PLOS Digital Health

Depression represents a complex, multifactorial disorder influenced by the interplay of biological, behavioral, and social determinants. While extensive health surveys, including the National Health and Nutrition Examination Survey (NHANES), gather comprehensive multidomain data, existing studies tend to analyze these domains independently, overlooking the potential to identify integrated, data-driven patterns of depression risk. We have developed SYNERGY-VAE, an interpretable and multimodal deep learning framework that is designed to identify latent health subgroups and facilitate the transparent prediction of depression risk, utilizing NHANES-derived multimodal data from a large analytic cohort that spans five distinct domains from 2005 to 2018. SYNERGY-VAE utilizes a variational autoencoder to learn a shared latent representation derived from five modalities of NHANES, specifically demographic, dietary, examination, laboratory, and questionnaire data. Clustering within this latent space revealed subpopulations exhibiting distinct health signatures. To enhance interpretability, we triangulated insights utilizing encoder weights, standardized mean differences, and permutation feature importance (PFI). Machine learning classifiers were trained within each cluster employing the top 30 PFI-ranked features, with performance evaluated through the receiver operating characteristic area under the curve (AUC) in a 70/30 train-test split. Three latent clusters emerged, each demonstrating markedly different observed prevalence rates of depression within the analytic sample, ranging from 6.8% to 10.9%. Cluster-specific models consistently surpassed pooled models in performance, with the highest predictive accuracy identified in Cluster 2 utilizing XGBoost (AUC = 0.839, 95% CI:0.804–0.874). The importance of features varied across clusters, indicating unique depression risk profiles specific to each subgroup. SYNERGY-VAE demonstrates the power of generative, explainable deep learning for the identification of latent health phenotypes, thereby furthering the objectives of precision mental health. By integrating high-dimensional, multimodal data and facilitating transparent subgroup discovery, our model may inform future stratified and context-aware screening research and contribute to precision psychiatry-oriented research in large health survey datasets.

افسردگی یک اختلال پیچیده و چندعاملی است که تحت تأثیر تعامل عوامل زیستی، رفتاری و اجتماعی قرار دارد. اگرچه پیمایش‌های گسترده سلامت، از جمله پیمایش ملی سلامت و تغذیه (NHANES)، داده‌های جامع چندحوزه‌ای را گردآوری می‌کنند، مطالعات موجود تمایل دارند این حوزه‌ها را به طور مستقل تحلیل کنند و از شناسایی الگوهای یکپارچه و مبتنی بر داده‌های ریسک افسردگی غافل می‌شوند. ما SYNERGY-VAE را توسعه داده‌ایم؛ یک چارچوب یادگیری عمیق چندوجهی و قابل تبیین که برای شناسایی زیرگروه‌های پنهان سلامت و تسهیل پیش‌بینی شفاف ریسک افسردگی طراحی شده است و از داده‌های چندوجهی استخراج‌شده از NHANES در یک نمونه تحلیلی بزرگ که پنج حوزه متمایز را از سال ۲۰۰۵ تا ۲۰۱۸ دربرمی‌گیرد، بهره می‌برد. SYNERGY-VAE از یک واریاسیونال اتوانکودر برای یادگیری نمایش پنهان مشترک مشتق‌شده از پنج وجه NHANES، به طور خاص داده‌های جمعیت‌شناختی، رژیمی، معاینه، آزمایشگاهی و پرسشنامه‌ای استفاده می‌کند. خوشه‌بندی در این فضای پنهان، زیرجمعیت‌هایی با امضاهای سلامت متمایز را آشکار ساخت. برای افزایش قابلیت تبیین، بینش‌ها با استفاده از وزن‌های انکودر، تفاوت میانگین استانداردشده و اهمیت ویژگی مبتنی بر جایگشت (PFI) مثلث‌بندی شدند. طبقه‌بندهای یادگیری ماشین در هر خوشه با استفاده از ۳۰ ویژگی برتر رتبه‌بندی‌شده بر اساس PFI آموزش داده شدند و عملکرد آن‌ها از طریق مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) در تقسیم ۷۰/۳۰ آموزش-آزمون ارزیابی شد. سه خوشه پنهان شناسایی شد که هر یک نرخ‌های شیوع مشاهده‌شده افسردگی به طور قابل توجهی متفاوتی را در نمونه تحلیلی نشان دادند، که از ۶.۸٪ تا ۱۰.۹٪ متغیر بود. مدل‌های اختصاصی خوشه به طور پیوسته عملکرد بهتری نسبت به مدل‌های تجمیعی داشتند و بالاترین دقت پیش‌بینی در خوشه ۲ با استفاده از XGBoost (AUC = 0.839, 95% CI:0.804–0.874) مشاهده شد. اهمیت ویژگی‌ها در خوشه‌های مختلف متفاوت بود و نشان‌دهنده پروفایل‌های ریسک افسردگی منحصر به فرد برای هر زیرگروه بود. SYNERGY-VAE قدرت یادگیری عمیق مولد و قابل تبیین را برای شناسایی فنوتیپ‌های پنهان سلامت نشان می‌دهد و بدین ترتیب اهداف سلامت روان دقیق را پیش می‌برد. با یکپارچه‌سازی داده‌های چندوجهی با ابعاد بالا و تسهیل کشف شفاف زیرگروه‌ها، مدل ما می‌تواند پژوهش‌های آینده غربالگری لایه‌بندی‌شده و زمینه‌محور را اطلاع‌رسانی کند و به پژوهش‌های روان‌پزشکی دقیق در داده‌های بزرگ پیمایش سلامت کمک نماید.

