答案是否可以在我们每天使用的设备（如手机或健康追踪器）所捕获的数据中找到？硅谷新创公司 Mindstrong 就采用了这种方法。
Mindstrong（其团队中包括前文提到的 Thomas Insel）开发了一款应用，可以持续被动地监测智能手机上的行为模式，例如滑动、按键和点击空格键的时间。利用大量患者数据集和机器学习，它能够复制一系列神经生物学测试分数的结果，包括用于测量抑郁和焦虑的量表，只需利用有关某人如何使用手机的信息即可。Mindstrong 认为，该应用可用于客观衡量某人的心理健康状况，可以监测健康状况随时间波动的情况。该应用的数据收集以“选择加入”为基础，Mindstrong 坚持认为，个人与应用的互动以及随后与医生或护理人员共享数据需要获得严格的知情同意。
目前，该公司已与生物制药公司 BlackThorn 疗法公司合作，利用这些数字生物标记物从大量患者中识别出哪些患者对其治疗反应最强烈。目前，该公司还将其用作雄心勃勃的Aurora研究的一部分，该研究旨在寻找平民创伤幸存者中 PTSD 的早期信号。
在精准精神病学开始兑现承诺之前，我们还需要对大脑和心理健康的生理基础有更多的了解。
Mindstrong 认为，一种廉价、广泛使用的心理健康指标测量方法将使临床医生能够从诊断和治疗模式转变为预测和预防模式。下一步将是确定这种方法对更广泛的病症的适用性，以及它作为已经从脑部扫描中识别出的神经标记的替代物的效果如何。
下一站是哪里？
脑成像、大数据、机器学习能力和数字健康追踪器的结合使得测试精准精神病学理论成为可能。然而，值得注意的是，这些发展不会在可预见的未来颠覆现有的诊断和治疗方法。在精准精神病学开始兑现承诺之前，我们还需要更多地了解大脑和心理健康的生理基础。还有一系列更“技术”的挑战需要克服：
确保基础数据具有代表性
精准精神病学预测模型的训练数据集必须从多样化的人口样本中构建。使用年龄或种族方面的狭窄数据集构建的算法对更广泛人群的预测能力很低。随着精准精神病学领域的发展，它需要从基因组学和心理学等其他领域的错误中吸取教训，并确保证据基础建立在多样化的基础之上。
精准精神病学建立在从个人收集数据的基础上，从而获得洞察力——这些数据的管理和共享引发了隐私和安全方面的复杂问题。这些问题远非该领域独有，无论是私营还是公共组织，整个医疗系统都对 女性数据 这些问题深有体会。然而，在精神卫生领域，道德问题可能更加敏感，因为社会上一些最脆弱的群体受到了影响。有办法缓解这些问题。精心设计的同意协议明确概述了数据的使用和共享方式，以及数据存储、使用和分析方式的更大透明度，将有助于人们对服务做出更明智的决定。更进一步说，PatientsLikeMe网络的成功表明，人们能够收集和管理自己的健康数据的好处。
考虑更广泛的因素
为了改进使用脑成像的预测治疗模型，研究人员可能需要建立有关个人生活经历的其他类型的数据。斯坦福大学Leanne Williams实验室的研究发现，在预测抑郁症患者对抗抑郁药物的反应时，纳入参与者评估其早期生活压力源的问卷数据可以提高其模型的准确性（以前仅基于神经生物标记）。这提出了一种可能性，即纳入其他心理、遗传和生物因素可能会进一步提高计算模型的预测强度。
精神病学领域的创新和新方法开发始终存在争议，精准精神病学无疑会引起意见两极分化 - 但其发展的下一章将值得密切关注。