Using Smartphone-Based Digital Phenotyping to Predict Relapse in Serious Mental Disorders Among Slum Residents in Dhaka, Bangladesh: Protocol for a Machine Learning Study
Notice bibliographique
Résumé
Background: Serious mental illnesses (SMIs) are associated with high relapse rates and limited access to continuous care, particularly in low-resource settings such as urban slums. Traditional clinical monitoring is constrained by accessibility and scalability challenges. Digital phenotyping, through passive smartphone data, offers a novel approach to predict relapse by capturing real-world behavioral changes. Objective: This study aims to evaluate the feasibility and predictive value of smartphone-based digital phenotyping for detecting relapse in individuals with SMIs living in the Korail slum of Dhaka, Bangladesh. Methods: This prospective 6-month cohort study will recruit 430 participants diagnosed with SMIs who own Android (Google LLC) smartphones. Passive data (eg, screen time, mobility, and call or text frequency) will be continuously collected using a custom-built app (DataDoc). Monthly active data, including symptom and functioning assessments, will be collected via self-report and clinical engagement. Machine learning models will integrate these data to detect early warning signs and predict relapse trajectories. Results: This study was funded by the NIHR (National Institute for Health and Care Research; award number NIHR200846) in October 2022. Data collection commenced in August 2025 and is ongoing. A total of 14 participants have been recruited, as of January 2026. Preliminary data analysis is ongoing, with expected results to be published in fall 2026. Conclusions: This study is one of the first to apply smartphone-based digital phenotyping and machine learning for relapse prediction in low- and middle-income countries' slum settings. The findings will inform scalable, low-cost digital interventions to address the mental health treatment gap in underresourced communities.
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 | 0,011 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,044 | 0,011 |
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 ».