基于真实世界多模态数据的智能化围产期抑郁症智能体研发
科室: 生物医学大数据中心/中国人民生命安全研究院
论文摘要: 背景及目的
围产期抑郁症（Perinatal depression，PND）是威胁母婴健康的重要公共卫生问题，我国孕产妇患病率高达28%，但目前识别主要依赖国外量表和医生主观判断，存在统一指南缺失、随访不足和漏诊率高的问题。本研究旨在依托真实世界纵向队列数据，研发多模态围产期抑郁症智能体（PND Agent），构建“筛查-分层干预-随访”一体化闭环体系，实现高灵敏度、高特异性的风险识别与个体化干预，推动孕产妇心理健康管理的智能化、标准化和可推广化。
方法
研究依托深圳市坪山妇幼保健院“出生队列”，对孕期至产后1年的孕产妇进行纵向随访（孕11–13周入组，排除严重精神或器质性疾病），随访时间点为孕17、24、31、40周及产后6周和1年。收集多模态数据，包括生理与临床指标、心理与社会因素、音视频行为数据以及标准化量表评估（EPDS等）。数据经预处理后输入跨模态融合机制（IDDA），提取表情、语音、文本等关键特征。基于DeepSeek-MoE-64B构建PND Agent，包括Triage Agent（患者端自评与预警）、Clinician Copilot（医生辅助诊疗）、Intervention Coach（分层干预指导）、Safety Sentinel（高风险安全监测）与Data Steward（数据管理与模型增量学习）。模型训练结合误判反馈、专家双盲验证与定期微调，确保灵敏度、特异性与公平性。干预策略基于积极心理学框架，分为三级：中低风险，小程序自助练习与行为监测；中高风群体教育与互动课程；高风险：个体化干预及产科—精神科MDT联合会诊。采用真实世界对照设计，研究组应用PND Agent智能体系，对照组接受常规随访与健康教育；通过过程与结局评估比较筛查准确性、干预效果及成本效益。
结果
目前已完成150余例孕妇的纵向多模态数据采集，初步分析显示，PND风险与以下特征显著相关：生理信号（低心率变异性、夜间睡眠不规律）、面部表情（负性表情频率增加）、语音特征（语速减慢、声调平淡）、语言文本（负性情绪词汇增加）及心理社会因素（低社会支持、孕期应激事件增多）。能体架构可在随访过程中实现风险动态监测、自动分层与干预推送。AI驱动的PND Agent在灵敏度、依从性和转诊及时性方面表现出较高稳定性，为后续多中心推广奠定基础。研究预计构建出覆盖筛查、干预与随访的标准化PND智能生态系统，实现个体化风险预测与分层干预，明确危险因素与最佳干预时机，提升孕产妇心理健康管理水平。
结论
本研究通过构建基于真实世界多模态数据的PND智能体（PND Agent），实现了从风险筛查到分层干预的全流程智能化闭环。该体系兼顾可解释性与安全性，不仅能提升围产期抑郁症的早期识别率与干预有效性，还能促进随访体系的统一与标准化。未来，PND Agent有望在更大范围内应用，为我国孕产妇心理健康管理提供可推广、可复制的智能解决方案，支撑“健康中国”战略落地。