不規律的作息和不正常的心率可能是抑鬱症的前兆。新加坡南洋理工大學研究人員開發一套電腦程式，可以通過分析人體活動數據，判斷一個人是否健康或患重度抑鬱，準確率高達80%。
新加坡心理衛生學院研究曾指出，冠病疫情將導致更多人患上抑鬱症。世界衛生組織的數據則顯示，全球半數抑鬱症患者沒有接受診斷和治療。
為了讓更多人正視心理健康和抑鬱症，新加坡南洋理工大學李光前醫學院人口健康科學中心主任約瑟普·卡爾教授（Josip Car）聯合帶領研究團隊，開發一款名為Ycogni的電腦模型。研究員藉助智能手錶等可穿戴設備，全天候採集267名工作人士的步數、心率、能量消耗，以及睡眠等數據，為期14天。
Ycogni可通過分析數據，推測研究對象的身體活動、睡眠模式和生物鐘，從而評估患重度抑鬱症的風險。
卡爾說：「許多抑鬱症患者都知道，睡眠障礙是很常見的症狀，反映在數據上就是凌晨2時到6時的心率發生變化。不固定的起床時間和入睡時間等因素都會影響患抑鬱症的風險。此外，無助、無趣、食慾和體重突變也是抑鬱症的症狀。」
他說，研究證明，通過可穿戴設備傳感器收集的數據來檢測患抑鬱症風險是可行的。隨著機器持續學習及可穿戴設備普及，Ycogni下來或許可用於實時和日常的抑鬱症篩查。
聯合領導研究的新加坡南洋商學院副教授喬治·克里斯托普洛斯（Georgios Christopoulos）指出，Ycogni也可用來研究一些特定群體如護士和士兵的心理狀態，並及時進行組織調整以改善問題。
這項研究結果在去年10月發表於學術期刊「JMIR mHealth and wHealth」。由於研究仍在初步階段，研究員只篩選和分析了重度抑鬱症患者和完全健康者的數據；因此，Ycogni目前未能對情況非極端的一般抑鬱症患者做出準確診斷。在極端情況下，Ycogni的敏感度（即在重度抑鬱患者中電腦模型診斷屬陽性的機率）為82%，而特異度（即在健康患者中電腦模型診斷屬陰性的機率）為78%。
卡爾指出，團隊下來將擴大研究範圍，加入智慧型手機使用率和皮膚溫度變化的數據，並用更長的實驗周期和更多的實驗對象，以完善現有研究成果。
