大學(xué)生抑郁篩查及預(yù)警系統(tǒng)的研究進展

帥學(xué)倩， 梅 廣， 李 莉， 吳 珩 綜述， 趙旭東 審校

(1. 同濟大學(xué)醫(yī)學(xué)院，上海 200092; 2. 同濟大學(xué)電子與信息工程學(xué)院控制科學(xué)與工程系，上海 200092; 3. 同濟大學(xué)附屬同濟醫(yī)院心身醫(yī)學(xué)科，上海 200065; 4. 同濟大學(xué)人文醫(yī)學(xué)與行為科學(xué)教研室，同濟大學(xué)中德心身醫(yī)學(xué)研究所，上海 200092)

抑郁癥以顯著而持久的心境低落為主要癥狀，嚴(yán)重影響患者工作生活，嚴(yán)重時可導(dǎo)致自殺。大學(xué)生抑郁癥的發(fā)生原因主要包括: 不健康的心理品質(zhì)、人際關(guān)系敏感、心理負(fù)擔(dān)過重、思慮過度、留守經(jīng)歷、負(fù)性生活事件等。另外，網(wǎng)絡(luò)精神依賴和沉重的學(xué)業(yè)壓力和日益增大的就業(yè)壓力也是重要發(fā)病因素，且中國傳統(tǒng)文化抑制了個人的個性發(fā)展，學(xué)生的負(fù)面情緒無法得到宣泄，從而引起學(xué)生抑郁心理的產(chǎn)生[1-3]。大學(xué)生自殺事件的發(fā)生原因極其復(fù)雜，是個人因素、家庭情況、社會因素等內(nèi)外各種因素交互作用的結(jié)果[4]。世界衛(wèi)生組織報告指出，全球抑郁癥患者已達3.22億人，2005—2015年患者數(shù)量增加了18.4%，發(fā)病風(fēng)險最高的3個群體為年輕人群、孕婦/產(chǎn)后婦女及老年人，每年可導(dǎo)致超過1萬億美元的經(jīng)濟損失。2016年，自殺是15～29歲年齡組人群的第2大死亡原因[5]。中國大學(xué)生抑郁癥狀的檢出率為23.8%，而抑郁癥是大學(xué)生自殺的首要原因[6]。研究發(fā)現(xiàn)，中國大陸大學(xué)生自殺計劃檢出率男生為5.4%，女生為4.2%[7]。有自殺意念的學(xué)生占到16.39%，其中15.82%的學(xué)生只是偶爾這么想，而剩下0.57%的學(xué)生卻經(jīng)?？紤]自殺[8]。

隨著國內(nèi)高校學(xué)生心理問題的日益嚴(yán)重，大學(xué)生心理健康教育引起人們的廣泛關(guān)注。既往研究主要集中在高校心理健康工作者和相關(guān)研究人員通過心理量表對學(xué)生進行心理普查并建立心理檔案，對有臨床癥狀的學(xué)生進行初步篩查[9]。這種篩查方式存在滯后性、被動性和受限性等缺點。隨著新媒體、大數(shù)據(jù)以及人工智能等技術(shù)的發(fā)展，解決傳統(tǒng)篩查方法不足并促使大學(xué)生抑郁癥從篩查到預(yù)警成為可能。