Mood follows a well-documented circadian rhythm. Sleep timing and duration are similarly shaped by biological and social factors. However, large-scale, real-world data on how these patterns vary across demographic groups remain limited. Prior studies often rely on laboratory data or social media linguistic analysis, which lack direct self-reports. This study examines hourly, weekly, and demographic trends in mood and sleep duration reports using one of the largest online datasets of directly self-reported behavioral health: 468,092 Lumosity users (aged 20–79) who reported daily mood (−2 to +2 scale) and sleep duration (≤5–9 + hours). We assessed variation by time of day, day of week, and interactions of age, gender, and race/ethnicity using ANOVA and linear regression. Mood was higher among users reporting in the afternoon and evening, and lower from late night through morning. Mood showed a U-shaped pattern with age, consistent throughout the week, and longer sleep duration was linked to better mood reports throughout the day and week. Sleep duration varied by time of report and by day of week, with longer durations in the afternoon/evening and on weekends. Women reported longer sleep overall, Black users reported shorter sleep, and sleep duration declined from young adulthood through midlife before rising slightly among older users. Higher mood was associated with longer sleep, and the weekday-weekend mood difference was larger among users reporting longer sleep. These findings demonstrate the value of large-scale digital data for public health insight, highlighting demographic disparities in sleep and the importance of midlife as a key intervention period. Because the sample is likely skewed toward higher educational attainment and health engagement, disparity estimates may understate true population-level differences. The late-night peak in negative affect aligns with literature on nocturnal suicide risk, though this nonclinical sample cannot directly speak to clinical risk or crisis-service need.

خلق و خو از یک ریتم شبانه‌روزی مستند پیروی می‌کند. زمان‌بندی و مدت خواب نیز به طور مشابه تحت تأثیر عوامل زیستی و اجتماعی قرار دارند. با این حال، داده‌های واقعی و گسترده درباره چگونگی تغییر این الگوها در میان گروه‌های جمعیت‌شناختی همچنان محدود است. مطالعات پیشین اغلب به داده‌های آزمایشگاهی یا تحلیل زبانی شبکه‌های اجتماعی متکی هستند که فاقد خودگزارش‌دهی مستقیم می‌باشند. این مطالعه روندهای ساعتی، هفتگی و جمعیت‌شناختی در گزارش‌های خلق و مدت خواب را با استفاده از یکی از بزرگ‌ترین مجموعه داده‌های آنلاین سلامت رفتاری با خودگزارش‌دهی مستقیم بررسی می‌کند: ۴۶۸٬۰۹۲ کاربر Lumosity (در بازه سنی ۲۰ تا ۷۹ سال) که روزانه خلق (در مقیاس −۲ تا +۲) و مدت خواب (۵ ساعت یا کمتر تا ۹ ساعت و بیشتر) را گزارش کردند. ما تغییرات را بر اساس زمان روز، روز هفته و تعاملات سن، جنسیت و نژاد/قومیت با استفاده از تحلیل واریانس (ANOVA) و رگرسیون خطی ارزیابی کردیم. خلق در میان کاربرانی که در بعدازظهر و عصر گزارش داده‌اند بالاتر و از نیمه‌شب تا صبح پایین‌تر بود. خلق الگوی U شکلی با سن نشان داد که در طول هفته ثابت بود و مدت خواب طولانی‌تر با گزارش‌های خلق بهتر در سراسر روز و هفته همراه بود. مدت خواب بر اساس زمان گزارش و روز هفته متفاوت بود، به طوری که در بعدازظهر/عصر و آخر هفته‌ها مدت خواب طولانی‌تر بود. زنان به طور کلی خواب طولانی‌تری گزارش کردند، کاربران سیاه‌پوست خواب کوتاه‌تری گزارش کردند و مدت خواب از اوایل بزرگسالی تا میانسالی کاهش یافت و سپس در میان کاربران مسن‌تر اندکی افزایش یافت. خلق بالاتر با خواب طولانی‌تر همراه بود و تفاوت خلق بین روزهای هفته و آخر هفته در میان کاربرانی که خواب طولانی‌تری گزارش کردند بیشتر بود. این یافته‌ها ارزش داده‌های دیجیتال گسترده را برای بینش سلامت عمومی نشان می‌دهد و بر نابرابری‌های جمعیت‌شناختی در خواب و اهمیت میانسالی به عنوان دوره‌ای کلیدی برای مداخله تأکید می‌کند. از آنجا که نمونه احتمالاً به سمت تحصیلات بالاتر و مشارکت بیشتر در سلامت گرایش دارد، برآورد نابرابری‌ها ممکن است تفاوت‌های واقعی در سطح جمعیت را کمتر از واقعیت نشان دهد. اوج خلق منفی در نیمه‌شب با ادبیات مربوط به خطر خودکشی شبانه همسو است، اگرچه این نمونه غیر بالینی نمی‌تواند مستقیماً درباره خطر بالینی یا نیاز به خدمات بحران اظهار نظر کند.

