Динамическая коррекция времени (DTW) в терапии расстройств пищевого поведения: анализ индивидуальных изменений

Введение

В психологических и психиатрических исследованиях, а также в клинической практике доминирующей парадигмой долгое время были групповые анализы для принятия терапевтических решений [27, 28]. Большинство исследований лечения расстройств пищевого поведения основывалось на поперечных исследованиях, когортном анализе и рандомизированных контролируемых испытаниях на групповом уровне. Однако пациенты с расстройствами пищевого поведения различаются не только по своим симптомам (например, [25]), но и по тому, как эти симптомы развиваются со временем во время терапии (например, [23]) и по их потенциальному отклику на вмешательства. Таким образом, групповое изменение может скрывать закономерности индивидуальных изменений, имеющих решающее значение для процесса выздоровления [14]. В результате происходит смена парадигмы в исследованиях лечения из-за растущего консенсуса о том, что исследования эффективности лечения должны фокусироваться на индивидуальных изменениях, а не на групповых [8, 24, 25].

Центральное место в этой смене парадигмы занимает необходимость лучшего понимания внутрииндивидуальной динамики — как симптомы, эмоции, когниции и поведение колеблются со временем в пределах одного человека, и как эти временные закономерности формируют прогресс и исходы лечения. За последние десятилетия исследования психотерапии все больше фокусируются на различении эффектов между людьми (групповой уровень) и внутриличностных процессов, чтобы выявить механизмы, стимулирующие терапевтические изменения [20, 21]. В последнее время это стремление развилось в сторону персонализации, признавая, что терапевтические изменения часто идиосинкратичны и формируются уникальным взаимодействием психологических процессов внутри индивида. В рамках этой зарождающейся парадигмы сетевая теория психических расстройств получила известность как перспективная основа для моделирования этой внутрииндивидуальной динамики (например, [6, 10]), в том числе в терапии расстройств пищевого поведения [25, 26].

Концептуализируя симптомы и психологические конструкты как взаимосвязанные узлы в динамической системе, сетевые модели предлагают новый подход к пониманию и персонализации процесса изменений в психотерапии [5, 9, 31]. Олтхоф и коллеги [31] предполагают, что психопатология может быть концептуализирована как сложная динамическая модель «самоорганизующихся взаимодействий между взаимозависимыми биосоциальными процессами в сложной адаптивной системе, состоящей из человека и его окружения» (стр. 314). Другими словами, они предполагают, что симптомы пациента могут образовывать взаимосвязанную, потенциально самоподдерживающуюся систему переживаний и поведенческих реакций. Детальный анализ комплексного набора симптомов каждого пациента может помочь выявить более целенаправленные точки вмешательства в терапии и, надеюсь, привести к лучшим результатам лечения.

Однако изучение этой динамики является методологически сложным. Многие из наиболее мощных доступных аналитических инструментов, такие как многоуровневые векторные авторегрессионные [13] модели или динамическое структурное уравнение (DSEM; [1], Hamaker & Muthèn, 2017), требуют обширных продольных данных — часто десятки или сотни временных точек на человека — для получения надежных оценок (например, [34]). Такие плотные данные редко доступны в реальных терапевтических условиях, где частота измерений ограничена как практическими, так и этическими соображениями. Метод выборки переживаний (Experience Sampling Method, ESM) может быть обременительным для пациентов с тяжелой психопатологией, у которых инициатива и энергия часто ограничены заболеванием. Это создает существенный барьер для широкомасштабного внедрения персонализированной помощи. Без доступа к подробным временным моделям клиницисты могут упустить критические сведения о том, как их клиенты меняются со временем. В то же время исследователи сталкиваются с трудностями обобщения индивидуальных результатов (т.е. идиографических результатов) на более крупные популяции, что ограничивает их способность информировать теорию и практику.