1 傳統(tǒng)方法

目前來說，常用于大學(xué)生抑郁癥篩查的量表包括由美國國立精神衛(wèi)生研究所于1977年編制的流調(diào)用抑郁自評量表(CES-D)，由Zung編制于1965年的抑郁自評量表(SDS)和漢密頓(Hamilton)于1960年編制的漢密頓抑郁量表(HAMD)[10]。這些量表主要針對的是普遍的抑郁癥患者，而對于大學(xué)生這一特殊群體來說，使用以上量表進行抑郁癥篩查無論是靈敏度還是特異度都會受到一定的影響。趙靜波等[11]在前期研究基礎(chǔ)上結(jié)合我國大學(xué)生抑郁癥的特點,構(gòu)建了大學(xué)生抑郁評定量表正式版，并用正式版量表在全國范圍內(nèi)選擇調(diào)查對象,進行實際應(yīng)用研究,得出我國大學(xué)生抑郁癥的發(fā)生率和影響因素,并制定了常模。該量表是以我國大學(xué)生為樣本的第1個專門評定大學(xué)生抑郁的測量工具,能夠更準(zhǔn)確有效地解決我國大學(xué)生抑郁癥的篩查問題,為早期識別大學(xué)生抑郁癥提供了有效的工具。但在大學(xué)生抑郁癥篩查相關(guān)的研究中，也不乏根據(jù)研究的設(shè)計和當(dāng)?shù)卮髮W(xué)生的情況選擇其他量表開展項目的例子，如陳丹[12]運用病人健康問卷-抑郁量表(PHQ-9)對1427名高校大學(xué)生進行抑郁癥的篩查,結(jié)果共有153(12.60%)名檢出明顯抑郁情緒，且該量表在我國大學(xué)生人群中具有良好的信度與效度。以上量表條目數(shù)都較多，實施起來有諸多不便。Bruce等[13]發(fā)現(xiàn)口頭提問兩項篩查抑郁癥的問題即“在過去1個月中，你在做事時，是否經(jīng)常被情緒低落、抑郁或無望而困擾；以及在過去1個月中，你在做事時，是否因一點小的利益或欲望而困擾”能檢出全科診所中的多數(shù)抑郁癥病例，且具有較滿意的靈敏度和特異度，這給大學(xué)生抑郁癥篩查工作提供了一個簡潔省時的方法。

2 傳統(tǒng)方法的延伸——微信、微博、App等新媒體

如今二維碼深入大眾生活，將抑郁測評量表與二維碼相結(jié)合是一種方便有效的篩查方式。周晶晶等[14]在北京市5所高校內(nèi)利用PHQ-9、廣泛性焦慮量表(GAD-7)及抑郁癥覺察缺陷問卷(PDQ-D)的5條目量表通過掃描二維碼的方式進行線上評估，發(fā)現(xiàn)大學(xué)生人群抑郁癥篩查陽性率較高，需定期開展健康宣教及抑郁癥篩查，以期早發(fā)現(xiàn)及干預(yù)。當(dāng)今部分大學(xué)生在微博平臺上曬生活、曬心情，通過對微博收集的相關(guān)數(shù)據(jù)進行處理和分析，可以給高校心理工作者提供抑郁癥篩查的新途徑。如張金偉等[15]針對微博文本的特點提出了一種基于性格、心情和情感空間的多層次心理預(yù)警模型。該方法有效地實現(xiàn)了對微博情感的分析和描述及對觀察對象心理狀況的可視化分析和及時預(yù)警。國內(nèi)外也有多款A(yù)pp可以借鑒被運用在大學(xué)生抑郁癥的篩查中，如PsycApps可以幫助用戶發(fā)現(xiàn)自己或關(guān)愛的人是否患有抑郁癥，并且實施個體化的支持和治療，包括如何幫助自己或他人以及如何快速獲得專業(yè)的幫助等，這不僅實現(xiàn)了抑郁癥的篩查，也進行了相應(yīng)的治療和支持，且App應(yīng)用方便和個體化，值得推廣。Eichstaedt等[16]以已經(jīng)確診的抑郁癥患者的電子病歷為基礎(chǔ)，利用確診日期以前Facebook帖子的文本內(nèi)容、帖子長度、發(fā)布頻率、時間發(fā)布模式和人口統(tǒng)計數(shù)據(jù)(材料和方法)建模，發(fā)現(xiàn)該模型可以相當(dāng)準(zhǔn)確地識別抑郁癥患者，且與以醫(yī)療記錄為基準(zhǔn)的篩查的準(zhǔn)確性大致相符。這些都充分地說明利用新媒體上的數(shù)據(jù)對大學(xué)生抑郁癥進行實時篩查是可行且準(zhǔn)確的，且來自微信、微博、App和Facebook等新媒體的數(shù)據(jù)與大數(shù)據(jù)及人工智能的結(jié)合將進一步提高篩查的性能。

3 從篩查到預(yù)警——大數(shù)據(jù)預(yù)警系統(tǒng)