People living with severe mental illness experience substantial health inequalities and high rates of premature mortality, largely driven by modifiable lifestyle-related risk factors, including poor diet quality. Digital technologies may provide scalable and flexible opportunities to support healthier behaviours; however, few interventions have specifically targeted nutrition-related outcomes as a primary focus in this population. MindBia is a co-designed, web-based digital nutrition intervention consisting of six structured modules developed for individuals residing in high-support mental health hostels. The intervention was informed by prior studies with service users and mental health staff. This pilot study aims to evaluate the feasibility, acceptability, and preliminary effectiveness of the MindBia intervention over eight weeks. A mixed-method pre-post design will be employed. Participants will complete baseline and post-intervention assessments examining dietary behaviours, digital literacy, and general wellbeing. Engagement with the web-based application will be monitored using embedded usage analytics. Semi-structured interviews conducted post-intervention will explore participants’ experiences, perceived impact, and barriers to engagement. Findings from this pilot study will inform refinement of the MindBia web-based application and guide the design of a larger scale trial evaluating its overall effectiveness.

افراد مبتلا به اختلال روانی شدید با نابرابری‌های قابل توجه سلامت و نرخ بالای مرگ‌ومیر زودرس مواجه هستند که عمدتاً ناشی از عوامل خطر مرتبط با سبک زندگی قابل تغییر، از جمله کیفیت پایین رژیم غذایی است. فناوری‌های دیجیتال ممکن است فرصت‌هایی مقیاس‌پذیر و انعطاف‌پذیر برای حمایت از رفتارهای سالم‌تر فراهم کنند؛ با این حال، تعداد کمی از مداخلات به طور خاص پیامدهای مرتبط با تغذیه را به عنوان تمرکز اصلی در این جمعیت هدف قرار داده‌اند. MindBia یک مداخله تغذیه‌ای دیجیتال مبتنی بر وب است که با مشارکت کاربران خدمات و کارکنان سلامت روان، شامل شش ماژول ساختاریافته برای افراد ساکن در خوابگاه‌های سلامت روان با حمایت بالا طراحی شده است. این مطالعه مقدماتی با هدف ارزیابی امکان‌سنجی، مقبولیت و اثربخشی اولیه مداخله MindBia طی هشت هفته انجام می‌شود. از طرح پژوهشی ترکیبی پیش‌آزمون-پس‌آزمون استفاده خواهد شد. شرکت‌کنندگان ارزیابی‌های پایه و پس از مداخله را در زمینه رفتارهای تغذیه‌ای، سواد دیجیتال و سلامت عمومی تکمیل خواهند کرد. میزان مشارکت با برنامه مبتنی بر وب از طریق تحلیل‌های کاربری تعبیه‌شده پایش می‌شود. مصاحبه‌های نیمه‌ساختاریافته پس از مداخله به منظور بررسی تجارب شرکت‌کنندگان، تأثیر ادراک‌شده و موانع مشارکت انجام خواهد شد. یافته‌های این مطالعه مقدماتی به اصلاح برنامه مبتنی بر وب MindBia و هدایت طراحی کارآزمایی بزرگ‌مقیاس برای ارزیابی اثربخشی کلی آن کمک خواهد کرد.