点独立托管数据，并通过安全协议与中心服务器同步。数据流经标准化处理后，生成原始特征（如GPS坐标）、初级特征（如显著位置）和次级特征（如居家时间），为后续分析提供基础。为提高参与者依从性，研究团队采取了多项措施，包括多语言支持、数据反馈、定期联系和技术支持，并提供了备用智能手机以确保设备可用性。

研究结果显示，数字表型分析能够有效捕捉CHR个体的日常行为和症状变化。通过每日调查，研究者可以追踪情绪波动、社交互动和异常体验的动态变化，而被动传感器数据则揭示了活动模式、睡眠质量和地理移动的潜在标志物。例如，加速度计数据可用于分析睡眠障碍，而GPS数据则有助于评估社交退缩或环境暴露。语音日记为语言特征分析提供了丰富素材，可能成为预测转化的新指标。此外，跨文化数据收集的可行性得到了验证，八种语言的适配和本地化支持确保了研究的全球适用性。尽管存在数据质量和参与者依从性的挑战，但通过标准化协议和技术优化，研究团队成功实现了大规模、长期的数据采集。

AMP SCZ项目的数字组件为精神分裂症早期预测和干预提供了重要工具。通过整合多模态数据，研究不仅深化了对CHR症状的理解，还为个性化医疗和预防性治疗奠定了基础。开源的mindLAMP平台和透明的数据处理流程，为未来研究的可复制性和跨文化推广树立了典范。未来，结合其他生物学和临床数据，数字表型分析有望进一步提升预测精度，推动精神健康领域的精准医学发展。

原始出处：

Wigman, J. T. W., et al. (2025). Digital health technologies in the accelerating medicines Partnership® Schizophrenia Program. *Schizophrenia*, 1, 83. https://doi.org/10.1038/s41537-025-00599-w

Tags： Schizophrenia：精神分裂症高风险人群的 “数字画像”