大數(shù)據(jù)應(yīng)用通常包含一系列復(fù)雜的組件: 數(shù)據(jù)的提取、收集、清理和轉(zhuǎn)換、存儲和管理、分析、索引和搜索，以及可視化。在大數(shù)據(jù)融入心理學(xué)領(lǐng)域之前，對情緒、認(rèn)知和行為的可靠測量主要依靠臨床醫(yī)生的觀察和自我評估的心理測試，這種方法具有費時費力、缺乏實時性和可靠性、所收集的數(shù)據(jù)質(zhì)和量都不高等缺點[17]?，F(xiàn)代計算機科學(xué)技術(shù)可以自動收集、傳輸和分析適當(dāng)?shù)臄?shù)據(jù)，減輕了參與者和研究人員的負(fù)擔(dān)。就大學(xué)生群體來說，一卡通、互聯(lián)網(wǎng)、手機等移動終端、學(xué)校的各種傳感器數(shù)據(jù)等都可以作為數(shù)據(jù)的來源，數(shù)據(jù)的獲取趨向于多元、完整和精確。這些數(shù)據(jù)被傳輸?shù)街醒霐?shù)據(jù)存儲庫，通過數(shù)據(jù)挖掘和機器學(xué)習(xí)等技術(shù)對數(shù)據(jù)進行處理和分析。經(jīng)過以上過程得到的結(jié)果可被運用于大學(xué)生抑郁癥的篩查中，從而解決了傳統(tǒng)方法存在的不足，變篩查為預(yù)警，具有很好的發(fā)展前景。但需要把大數(shù)據(jù)研究的倫理問題與數(shù)據(jù)隱私問題放在中心位置，才能保證大數(shù)據(jù)預(yù)警系統(tǒng)的可持續(xù)發(fā)展。

3.1 理論研究

我國學(xué)者梁娟等[9]提出“大數(shù)據(jù)時代背景下大學(xué)生心理預(yù)警系統(tǒng)”的概念，旨在充分利用大數(shù)據(jù)能夠?qū)ο嚓P(guān)行為進行預(yù)測的特點，通過對大學(xué)生的日常行為進行實時跟蹤與分析，一旦發(fā)現(xiàn)異常的行為可以立刻將相關(guān)信息通過短信，或者網(wǎng)絡(luò)平臺推送到相關(guān)的部門和個人，繼而進行及時干預(yù)。在上述概念的指引下，有關(guān)學(xué)者提出的在大數(shù)據(jù)背景下基于“用戶畫像”的抑郁癥閱讀療法新模式的方案便于準(zhǔn)確把握診斷、治療時機，使患者在無意識狀態(tài)下接受閱讀治療，具有較高的社會價值和重要的現(xiàn)實意義[18]。梁娟等[9]認(rèn)為，大數(shù)據(jù)構(gòu)建大學(xué)生心理預(yù)警系統(tǒng)的建設(shè)思路包括心理預(yù)警系統(tǒng)的頂層設(shè)計、心理預(yù)警系統(tǒng)的信息收集機制、心理預(yù)警系統(tǒng)的信息分析評估機制(心理專家知識元支撐庫)、心理預(yù)警系統(tǒng)的反應(yīng)機制和容易被忽視的心理預(yù)警系統(tǒng)的保密機制等5個方面。這個觀點被國內(nèi)很多專家所認(rèn)同，但國內(nèi)外相關(guān)研究僅僅停留在理論階段，實踐研究很少。

