DOI: https://doi.org/10.1186/s12888-025-06957-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40481455
تاريخ النشر: 2025-06-06
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: مواضيع بحث الصحة النفسية
نظرة عامة
تناقش هذه القسم التحدي العالمي الكبير الذي تسببه الاضطرابات النفسية، والتي تصل نسبة انتشارها مدى الحياة إلى حوالي 30%. على الرغم من توفر علاجات فعالة، إلا أن الوصول إلى رعاية الصحة النفسية غالبًا ما يكون غير كافٍ. يحمل مجال الطب النفسي الحسابي، الذي يستخدم التقدم في الذكاء الاصطناعي (AI) وتعلم الآلة (ML)، وعدًا لتحسين رعاية الصحة النفسية من خلال تحسين التشخيص والتنبؤ وتخصيص العلاج. ومع ذلك، تواجه دمج هذه التقنيات في الممارسة السريرية عقبات تتعلق بالقدرات التقنية والبنية التحتية.
لفهم احتياجات الأطباء النفسيين بشكل أفضل، تم إجراء مسح لـ 53 طبيب نفسي وأخصائي نفسي سريري، مما كشف عن تفضيل قوي لأدوات الذكاء الاصطناعي التي تسهل المراقبة المستمرة ونمذجة التنبؤ، خاصة في السياقات الخارجية. أعرب الأطباء عن رغبتهم في توقعات دقيقة لمسارات الأعراض ومراقبة استباقية للمرضى، مع إعطاء الأولوية لمدخلات البيانات مثل التقارير الذاتية، والملاحظات من أطراف ثالثة، وجودة النوم. تؤكد الدراسة على أهمية تطوير أدوات الذكاء الاصطناعي التي تستفيد من بيانات التقييم اللحظي البيئي (EMA) لتقديم توقعات قابلة للتنفيذ، مما يعزز المراقبة في الوقت الحقيقي والتدخل المبكر في رعاية الصحة النفسية. يمكن أن يحسن هذا النهج بشكل كبير من تحديد المرضى ذوي المخاطر العالية ومعالجة الفجوات الحرجة في خدمات الصحة النفسية على مستوى العالم.
مقدمة
تسلط المقدمة الضوء على التحدي الكبير الذي تمثله الاضطرابات النفسية في مجال الصحة العامة العالمية، والتي تصل نسبة انتشارها مدى الحياة إلى حوالي 30% وتعتبر سببًا رئيسيًا للإعاقة وفقدان الإنتاجية. على الرغم من توفر علاجات فعالة، إلا أن الوصول لا يزال محدودًا بشدة، خاصة في الولايات المتحدة والدول ذات الدخل المنخفض، حيث تكون موارد الصحة النفسية نادرة بشكل غير متناسب. غالبًا ما تؤدي دقة أعراض الصحة النفسية إلى تأخير في طلب المساعدة، مما يزيد من العبء على الأطباء الذين يواجهون طلبًا مرتفعًا وفترات علاج طويلة.
استجابةً لهذه التحديات، يقدم القسم الطب النفسي الحسابي، الذي يستفيد من الذكاء الاصطناعي (AI) وتعلم الآلة (ML) لتعزيز فهم وعلاج الاضطرابات النفسية. من خلال دمج العوامل البيولوجية والنفسية والاجتماعية، يمتلك الذكاء الاصطناعي القدرة على تحسين التشخيص ودقة التنبؤ وتخصيص العلاج. ومع ذلك، فإن التطبيق العملي لهذه التقنيات في الإعدادات السريرية يعوقه التعقيدات والانفصال بين البحث والفائدة الواقعية. تهدف الدراسة إلى سد هذه الفجوة من خلال مسح 53 طبيب نفسي وأخصائي نفسي سريري لتحديد الوظائف القيمة للذكاء الاصطناعي وأنواع البيانات الأساسية لتدريب النماذج، مما يضمن توافق أبحاث الطب النفسي الحسابي مع احتياجات الأطباء الفورية وتعزيز تطوير أدوات الذكاء الاصطناعي الفعالة في رعاية الصحة النفسية.
الطرق
ت outlines قسم “الطرق” التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم تنفيذ إعداد تجريبي محكم للتحقيق في الفرضيات المحددة. شملت جمع البيانات إجراءات موحدة لضمان الموثوقية والصلاحية، مع أخذ القياسات في نقاط زمنية متعددة لتقييم التغيرات على مدى الفترة التجريبية.
