多模态数据与微型循环神经网络预测问题性饮酒者次日酒精渴求的前瞻纵向研究

Journal of medical Internet research · 2026-11-11 · 期刊论文

• 一句话结论：材料提示，整合智能手机数字表型与基线 EEG、HRV 及心理测量的多模态模型，在预测次日酒精渴求上优于仅用数字表型的单模态模型；方向为多模态优于单模态，强度为统计检验支持，但绝对预测准确度仍偏低，尚不足以下临床结论。
• 研究设计与做法：设计为前瞻性纵向研究，60 名问题性饮酒者，采集 28 天智能手机数字表型及基线 EEG、HRV 与心理测量；采用微型多模态循环神经网络，将静态基线特征编码为潜在表示以初始化隐藏状态；对照为仅用数字表型的单模态模型。随访时长 28 天。
• 主要结果：主要结果：多模态模型准确率 0.56 对 0.45，加权 F1 0.51 对 0.38，宏 F1 0.37 对 0.24，平均绝对误差 0.68 对 0.90；个体层面 72%（43/60）参与者预测准确度改善；Wilcoxon 符号秩检验提示差异具统计学意义，p 值材料截断未完整报告。
• 机制或解释：机制或解释：作者指出酒精渴求具有个体间与时间上的异质性与多维性，单一模态难以捕捉，多模态人工智能可整合互补的行为与神经生理特征；材料未报告更具体的神经机制解释。
• 局限与边界：局限与边界：样本量 60，单一样本来源，随访 28 天；绝对准确率与 F1 偏低，宏 F1 仅 0.37，类别不平衡下性能有限；材料未报告中心数量、脱落情况与利益冲突；EEG 与 HRV 仅基线测量，未纳入纵向生理数据。
• 可否落地：可否落地：对科研而言，证据支持多模态融合可提升次日渴求预测的相对表现，可作为方法学参考；对临床预警应用而言提示有限，因绝对准确度不足，尚不足以下结论，需更大样本与外部验证。

🔗 打开原文

Lee D, Lee JY, Lee H 等

本文摘自《每日前沿研究简报 · 2026-11-13》「HRV / 自主神经 / 生物反馈」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。