3.2 實踐研究

對于大數(shù)據(jù)心理預(yù)警系統(tǒng)的建立最為關(guān)鍵的是信息分析評估機制的解決，到目前為止研究人員為了解決這一問題要么試圖發(fā)現(xiàn)迄今未知的趨勢和模式，要么研究已知實體的新特性。對于前者來說，國內(nèi)在實踐中走在前列的有楊秀巖等[19]以大樣本調(diào)研數(shù)據(jù)為基礎(chǔ)，應(yīng)用人工智能中的神經(jīng)網(wǎng)絡(luò)方法構(gòu)建針對大學(xué)生和企業(yè)員工兩個人群的抑郁癥早期篩查模型并分別獲得了較高的符合率，這是大數(shù)據(jù)和人工智能如神經(jīng)網(wǎng)絡(luò)方法結(jié)合的良好案例，是對信息分析評估機制新的探索。而對于后者來說，在累積大量數(shù)據(jù)的基礎(chǔ)上，梁娟等[20]發(fā)現(xiàn)運用大數(shù)據(jù)技術(shù)的數(shù)據(jù)挖掘方法中相對提升度的剪枝方法對找到大學(xué)生的人格特征、心理健康數(shù)據(jù)和成績等數(shù)據(jù)相互之間的關(guān)聯(lián)規(guī)則具有有效性和實用性，可為心理預(yù)警系統(tǒng)的信息分析評估機制提供指導(dǎo)。以上研究提示了大數(shù)據(jù)心理預(yù)警系統(tǒng)在高校中普遍和深入開展的潛能，但國內(nèi)高校到目前為止只有廣東外國語大學(xué)率先在整體性、層次性、關(guān)聯(lián)性及動態(tài)性系統(tǒng)論的原則下，結(jié)合移動互聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)建立大學(xué)生心理危機預(yù)防體系并付諸實施[21]，為國內(nèi)其他高校敞開了大數(shù)據(jù)與大學(xué)生抑郁癥篩查相結(jié)合的大門。國內(nèi)對大學(xué)生大數(shù)據(jù)心理預(yù)警系統(tǒng)的研究較多，但多集中在以大學(xué)生心理預(yù)警系統(tǒng)的建設(shè)思路為核心的定性理論研究，定量和建模的實踐研究很少。且理論研究中如何實現(xiàn)每一步包括最為關(guān)鍵的信息分析評估機制的解決均缺乏具體、有效和可操作的指導(dǎo)。國外對大學(xué)生的大數(shù)據(jù)心理預(yù)警系統(tǒng)的關(guān)注較少，可能是地域文化差異的原因。Zhou等[22]使用英國生物銀行數(shù)據(jù)庫中9914名受試者的影像學(xué)、臨床、表型特征和問卷數(shù)據(jù)，通過大數(shù)據(jù)算法中的無監(jiān)督機器學(xué)習(xí)方法建模確定了預(yù)測抑郁癥或其他精神疾病的存在和發(fā)展的決定性規(guī)則并證明了算法和模型的一致性和有效性，有效率達到70%～80%，提示建立包括相關(guān)評價指標(biāo)的大學(xué)生抑郁癥篩查數(shù)據(jù)庫，可以為篩查、干預(yù)和研究提供方便。而Block等[23]利用媒體行為與影響研究(MBIS)數(shù)據(jù)庫中19776名受試者的數(shù)據(jù)進行分析，發(fā)現(xiàn)傾向于使用更多媒體如互聯(lián)網(wǎng)、電視及社交媒體的人往往也更抑郁，同樣提示了數(shù)據(jù)庫的建立以及利用其中的數(shù)據(jù)進行分析可以對數(shù)據(jù)庫中的報告結(jié)果進行獨立的驗證、重現(xiàn)和擴展，也表明在互聯(lián)網(wǎng)化的當(dāng)今社會，可以重點關(guān)注社交媒體使用情況，將其列入大學(xué)生抑郁癥篩查的評價指標(biāo)中，和其他相關(guān)指標(biāo)一起，為信息分析評估提供方便，從而為大學(xué)生大數(shù)據(jù)心理預(yù)警系統(tǒng)的建立提供基礎(chǔ)。綜上所述，雖然國內(nèi)外大學(xué)生心理預(yù)警系統(tǒng)付諸實踐并成功的案例較少，但可借鑒的相關(guān)實踐研究成果說明，將多元、精確和動態(tài)的并與心理狀態(tài)相關(guān)的各類信息匯集并建立抑郁篩查數(shù)據(jù)庫，可為數(shù)據(jù)的分析評估提供方便，而心理預(yù)警系統(tǒng)分析評估機制的解決可以從數(shù)據(jù)挖掘或機器學(xué)習(xí)等大數(shù)據(jù)技術(shù)入手，甚至結(jié)合人工智能技術(shù)，更好地實現(xiàn)數(shù)據(jù)的分析利用并建模，從而盡早發(fā)現(xiàn)高危人群，實施心理援助，為高校心理健康工作提供新的思路，實現(xiàn)大學(xué)生抑郁預(yù)警的目的，具有很好的發(fā)展前景。但針對大學(xué)生這一特殊群體的大數(shù)據(jù)心理預(yù)警系統(tǒng)的實踐還需要從信息分析評估機制和保密機制深入開展。