Динамическая коррекция времени (Dynamic Time Warping, DTW) может стать многообещающей альтернативой для исследования индивидуальной, а также групповой динамики временных сетей (т.е. сетей, основанных на данных, собранных во времени) в терапии расстройств пищевого поведения. DTW — это техника, первоначально разработанная для выравнивания временных рядов в обработке речи и сигналов, и в последнее время нашла применение в психологии и поведенческих науках (например, [11, 18, 22, 23, 33, 34]). В отличие от модельно-ориентированных подходов, DTW не требует параметрических предположений или обширных данных. Вместо этого он предоставляет гибкий, нелинейный способ измерения сходства между временными рядами, даже когда они различаются по длине или времени [18]. Мы предлагаем, что DTW может служить практическим методом для анализа идиографических данных, фиксирующих колебания симптомов или поведения внутри человека с течением времени, и впоследствии агрегировать эти закономерности на групповой уровень. Это позволяет нам сохранять гранулярность индивидуальных траекторий, выявляя общие черты между случаями, что дает обзор закономерностей изменений в психотерапии. Таким образом, DTW предлагает жизнеспособный путь к масштабируемому, экономически эффективному и клинически значимому анализу динамических процессов в терапии.

Этот учебник демонстрирует «как» и «почему» DTW в контексте расстройств пищевого поведения. Хотя наше внимание здесь сосредоточено на расстройствах пищевого поведения, представленный нами аналитический подход широко применим к другим стресс-связанным расстройствам, таким как тревожные расстройства, депрессия и посттравматическое стрессовое расстройство, состояния, для которых применима комплексная системная основа, поскольку широкий спектр биосоциальных факторов влияет как на их начало, так и на течение [6, 10, 32]. Мы излагаем теоретическое обоснование использования DTW с временными данными, описываем методологический рабочий процесс и предоставляем эмпирические иллюстрации с использованием клинических данных случаев расстройств пищевого поведения. Учебник реализован в статистическом программном обеспечении R (R Foundation for Statistical Computing, Вена, Австрия, 2016. URL: https://www.Rproject.org/), широко используемом сегодня языке для научных исследований. Мы предоставляем R-скрипты (в дополнительных файлах), которые направляют выполнение индивидуального и группового анализа DTW, которые могут быть применены к собственным наборам данных пользователей. Мы предлагаем учебник по неориентированным сетям, которые фиксируют закономерности сходства в изменении симптомов во времени, и ориентированным сетям, которые моделируют, как изменение одного симптома может вызывать изменение других, тем самым представляя потенциальные механизмы изменений.

Клинические данные, используемые в этом учебнике, получены из рандомизированного контролируемого исследования (РКИ), проведенного в Норвегии. Общее РКИ зарегистрировано на ClinicalTrials.gov (NCT02649114). Для получения дополнительной информации о протоколе исследования (с этическим одобрением и т. д.) обратитесь к Врабелю и его коллегам [36]. Групповой анализ DTW применялся к реальным данным пациентов, получающих лечение в стационарном отделении для лечения тяжелых расстройств пищевого поведения. Полное описание исследования и его результатов, полученных в результате анализа DTW, см. у Копланда и его коллег [22, 23].

Методы

Общий механизм DTW

Большинство продольных идиографических сетевых исследований до сих пор использовали векторные авторегрессионные (VAR) модели [13]. Несмотря на различные преимущества, эти традиционные модели требуют множества оценок (интенсивные данные временных рядов) и полагаются на несколько предположений, включая линейность ассоциаций и фиксированные интервалы времени между последовательными оценками (Haslbeck et al., 2021). Это означает, что анализ предполагает, что оценки симптомов в один момент времени остаются стабильными с течением времени, поэтому прошлые оценки пациента в терапии одинаково информативны для будущих оценок. Более того, если изменения в симптомах происходят в течение более длительных периодов или внезапно, они не всегда могут быть распознаны как связанные в рамках этих традиционных моделей [34]. Это может привести к трудностям при работе с данными из клинической практики, которые редко представляют собой интенсивные временные ряды, и многие из предположений трудно выполнить. Например, мы ожидаем, что изменения произойдут в терапии, и для некоторых пациентов такие изменения могут произойти внезапно. Метод анализа должен уметь справляться с этими внезапными изменениями.

