谁最容易受到抑郁症数字表型分析的伤害？
社交弱势的老年人是风险最高的群体之一。在一项为期6周、针对25名社交弱势老年人（其中许多人独居且数字技能有限）的试点研究中，研究人员发现，尽管可穿戴传感器能够预测日常抑郁症状，但该系统需要额外的面对面培训才能正常使用[1]。若缺乏这种支持，这些用户可能被排除在技术带来的益处之外，甚至更糟——收到不准确的反馈，从而引发困扰。该研究明确指出，在研究期间，可用性评分并未提升，这意味着技术本身成了一道障碍。
孕产妇是另一高风险群体。一项针对2062例妊娠的研究发现，将每日情绪报告与严重孕吐或痉挛等妊娠特异性症状相结合时，抑郁预测模型的效果最佳[5]。但研究者提醒，其研究结论仅适用于"具备数字素养的患者群体"——这意味着教育程度较低、收入较低或智能手机使用受限的女性可能被错误分类或忽视。另一项针对308名新手母亲的研究表明，远程自我评估可在产后第三周以93%的准确率检测出产后抑郁，但前提是产妇有持续报告的积极性[3]。那些不堪重负、睡眠不足或缺乏网络接入的女性可能无法参与，其抑郁症状可能在系统错误显示"低风险"时被漏诊。
高社会脆弱性人群——以贫困、住房不稳定和少数族裔身份等因素衡量——同样面临风险。一项涵盖2086通真实电话通话的大型研究发现，基于语音的抑郁症检测在不同社会脆弱性水平的人群中表现一致[4]。然而，这项研究仅纳入了已加入健康计划并与个案管理员通话的个体。那些最与社会脱节的人群——没有保险、没有手机或回避医疗的人——并未被纳入研究。对于他们而言，数字表型分析要么完全无法检测到抑郁症，要么若被应用于求职面试或保险评估等公共场景，则可能被用于歧视。
数字表型分析对这些弱势群体可能造成哪些具体伤害？
最直接的危害是误判——要么错误地将某人标记为抑郁，要么遗漏真实的抑郁症状。在针对老年人的研究中，每日睡眠碎片化程度和效率变化可预测抑郁风险，但该系统的准确性依赖于持续佩戴Fitbit设备[1]。如果老年人忘记充电或佩戴设备，系统可能将缺失数据解读为"无症状"，从而产生虚假的 reassurance（安心感）。反之，一夜糟糕的睡眠可能触发错误警报，引发不必要的担忧或徒增临床就诊。
隐私和污名化是主要担忧，尤其对于新手妈妈而言。这项产后抑郁研究通过远程方式收集了12周内的情绪、压力和依恋评分[3]。如果这些数据在未经同意的情况下与雇主、保险公司甚至家庭成员共享，可能导致歧视、失去抚养权的担忧或社会羞辱。而孕期研究收集了书面语言（自然语言输入），虽提高了预测准确性，但也捕捉到了极其私密的个人情境[5]——一位女性描述“感到被困住”或“与宝宝缺乏情感联结”时，可能被标记为高风险，并引发她从未预料到的后果。
对于社会弱势老年群体而言，缺乏支持会加剧其受到的伤害。试点研究发现，虽然与社区护理人员共享健康反馈能改善心理健康状况，但该系统本身并不直观[1]。如果老年人无法理解“交通信号灯”标识（用绿/黄/红三色分别代表压力、睡眠、活动状态），他们可能会忽视警告，或对黄灯信号产生恐慌。若缺乏面对面培训，这项技术非但无法提供帮助，反而会成为焦虑的源头。
如何降低这些风险？
证据表明，有几项切实可行的保障措施。首先，数字表型分析工具必须与弱势用户共同设计。针对老年人的研究显示，面对面的培训对于提升可用性是必要的[1]——这一发现与孕期研究中对数字素养的警示相呼应[5]。任何部署都应包括实操指导、通俗易懂的解释，以及能够协助解读结果的人工支持（如社区护理人员）。
第二，关于收集哪些数据以及如何使用这些数据的透明度不容妥协。一项针对40项关于压力、焦虑和轻度抑郁的数字表型研究的系统综述指出，大多数研究使用了被动传感器（GPS、蓝牙、加速度计），但未明确讨论知情同意或数据共享风险[6]。弱势群体——如老年人、孕妇、低收入人群——可能并未意识到自身行为被追踪的程度。清晰简洁的知情同意流程以及选择退出特定数据流的选项至关重要。
第三，在实际部署前，必须在真实世界多样化人群中进行验证。基于语音的抑郁症研究虽然规模较大（2086条录音），但仅测试了已处于医疗体系中的患者[4]。韩国一项针对455名社区成年人的智能手机研究表明，将被动数据与简短自评相结合可达到良好准确率（焦虑症AUC最高达0.86）[2]，但该研究针对的是普通成年人群，而非特定弱势群体。除非这些工具已在最可能受到伤害的人群（如低文化水平者、无稳定住所者或严重精神疾病患者）中经过测试，否则不应将其用于治疗拒绝或保险调整等高风险决策。
关于这些来源
该答案基于6篇经同行评审的研究构建而成——发表于2021年至2026年间，其中4篇为2024年及以后发表，6篇均来自Q1期刊，累计被引用101次——这些研究是从通过质量筛选的6篇文献中选出的最具相关性的成果，而后者又源自从超过5亿篇论文数据库中检索到的51篇论文。
本文引用的文献
基于社区数字心理健康监测平台对社交脆弱老年人群及其社区照护者的老年抑郁症数字表型分析：为期6周的生活实验室单臂试点研究
在一项为期6周、针对25名社会弱势老年人的试点研究中，可穿戴传感器成功预测了每日抑郁症状，但该系统需要额外的面对面培训才能正常使用，且在整个研究期间，其可用性评分并未得到改善。
基于智能手机的数字表型技术在韩国社区环境中检测高风险抑郁与焦虑的应用
在一项针对韩国455名社区居住成年人的前瞻性研究中，基于智能手机的数字表型分析将被动GPS/加速度计数据与简短自我报告相结合，在检测高风险焦虑和抑郁方面分别达到了高达0.86和0.83的AUC值。
利用人口学、临床及数字表型特征早期识别产后抑郁
在两个新妈妈队列（总样本量N=501）中，产后第3周通过远程自我评估情绪、压力和依恋状况，在验证队列中识别产后抑郁的平衡准确率为93%，识别适应障碍的平衡准确率为79%。
用于在大型支付-提供者系统中检测抑郁症严重程度的数字表型分析：语音与语言模型性能的回顾性研究
在一项针对2086例真实世界个案管理通话的研究中，一种分析语音（语义与声学特征）的机器学习模型以0.54–0.57的一致性相关系数预测了抑郁严重程度，且在不同年龄、性别及社会脆弱性水平上表现稳定。
使用自我报告数据对孕期抑郁症进行数字表型分析
在一项针对2,062例妊娠的观察性研究中，基于自我报告的每日情绪、妊娠症状及书面语言构建的抑郁预测模型，其AUC值达到0.64–0.83。但作者提醒，该研究结果不适用于不具备数字素养或缺乏自我驱动力的群体。
针对压力、焦虑及轻度抑郁的数字表型分析：系统文献综述
一项对40项研究的系统综述发现，智能手机传感器（GPS、加速度计、蓝牙）能够有效检测与压力、焦虑及轻度抑郁相关的行为模式，但大多数研究未讨论针对弱势群体的知情同意或数据共享风险。