4 從篩查到預(yù)警——人工智能

人工智能的定義目前還沒有國際統(tǒng)一的標(biāo)準(zhǔn)。國外的學(xué)者認(rèn)為人工智能通常指的是模擬人類智能所支持的過程的計算技術(shù)，例如推理、深度學(xué)習(xí)、適應(yīng)、交互和感官理解。在一項關(guān)于健康與醫(yī)學(xué)人工智能研究的全球演化的文獻計量學(xué)研究中，Tran等[24]提供了1997—2018年人工智能在健康和醫(yī)學(xué)領(lǐng)域研究的全球和歷史圖景。其中抑郁癥作為負(fù)擔(dān)等級排名第20位的疾病，其臨床治療、預(yù)測和診斷各方面在機器人學(xué)、機器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)、人工智能、自然語言處理等人工智能技術(shù)運用的文獻報道，其中Web of Science數(shù)據(jù)庫中關(guān)于預(yù)測的文章就有178篇之多，足以看出人工智能在大學(xué)生抑郁癥篩查中的潛能；而另一篇文章通過探索性因子分析指出人工智能在抑郁癥中的應(yīng)用研究最充分的是利用機器學(xué)習(xí)預(yù)測臨床特征，占出版物的60%以上。但是在保密和隱私問題的干預(yù)措施方面的研究還很有限，是今后需要加強研究的方向[24-25]。另外，雖然目前國內(nèi)外將人工智能技術(shù)運用在抑郁癥篩查的實例層出不窮，但存在樣本量較少且缺乏系統(tǒng)的理論指導(dǎo)等問題，而針對大學(xué)生這一特殊群體的抑郁篩查的實踐研究較缺乏，也不乏將二者結(jié)合并實施救援的卓有成效的案例，怎樣最大限度地將人工智能技術(shù)的優(yōu)點運用在大學(xué)生群體的抑郁篩查中并變篩查為預(yù)警是具有創(chuàng)新性和挑戰(zhàn)性的研究。

4.1 國外研究現(xiàn)狀

人工智能在醫(yī)學(xué)領(lǐng)域的深度融合已成為未來醫(yī)療發(fā)展的大趨勢。2016年，美國麻省理工學(xué)院的研究人員開發(fā)出一種神經(jīng)網(wǎng)絡(luò)模型，能夠以較高準(zhǔn)確度對個人患有認(rèn)知功能障礙的可能性做出預(yù)測。研發(fā)團隊稱該模型能夠通過訪談方式對文本及音頻數(shù)據(jù)進行解析，從而發(fā)現(xiàn)預(yù)示壓抑情緒的表達模式。在給定新主題情況下可預(yù)測相關(guān)個體是否存在抑郁情緒，結(jié)合文字和音頻的多模態(tài)模型獲得了最高的性能，達到0.83的召回率[26]。該預(yù)測系統(tǒng)模型可用于在校大學(xué)生自查心理精神狀況，為學(xué)生提供知識幫助，或在必要時作為學(xué)生向?qū)I(yè)咨詢機構(gòu)或醫(yī)療機構(gòu)尋求幫助的便捷渠道。研究提出了相似的一類構(gòu)建在深度神經(jīng)網(wǎng)絡(luò)上的神經(jīng)閱讀理解模型，該模型比基于特征的手工傳統(tǒng)模型在學(xué)習(xí)豐富的語言現(xiàn)象方面更加有效，如果該模型被運用在監(jiān)控活動的移動應(yīng)用程序，社交平臺和數(shù)字個人助理如Siri、谷歌助手等將會使得人工智能真正“智能化”地理解人類文本等信息，從而更精確地識別出抑郁癥高危人群[27]。斯坦福大學(xué)AI100即“人工智能百年研究”報告中指出一款能監(jiān)測易受心理健康問題影響者的App(Lifegraph)的開發(fā)者聲稱，該軟件可以在住院患者入院前1個月檢測出他的精神健康狀況——沒有一個社會護理工作者擁有這樣的技能[28]，這些都是國外走在前端的人工智能在抑郁癥預(yù)警中運用的范例。這些方法都可以借鑒到大學(xué)生抑郁癥的篩查中，變篩查為預(yù)警，具有良好的發(fā)展前景。

