Mom2B: Förutsäga perinatal depression med smartphonebaserad digital fenotypning och maskininlärning

Huvudhandledare: Fotis Papdopoulos
Bihandledare: Ginevra Castellano, Stavros Iliadis och Caisa Öster

Vad har du för utbildningsbakgrund?
Jag har en kandidatexamen i psykologi och en magisterexamen i klinisk psykologi, med forskningserfarenhet inom hälsopsykologi. Vidare har jag arbetat som forskningsassistent i ett projekt som främjar tidiga insatser för mamma-spädbarns bindning bland flyktingkvinnor som upplever postnatal depression.

Varför ansökte du till WOMHERs tvärvetenskapliga forskarskola?
Tvärvetenskaplig forskning ligger i framkant av den akademiska världen nu och är en fantastisk möjlighet att vidga gränserna för forskning inom ett specifikt ämne. Min främsta motivation för att söka till WOMHER var forskningsprojektets natur. Jag hade arbetat inom psykologi samtidigt som jag hade ett starkt personligt intresse för teknik och artificiell intelligens. Det var viktigt för mig att projektet jag tillämpade var att hänga med i tiden och införliva nya, avancerade metoder vi har tillgängliga idag för att samla in data och analysera den. Som en del av WOMHER kunde jag också träffa andra forskare som arbetar inom området kvinnors psykiska hälsa, vilket inte bara är en fantastisk möjlighet att nätverka, utan också ett användbart stödnätverk att ha.

Berätta mer om ditt forskningsprojekt?
Mom2B är en smartphone-app-baserad studie. Syftet med detta projekt är att utveckla och utvärdera modeller för maskininlärning och djupinlärning som förutsäger risken för depression under den perinatala perioden. Kvinnor kan ladda ner Mom2B-appen och tillhandahålla data via appen. Projektet tittar på episoder av depression när som helst under graviditeten och upp till ett år efter förlossningen. En av nyheterna i detta projekt är vår insamling av telefonsensordata för att härleda beteendemönster i vardagen, förutom självrapporterad information. Dessutom strävar vi efter att utforska acceptansen och upplevelsen av appen för användare för att förbättra vår förståelse för hur mobila hälsoappar som denna bäst kan implementeras i den verkliga världen.

Vad hoppas du att effekten av detta projekt ska bli?
Min doktorsexamen lägger mycket fokus på implementeringen och acceptansen av denna app och algoritmen i verkliga miljöer. För mig skulle det vara fantastiskt att se algoritmen vi utvecklar användas i form av en självhjälpsapp, eller en app som kan integreras i sjukvården och hjälpa till att upptäcka kvinnor som riskerar att drabbas av depression så att de kan erbjudas tidiga förebyggande insatser. Att kunna spåra sin egen hälsa privat och personligt borde vara stärkande för kvinnor och bryta några av barriärerna på patientnivå för att screena och söka hjälp.

Övrig information, referenser och länkar
Förutsäga perinatala hälsoresultat med smartphonebaserad digital fenotypning och maskininlärning i en prospektiv svensk kohort (Mom2B): studieprotokoll. BMJ Open, 12(4). DOI: http://dx.doi.org/10.1136/bmjopen-2021-059033


Doktorand Fatih Özel

Doktorand vid Institutionen för medicinska vetenskaper, Psykiatri

FÖLJ UPPSALA UNIVERSITET PÅ

facebook
instagram
twitter
youtube
linkedin