Sleep and Activity Patterns as Transdiagnostic Behavioral Biomarkers in Psychiatry: Longitudinal Observational Study From the DeeP-DD Study
Notice bibliographique
Résumé
Background: Despite widespread use of symptom rating scales in psychiatry, these tools are limited by reliance on self-report, infrequent administration, and lack of predictive power. This constrains clinicians' ability to monitor illness trajectories or anticipate adverse outcomes like relapse. Actigraphy, a passive wearable-based method for measuring sleep and physical activity, offers objective, high-resolution behavioral data that may better reflect symptom fluctuations. Prior research has shown associations between actigraphy features and mood or psychosis symptoms, but most studies have focused on narrow diagnostic groups or fixed time windows, limiting clinical translation. Objective: This study aims to examine whether actigraphy-derived sleep and activity features correlate with psychiatric symptom severity in a transdiagnostic psychiatric sample, and to identify which features are most clinically relevant across multiple temporal resolutions. Methods: We present a feasibility case series study analyzing preliminary data from 8 outpatients (ages 18-52 years) enrolled in the Deep Phenotyping and Digitalization at Douglas (DeeP-DD) study, a prospective transdiagnostic study of digital phenotyping. Participants wore wrist-based actigraphy devices (GENEActiv) for up to 5 months. Symptom severity was measured using a variety of self- and clinician-rated scales. We performed intraindividual Spearman correlations and interindividual repeated measures correlations across daily, weekly, monthly, and full-duration averages. Results: Intraindividual analyses revealed that later rise times were significantly associated with higher weekly 9-item Patient Health Questionnaire (PHQ-9) scores in participant 7 (ρ=0.74, P<.001) and participant 4 (ρ=0.78, P=.02), as well as higher weekly 7-item General Anxiety Disorder (GAD-7) scores in participant 7 (ρ=0.59, P=.03). While similar trends were observed at daily and monthly timescales, the weekly resolution yielded the most robust significance. Interindividual analyses showed that weeks with later average rise time correlated with higher PHQ-9 (r=0.48, P<.001) and GAD-7 scores (r=0.38, P=.03), with the PHQ-9 association remaining significant after Bonferroni correction (Bonferroni-corrected P=.02). Increased light physical activity was linked to lower PHQ-9 scores weekly (r=-0.44, P=.001) and monthly (r=-0.53, P=.01). Over the whole duration of the study, increased levels of sedentary activity were associated with lower GAD-7 scores (ρ=0.74; P<.001). Conclusions: Our findings highlight actigraphy-derived sleep and activity features, particularly rise time and physical activity, as promising transdiagnostic markers of psychiatric symptom burden. Their consistent associations across temporal scales and diagnostic groups underscore their potential utility for scalable, real-world clinical monitoring. Future work should validate these findings in larger cohorts and explore advanced analytical methods to capture circadian rhythmicity and symptom dynamics more precisely.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».