4.2 國內(nèi)研究現(xiàn)狀

國內(nèi)有關(guān)人工智能運用在抑郁癥篩查中的研究較少，特別是人工智能技術(shù)的開發(fā)和創(chuàng)新較國外的發(fā)展滯后，但針對大學(xué)生這一特殊群體的實踐研究有探索性的嘗試并取得了很好的效果。其中比較突出的與國外研究相似且與大數(shù)據(jù)相結(jié)合的案例是楊秀巖等[19]以大樣本調(diào)研數(shù)據(jù)為基礎(chǔ)，應(yīng)用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建抑郁癥早期篩查模型。神經(jīng)網(wǎng)絡(luò)屬于人工智能的一個分支，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)主要工作原理是通過工程技術(shù)手段模擬人體腦部神經(jīng)結(jié)構(gòu)和功能特征。他們收集高校學(xué)生和企業(yè)員工兩個人群的一般人口學(xué)資料、病史和量表等數(shù)據(jù)形成神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試樣本，篩選與抑郁癥發(fā)病密切相關(guān)的背景因素，將其作為神經(jīng)網(wǎng)絡(luò)的輸入變量，將抑郁自評量表評分作為輸出變量，分析其臨床應(yīng)用的可行性，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型對兩個人群的量表評分的預(yù)測符合率分別為76.03%和73.93%[19]，說明其應(yīng)用于高校學(xué)生和企業(yè)員工兩個人群的抑郁癥早期篩查具有較大潛力，值得深入研究。另外，Jiang等[29]在前人研究的基礎(chǔ)上，利用普通話的韻律、頻譜等特征，提出了一種用于言語抑郁檢測的綜合邏輯回歸模型并進行了試驗，結(jié)果表明該方法的準(zhǔn)確率為女性75.00%、男性81.82%，且具有較高的靈敏度和特異度。這提示人工智能在抑郁癥篩查中的運用還可以基于中國特有的對普通話即聲音信息等方面的綜合分析，和國外結(jié)合文字和音頻的多模態(tài)模型預(yù)測相關(guān)個體是否存在抑郁情緒的研究不謀而合，這其中的數(shù)據(jù)來源和所運用的人工智能中的集成邏輯回歸模型和神經(jīng)網(wǎng)絡(luò)方法都可以借鑒到大學(xué)生抑郁癥的早期篩查中。通過人工智能方法動態(tài)監(jiān)測，實時預(yù)警，確定抑郁的高危人群，進而實施救援。國內(nèi)較成功地運用人工智能進行抑郁癥的篩查并實施救援行動的例子是荷蘭阿姆斯特丹自由大學(xué)人工智能系終身教授與首都醫(yī)科大學(xué)大腦保護高精尖中心抑郁癥人工智能創(chuàng)新團隊首席科學(xué)家黃智生在與首都醫(yī)科大學(xué)附屬北京安定醫(yī)院密切的科研合作中發(fā)起的“樹洞行動救援團”項目，其目標(biāo)是借助一個智能主體(又稱機器人)巡視各種社交媒體，使用其核心的知識圖譜技術(shù)(又稱語義技術(shù))，發(fā)現(xiàn)高風(fēng)險的有自殺傾向的人群，然后組織人力實施救援。在機器人的幫助下，“樹洞行動救援團”在2018年7—12月，對具有高自殺風(fēng)險的300多名抑郁癥患者給予了關(guān)注，對其中超過139人次實施了有效救助，其中不乏因為感情或?qū)W習(xí)等問題患上抑郁癥而獲得救援的大學(xué)生。這表明運用人工智能技術(shù)對大學(xué)生社交媒體數(shù)據(jù)進行實時監(jiān)測并在發(fā)現(xiàn)問題時采取行動是可行且高效的，很可能會降低抑郁癥及其導(dǎo)致的自殺等不良結(jié)果的發(fā)生率。

5 結(jié) 語

基于心理量表的傳統(tǒng)篩查方法對大學(xué)生抑郁癥的篩查存在滯后性、被動性和受限性等缺點。隨著科學(xué)技術(shù)的發(fā)展，通過微博、微信、App等新媒體方法與心理量表結(jié)合進行篩查是傳統(tǒng)方法的延伸，也是預(yù)警模型的數(shù)據(jù)來源，同時衍生出的人工智能技術(shù)和大數(shù)據(jù)技術(shù)進一步解決傳統(tǒng)方法存在的問題，也使得對于大學(xué)生抑郁癥從篩查到預(yù)警成為可能。由此大學(xué)生抑郁癥篩查更加精確、高效、實時，具有很好的發(fā)展前景。而大數(shù)據(jù)技術(shù)和人工智能技術(shù)本身也存在不足，如隱私保護等問題，這些均是未來研究的熱點和難點。