DTW является хорошей альтернативой, поскольку использует нелинейный, основанный на форме подход. Это означает, что алгоритм, основанный на форме, сравнивает общий вид или траекторию двух временных рядов (симптомов), а не строгое сопоставление точка за точкой во времени, что может скрывать значимые изменения симптомов в ходе терапии. Алгоритм, основанный на форме, использует «эластичные» меры расстояния [4, 18], которые не предполагают линейности. Эластичная мера расстояния допускает гибкость в сопоставлении: одна точка в одной серии может совпадать с несколькими точками в другой, или сопоставление может «растягиваться» и «сжиматься» во времени. В исследованиях психотерапии это означает, что если два пациента с расстройствами пищевого поведения работают над своим страхом еды — один показывает значительно меньшее ограничение на второй неделе, а другой — на шестой неделе — DTW может распознать, что их основные процессы схожи, даже если изменения происходят в разное время. Ключевой момент заключается в том, что «меньший страх еды» связан с меньшим «ограничением». DTW улавливает это, используя основанный на форме подход и эластичный, гибкий алгоритм. Далее мы опишем, как работает DTW, представив шаги в DTW, от исследования пары отдельных элементов до агрегирования индивидуальных данных, создания неориентированных и ориентированных сетей как на индивидуальном, так и на групповом уровне. В этом учебнике мы будем использовать данные из реальной среды с элементами из Опросника расстройств пищевого поведения (EDEQ). Каждый узел в сети представляет собой элемент. Поскольку многие элементы EDEQ в сети являются симптомами (но не всегда), мы используем термины «элементы» и «симптомы» взаимозаменяемо при описании узлов.

Как работает неориентированный DTW — для отдельной пары элементов во времени

Симптомы могут многократно измеряться у человека с течением времени. Каждая точка представляет собой оценку интенсивности симптомов. Отслеживая эти симптомы в течение нескольких временных точек, мы можем исследовать, имеют ли они тенденцию возрастать и падать вместе, предполагая потенциальную связь, или колеблются ли они независимо. Этот тип внутрииндивидуальных временных данных позволяет детально анализировать, как симптомы сосуществуют или расходятся со временем, предлагая ценные сведения о динамике индивидуальных симптомов. DTW может быть полезен в этом контексте, поскольку он вычисляет расстояние для каждой пары симптомов (между каждым симптомом и всеми другими симптомами) в модели на протяжении нескольких временных точек (с панельными данными или в рамках более обширного временного ряда) [6]. На рис. 1 представлены примеры таких временных рядов, показывающих оценки двух симптомов (Симптом A: «ограничение», и Симптом B: «страх еды») за 20 временных точек.

Как работает неориентированный DTW — для набора элементов во времени

Неориентированная сеть — это сеть того, как несколько симптомов изменяются вместе со временем. Часто такие сравнения делаются точка за точкой. Другими словами, оценки симптомов в точке времени 1 в Симптоме A сравниваются только с точкой времени 1 в Симптоме B, предполагая идеальное выравнивание по времени. Это называется мерой евклидова расстояния. Хотя вычисление евклидова расстояния просто, оно может вводить в заблуждение, если похожие закономерности симптомов возникают в немного разные моменты времени.

Однако, поскольку два симптома не всегда изменяются с одинаковой скоростью, DTW ищет наилучшее выравнивание между двумя временными рядами. Он обеспечивает большую гибкость в выравнивании временных рядов. Вместо того чтобы навязывать строгое сопоставление точка за точкой, DTW позволяет нелинейное растяжение и сжатие вдоль временной оси. Как упоминалось ранее, это означает, что изменения в одном симптоме могут быть выровнены с аналогичными изменениями в другом симптоме, даже если они происходят на несколько временных точек раньше или позже. Рисунок 2 иллюстрирует разницу между евклидовым расстоянием и расстоянием DTW при сравнении временных закономерностей двух симптомов во времени. На верхнем рисунке показано евклидово расстояние. Вертикальные пунктирные линии подчеркивают, как даже небольшие сдвиги во времени могут привести к большим воспринимаемым расстояниям, несмотря на то, что общая форма закономерностей довольно похожа. Пунктирные линии на нижнем рисунке демонстрируют, как DTW находит наиболее значимое выравнивание между двумя закономерностями, несмотря на различия во времени.

Другие методы сетевого анализа обычно полагаются на средние оценки по временным точкам. В отличие от этого, DTW работает непосредственно с необработанными оценками, сохраняя исходную вариабельность динамики симптомов. Однако использование необработанных оценок создает проблему сравнения данных из разных опросников с различными системами подсчета баллов. Иногда узлы в сети представляют собой суммарные оценки с совершенно другим диапазоном, чем узлы, основанные на средних значениях или оценках отдельных элементов. Чтобы решить эту проблему, DTW применяет масштабированные данные во время анализа, стандартизируя оценки для обеспечения значимых сравнений между мерами (см. рис. 3; [29]). Когда оценки представляют собой очень редкие события в наборе данных, такие как симптомы, как деперсонализация или суицидальные мысли, масштабированные оценки могут привести к экстремальным значениям. В этих случаях может быть целесообразно ограничить оценки плюс-минус 3 стандартными отклонениями.

