“自上次见面以来，你感觉怎么样？”
作为一名精神科医生，我常以这个问题开启与患者的会谈。但作为一名常驻硅谷的神经科学家，我深感这个问题完全无法胜任其任务。
情绪不仅复杂且难以界定，一个人自我报告自身体验哪怕是简单方面的能力也出乎意料地有限。例如，我们发现，抑郁症患者对自身注意力和专注力的评价，与这些能力的客观实验室测试结果关系甚微，反而反映了他们整体的精神心理困扰。
毫无疑问，精神疾病涉及个体的主观体验，但现实情况是，询问这些体验一直无法有效帮助确定疾病成因或指导治疗。鉴于精神疾病反映了大脑多种功能的改变，精神病学界长期以来一直希望找到衡量这些变化的有效指标。
用于诊断的仪表盘
试想，临床医生和患者只需伸手即可查看一个仪表盘，其中显示患者行为、生理状况和大脑功能客观指标的每日波动，并由机器学习算法标记值得关注的趋势或可能预示治疗反应的早期模式。
可以说，只有通过更好的客观测量，我们才有望提高管理精神疾病的能力。这种对个体进行描述以改善诊断和治疗方式的重大转变，通常称为“数字表型分析”，正成为学术界和产业界令人振奋且迅速兴起的研究领域。这种方法也可能帮助我们触达全球大量患有精神疾病、却因就医障碍、污名或其他原因从未寻求治疗的人。
数字表型分析的进展来自两个方面。其一是技术。智能手机无处不在，使人们得以被动采集全球用户海量数据，涵盖日常行为、言语的非内容特征、地理位置，甚至用词习惯。考虑到我们的生活有多少通过智能手机展开，每天留下的“数字尾气”都是关于我们的丰富信息来源。我们与智能手机本身的互动方式也能持续、被动地反映基本认知能力，包括打字速度、错误和响应时间等因素。
与此同时，智能手表和活动监测器等消费设备日益普及，可提供补充性的生理数据。可穿戴技术也在迅速发展，包括以相对不显眼的方式测量脑电活动。“智能枕头”也正在研发中，可用于测量睡眠质量，而睡眠是我们一天中占比最大的活动。
研究人员甚至在日常驾车通勤期间，以不易察觉的方式提取有意义的行为和生理指标，因为汽车可以构成控制良好的测量环境。结合使用这些方法，或许能够揭示情绪、认知功能、药物复吸可能性、精神病性发作的出现，以及心理健康其他无数关键方面的持续波动。
鉴于我们在日常生活中留下的数字足迹极其庞大，进展的第二个来源是机器学习的迅速发展，它已经彻底改变了科技行业的许多领域。这些算法的能力和灵活性几乎年年都有突破，预计这一势头还会持续一段时间。机器学习取得的关键进展，例如图片中的视觉对象识别，得益于大量经过精心整理的数据。数字表型分析正在迅速解决这一障碍。
更大的挑战将是如何为每个人提取最有意义的信号。与广告等其他行业不同，在那些领域，机器学习算法可以整体改善成效；而在医学领域，我们必须能够对个别患者作出明确判断。要做到这一点，就需要对算法输出抱有高得多的信心。
这也意味着，一些数字表型分析应用会自然地先于其他应用发展起来，例如那些将某人“判定为”适合接受某项干预措施的应用，而将某人“判定为不适合”接受干预措施的应用则会较晚出现。在大多数情况下，拒绝提供某项干预措施所需的确定性高于提供该措施。
另一个挑战在于，大多数医学检测通常不会随时间变化，而基于数字表型分析的测量则可能随着更多数据的收集和新技术的应用而持续演进。监管机构才刚开始考虑如何处理迅速发展的“医疗器械软件”应用，目前只有一般性指导。
尽管有许多令人振奋的理由，数字表型分析迄今仍停留在概念验证阶段。我们仍在等待首个成功的大规模应用，并带来切实的健康效益。数字表型分析最终能否成功，尤其能否获得患者接受，也取决于是否解决隐私和数据安全方面的核心挑战，因为其中一些数据可能反映个人高度私密体验留下的数字足迹。
尽管如此，数字表型分析的发展轨迹清楚地表明，它对精神病学的未来以及更广泛的行为健康领域都十分重要。这在很大程度上是因为过去几十年来精神病学领域鲜有其他变化，而用于表型分析的技术平台如今正迅速涌现。
具有讽刺意味的是，将数字表型作为传统个体主观描述的补充引入临床实践，势必会大幅改变传统临床决策方式和工作流程；而这些工作所依赖的移动技术恰恰无处不在，也正是这一点让这种改变显得不可避免。