تم إجراء التحليلات الإحصائية باستخدام برامج مناسبة، وتطبيق تقنيات مثل ANOVA وتحليل الانحدار لتقييم دلالة النتائج. كما دمجت الدراسة تدابير تحكم متنوعة لأخذ المتغيرات المربكة المحتملة في الاعتبار، مما يعزز قوة النتائج. بشكل عام، تم تصميم الإطار المنهجي لاختبار أسئلة البحث بدقة مع الحفاظ على معايير عالية من النزاهة العلمية.
النتائج
تشير نتائج الدراسة إلى أن الأطباء في السياقات النفسية يمتلكون تدريبًا محدودًا وألفة مع العلوم الحسابية، وخاصة الذكاء الاصطناعي (AI) وتعلم الآلة (ML). أفاد جزء كبير من الأطباء الذين تم مسحهم (44.4%) بعدم وجود معرفة رسمية بالذكاء الاصطناعي، بينما كان لدى 33.3% معرفة بسيطة فقط. ومن الجدير بالذكر أن أيًا من الأطباء الثمانية الذين تمت مقابلتهم لم يكن لديهم خبرة عملية مع أدوات الذكاء الاصطناعي، على الرغم من أن ثلاثة منهم واجهوا أبحاث الذكاء الاصطناعي في الإعدادات السريرية. أكد الأطباء على أهمية الذكاء الاصطناعي في تقديم توقعات موثوقة تتعلق بإقدام المرضى على الانتحار (73% قيموا “مهم جدًا”)، وشدة الأعراض (64%)، والأعراض المركزية التي تثبت الاكتئاب (62%). بالمقابل، كان هناك اهتمام ضئيل بدور الذكاء الاصطناعي في توصيات العلاج (18% “مهم جدًا”) ودقة التنبؤ (27% “مهم جدًا”)، مما يشير إلى تفضيل التقييمات الحدسية للمخاطر على المعلومات التفصيلية.
علاوة على ذلك، حددت الدراسة المعلمات المتعلقة بالنوم كعوامل حاسمة لتعزيز دقة التنبؤ، حيث قيم 47% من الأطباء جودة النوم على أنها “مناسبة جدًا” لهذا الغرض. تم اعتبار عوامل أخرى، مثل النشاط الحركي والعادات الغذائية، قيمة ولكن بدرجة أقل. لوحظ انقسام ملحوظ بشأن فائدة معدل ضربات القلب كمعلمة تنبؤية؛ حيث نظر الأطباء المرتبطون بالجامعات إليها بشكل إيجابي، بينما كان نظراؤهم غير المرتبطين بالجامعات أكثر تشككًا (U = 218.5; Z = 3.51; p < 0.0004). بالإضافة إلى ذلك، كان الأطباء النفسيون عمومًا أكثر ميلاً للإفصاح عن نتائج التنبؤ للمرضى مقارنة بالأخصائيين النفسيين، وقدم الأطباء المرتبطون بالجامعات قيمة أعلى لتوفير الوقت من خلال دعم الذكاء الاصطناعي مقارنة بالأطباء غير المرتبطين بالجامعات (متوسط الرتب 22.8636 و14.9348، على التوالي؛ U = 185.5; Z = 2.2397; p < 0.025).
المناقشة
في هذه الدراسة، استكشفنا وجهات نظر الأطباء حول دمج الذكاء الاصطناعي (AI) في ممارسة الصحة النفسية من خلال مقابلات شبه منظمة واستبيان لاحق. أبلغت المقابلات الأولية مع ثمانية أطباء متنوعين تطوير استبيان مكون من 24 عنصرًا، تم توزيعه على عينة أكبر من 53 متخصصًا في الصحة النفسية. تشير النتائج إلى وجود تفاؤل عام بين الأطباء بشأن إمكانات الذكاء الاصطناعي، خاصة لمهام المراقبة والتنبؤ، مع تحديد الإعدادات الخارجية كأفضل سياق لتطبيق الذكاء الاصطناعي. تشمل الحواجز الرئيسية أمام التبني المخاوف بشأن دقة التنبؤ والدمج العملي للذكاء الاصطناعي في سير العمل السريري.