Данные могут быть масштабированы с использованием функции scale() в R, которая центрирует каждую переменную вокруг ее среднего и делит на ее стандартное отклонение для обеспечения сопоставимости между мерами.

Агрегирование индивидуальных данных для создания неориентированной групповой сети

Неориентированный DTW может использоваться для сравнения закономерностей симптомов каждого пациента с закономерностями других, выявляя сходства в том, как симптомы изменяются со временем. Важно отметить, что DTW не предполагает, что один пациент «опережает» или «отстает» от другого; вместо этого он гибко выравнивает траектории симптомов, независимо от различий во времени. Это позволяет выявлять подгруппы пациентов с похожими закономерностями изменений, даже если эти закономерности разворачиваются с разной скоростью или в разное время.

DTW основан на подходе динамического программирования, который растягивает и сжимает временные ряды для минимизации предопределенной меры расстояния [2, 15, 18]. Для каждой пары временных рядов DTW строит матрицу стоимости, где каждая ячейка представляет собой локальную стоимость выравнивания одного наблюдения из первой серии с одним наблюдением из второй. Затем алгоритм ищет в этой матрице оптимальный путь деформации — последовательность выравниваний, которая минимизирует кумулятивное расстояние, позволяя при этом временное растяжение или сжатие. Полученное расстояние DTW обобщает общее сходство между двумя последовательностями после оптимального выравнивания, и эти расстояния затем могут быть усреднены по пациентам.

В этом учебнике мы сообщаем результаты предыдущей статьи; Копланд и коллеги (2024). В этом исследовании матрица расстояний содержит n*(n-1)/2) различных расстояний на пациента (т.е. (28*27)/2 = 378 в нашем примере, из-за 28 вопросов в EDEQ), что в общей группе привело к 122 * 378 = 46 872 рассчитанным расстояниям DTW (поскольку N=122 в нашем исследовании). Проще говоря, матрица стоимости показывает каждое попарное сравнение между двумя временными рядами (например, ограничение против страха еды), тогда как матрица расстояний обобщает общее сходство между полными симптомами и их связями со всеми другими симптомами в сети (см. рис. 4).

Матрица расстояний затем анализировалась с использованием иерархического кластерного анализа для выявления групп симптомов со схожими профилями изменений. Оптимальное количество кластеров определялось методом локтя, основанным на объясненной дисперсии как функции количества кластеров (иерархическая кластеризация Ward.D2). Этот анализ выявил три кластера симптомов, которые были последовательно раскрашены во всех рисунках.

Перед анализом DTW все элементы EDEQ были стандартизированы на групповом уровне, чтобы гарантировать, что расстояния отражают динамику изменений во времени, а не различия в шкалах симптомов. В результирующей неориентированной сети DTW отображаются только значимые ребра. В этой сети меньшие расстояния между двумя симптомами указывают на то, что они имеют тенденцию более похоже сосуществовать во времени. Сеть была сгенерирована с использованием пакета R qgraph [12]. Рисунок 5 показывает неориентированную сетевую диаграмму симптомов для 122 пациентов в ходе терапии. Для облегчения воспроизведения мы также предоставляем пример R-скрипта с симулированными данными от девяти пациентов за десять измерений (см. Supplement 1 и https://osf.io/fx8y5).

Как работает ориентированный DTW

Ориентированные сети позволяют выявлять причинно-следственные связи между симптомами. Вместо того чтобы просто указывать на то, что два симптома изменяются вместе, они показывают, может ли изменение одного симптома предвещать изменение другого. Это дает представление о возможных механизмах, лежащих в основе расстройств, и может помочь в разработке более целенаправленных терапевтических вмешательств. Например, если сеть показывает, что увеличение самокритики (Симптом A) предвещает увеличение симптомов нарушения пищевого поведения (Симптом B), это может указывать на то, что снижение самокритики является потенциальным терапевтическим мишенью.

Для создания ориентированной сети мы рассчитываем расстояние DTW между всеми парами симптомов, как и для неориентированной сети. Однако, в отличие от неориентированной сети, где порядок не имеет значения, в ориентированной сети порядок имеет значение. Мы сравниваем временной ряд Симптома A с Симптомом B, а затем Симптом B с Симптомом A. Если расстояние DTW от A к B значительно отличается от расстояния DTW от B к A, это может указывать на направленную связь.

Мера силы связи в ориентированной сети представляет собой разницу между двумя расстояниями DTW (т.е. DTW(A→B) - DTW(B→A)). Положительное значение указывает на то, что A предвещает B, в то время как отрицательное значение указывает на то, что B предвещает A. Например, если DTW(стресс→бессонница) меньше, чем DTW(бессонница→стресс), это означает, что стресс, вероятно, предвещает бессонницу, а не наоборот.

На рис. 6 показана ориентированная сетевая диаграмма симптомов для 122 пациентов с расстройствами пищевого поведения. Однонаправленные стрелки указывают направление предсказания. Например, стрелка от «тревоги по поводу приема пищи» к «ограничению» предполагает, что увеличение тревоги по поводу приема пищи может предвещать увеличение ограничения.

Ключевые симптомы, такие как «оценка веса и формы тела», имеют высокую центральность как в неориентированной, так и в ориентированной сетях, подчеркивая их центральную роль в расстройствах пищевого поведения. Ориентированная сеть дополнительно выявила, что «снижение настроения» часто предвещает «стресс», что может указывать на восходящую спираль, где плохое настроение усиливает стресс, который, в свою очередь, может способствовать дальнейшему снижению настроения.

Применение DTW для создания ориентированных групповых сетей:

• Количество временных точек: Как правило, чем больше временных точек, тем более надежными будут результаты. Хотя универсального правила не существует, для получения надежных результатов ориентированных сетей DTW на групповом уровне при наличии около восьми измерений на человека требуется выборка примерно из 100 участников.
• Интервал измерения: Интервал измерения должен точно соответствовать ожидаемой скорости изменения целевых переменных. Как подчеркивают Брингманн и коллеги [7], быстро меняющиеся переменные — такие как тяга к еде или состояния настроения — требуют плотной выборки для фиксации их динамики, в то время как более медленно меняющиеся переменные — такие как ИМТ — требуют более длительных интервалов, чтобы обеспечить возможность значимых изменений. Соответствие интервала измерения временной природе переменной имеет решающее значение для получения интерпретируемых результатов DTW.

В отличие от многомерных моделей временных рядов, таких как mlVAR, DTW не требует длинных, стационарных временных рядов или параметрических предположений. Недавнее имитационное исследование показало, что, в отличие от mlVAR, DTW не генерирует ложных ребер в присутствии коллайдеров [34]. Коллайдер — это переменная, на которую влияют две (или более) другие переменные, так что кондиционирование на ней может создавать ложную ассоциацию между этими переменными. Эти особенности делают DTW особенно подходящим для клинических приложений, где частое измерение может быть нецелесообразным, а узлы могут иметь некоторое пересечение содержимого. В этом смысле DTW представляет собой методологический компромисс: более чувствителен к индивидуальной динамике, чем поперечные анализы, но более масштабируем и практичен, чем сложные методы моделирования.

Помимо своей осуществимости, DTW также предоставляет интуитивно понятные, хотя и сложные, визуальные и количественные результаты, которые могут быть непосредственно интерпретированы. Например, матрицы сходства и пути выравнивания могут выявить, насколько тесно люди следуют похожим траекториям во времени, несмотря на возможные различия во времени или фазе. Это может быть особенно ценно в клинической работе, где понимание временной структуры изменений — улучшаются ли симптомы стабильно, колеблются или следуют отложенным закономерностям — может помочь в планировании и мониторинге вмешательств.

Ограничения DTW

Хотя DTW предлагает гибкий подход к анализу терапевтической динамики, следует учитывать несколько методологических ограничений. Во-первых, в отличие от авторегрессионных моделей, DTW не может вывести истинные причинно-следственные связи по Грейнджеру, поскольку это бивариантная модель. Причинность по Грейнджеру [16] — это важная концепция в исследованиях психотерапии, где исследователи хотят приблизиться к причинности и ответить на такие вопросы, как, какие изменения симптомов происходят раньше других. Это статистический метод, используемый для определения того, могут ли значения в одном временном ряду (A) в определенный момент времени (t 1) предсказывать будущие значения в другом временном ряду (B) в другой момент времени (t) с учетом автокорреляции в ряду B между временными точками (t—1) и (t). Применяя анализ DTW в обоих направлениях (A предсказывает B и B предсказывает A), мы можем определить, существует ли предиктивная связь между временными рядами A и B. Проще говоря, это похоже на то, как заметить, что каждый раз, когда повышается уровень стресса пациента, его качество сна ухудшается через день, что намекает на потенциальную связь. Однако, если стресс (A) вызывает плохой сон (B), а плохой сон вызывает плохое настроение (C), DTW также может создать впечатление, что стресс напрямую вызывает плохое настроение — даже если связь на самом деле косвенная, а стресс предшествует только плохому настроению. Это иллюстрирует ограничение DTW: он определяет временной порядок, но не устанавливает причинность. В отличие от многомерных моделей причинности по Грейнджеру (например, mlVAR [34]), DTW не корректирует смешивающие факторы и не учитывает структуры автокорреляции, поэтому его результаты следует интерпретировать как предполагаемые закономерности, а не как доказательство строгих причинно-следственных связей. Однако, если мы можем установить временной порядок (т.е. направленность), мы можем отобрать симптомы для экспериментального вмешательства в терапии, чтобы помочь персонализированной помощи.

Во-вторых, DTW чувствителен к шуму и может переобучать идиосинкратические (индивидуальные) колебания, особенно когда количество участников невелико, или когда временные ряды короткие, нерегулярные или подвержены существенной ошибке измерения. В-третьих, DTW требует достаточной вариации оценок симптомов во времени в пределах индивидуальных особенностей. Если траектория узла/симптома показывает мало или совсем никакой флуктуации — например, при постоянной записи нулевых оценок — она имеет тенденцию образовывать очень сильные связи с другими не флуктуирующими узлами, даже если для данного симптома на самом деле нет никакой значимой динамической информации. В-четвертых, агрегирование индивидуальных результатов, основанных на DTW, на групповой уровень остается нерешенной методологической проблемой. Поскольку DTW фиксирует высоко индивидуализированные закономерности выравнивания симптомов, агрегирование результатов на групповой уровень остается методологической проблемой, поскольку оно рискует скрыть именно те специфичные для человека динамики, которые DTW призван выявлять. Кроме того, поскольку DTW подчеркивает общее сходство закономерностей, а не строгое соответствие временных точек, он может скрывать клинически значимые краткосрочные изменения. В-пятых, когда временные точки расположены далеко друг от друга, DTW может не выявить временные связи, возникающие в этих интервалах, такие как быстрые сдвиги симптомов после терапевтических вмешательств или острых стрессоров.

Будущие направления

Заглядывая вперед, непрерывный сбор и анализ потоков данных с помощью DTW может поддерживать адаптивные системы мониторинга в реальном времени, которые обеспечивают быструю, интерпретируемую обратную связь по индивидуальным траекториям. Это делает DTW подходящим для интеграции в носимые устройства или алгоритмы смартфонов, выявляя персонализированные временные опережающие/запаздывающие связи — такие как закономерности активности, настроения или физиологических изменений, которые предшествуют обострению симптомов — и предоставляя своевременные, индивидуальные вмешательства в виде подсказок или «подталкиваний» для поощрения адаптивного поведения или предотвращения ухудшения. Например, если DTW обнаруживает, что увеличение ежедневной активности последовательно предшествует всплеску мыслей о расстройствах пищевого поведения, приложение может предложить пациенту увеличить потребление пищи, снизить активность или связаться с медицинским работником в качестве превентивной стратегии. Такой подход может сделать DTW практичным инструментом для персонализированной клинической поддержки в реальном времени вне традиционных терапевтических сессий. Своевременные адаптивные вмешательства (JITAIs), предоставляемые через технологии мобильного здравоохранения, могут обеспечить масштабируемую, контекстно-зависимую и индивидуализированную поддержку [37], а DTW может еще больше укрепить такие адаптивные системы, выявляя персонализированную опережающую/запаздывающую динамику.

В целом, DTW предлагает интерпретируемый и осуществимый подход, который может как существовать самостоятельно, так и интегрироваться с другими методами. Будущие исследования должны продолжать совершенствовать методы на основе DTW, изучать их интеграцию с дополнительными и новыми подходами (такими как носимые устройства и алгоритмы смартфонов) и тестировать их полезность в различных клинических контекстах и популяциях.