أعرب الأطباء عن تفضيلهم لأدوات الذكاء الاصطناعي التي تعزز اتخاذ القرار والمراقبة بدلاً من تقديم توصيات علاجية وصفية. وأكدوا على أهمية دقة التنبؤ، مع عتبة مقبولة تبلغ حوالي 80% للثقة في توقعات الذكاء الاصطناعي. ومن الجدير بالذكر أن الأطباء الذين لديهم خلفية في علم النفس كانوا أكثر قلقًا بشأن فقدان التعاطف المحتمل في تفاعلات الذكاء الاصطناعي. تسلط الدراسة الضوء على الحاجة إلى نهج متعدد التخصصات في تطوير الذكاء الاصطناعي، لضمان توافق الأدوات مع الاحتياجات السريرية الواقعية والاعتبارات الأخلاقية. بينما توفر النتائج رؤى قيمة حول أولويات الأطباء، تشير القيود مثل حجم العينة الصغيرة والتدريب المحدود في الذكاء الاصطناعي بين المشاركين إلى الحاجة إلى مزيد من البحث للتحقق من هذه الرؤى وتعزيز دمج الذكاء الاصطناعي في رعاية الصحة النفسية.
DOI: https://doi.org/10.1186/s12888-025-06957-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40481455
Publication Date: 2025-06-06
Author(s): Zhenyun Du et al.
Primary Topic: Mental Health Research Topics
Overview
The section discusses the significant global challenge posed by mental disorders, which have a lifetime prevalence nearing 30%. Despite effective treatments being available, access to mental health care is often insufficient. The field of computational psychiatry, which utilizes advancements in artificial intelligence (AI) and machine learning (ML), holds promise for enhancing mental health care through improved diagnosis, prognosis, and treatment personalization. However, the integration of these technologies into clinical practice faces obstacles related to technical capabilities and infrastructure.
To better understand the needs of clinicians, a survey of 53 psychiatrists and clinical psychologists was conducted, revealing a strong preference for AI tools that facilitate continuous monitoring and predictive modeling, especially in outpatient contexts. Clinicians expressed a desire for accurate predictions of symptom trajectories and proactive patient monitoring, prioritizing data inputs such as self-reports, third-party observations, and sleep quality. The study emphasizes the importance of developing AI tools that leverage ecological momentary assessment (EMA) data to provide actionable predictions, thereby enhancing real-time monitoring and early intervention in mental health care. This approach could significantly improve the identification of high-risk patients and address critical gaps in mental health services globally.
Introduction
The introduction highlights the significant global public health challenge posed by mental disorders, which have a lifetime prevalence nearing 30% and are a leading cause of disability and lost productivity. Despite the availability of effective treatments, access remains severely limited, particularly in the United States and low-income countries, where mental health resources are disproportionately scarce. The subtlety of mental health symptoms often leads to delays in seeking help, exacerbating the burden on clinicians who face high demand and long treatment durations.
In response to these challenges, the section introduces computational psychiatry, which leverages artificial intelligence (AI) and machine learning (ML) to enhance the understanding and treatment of psychiatric disorders. By integrating biological, psychological, and social factors, AI has the potential to improve diagnosis, prognostic accuracy, and treatment personalization. However, the practical application of these technologies in clinical settings is hindered by complexities and a disconnect between research and real-world utility. The study aims to bridge this gap by surveying 53 psychiatrists and clinical psychologists to identify valuable AI functionalities and essential data types for model training, thereby aligning computational psychiatry research with clinicians’ immediate needs and fostering the development of effective AI tools in mental health care.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing a controlled experimental setup to investigate the specified hypotheses. Data collection involved standardized procedures to ensure reliability and validity, with measurements taken at multiple time points to assess changes over the experimental period.
Statistical analyses were conducted using appropriate software, applying techniques such as ANOVA and regression analysis to evaluate the significance of the results. The study also incorporated various control measures to account for potential confounding variables, thereby enhancing the robustness of the findings. Overall, the methodological framework was designed to rigorously test the research questions while maintaining high standards of scientific integrity.
Results
The results of the study indicate that clinicians in psychiatric contexts possess limited training and familiarity with computational sciences, specifically artificial intelligence (AI) and machine learning (ML). A significant portion of the surveyed clinicians (44.4%) reported no formal knowledge of AI, while 33.3% had only minimal familiarity. Notably, none of the eight interviewed clinicians had hands-on experience with AI tools, although three had encountered AI research in clinical settings. Clinicians emphasized the importance of AI in providing reliable predictions related to patient suicidality (73% rated “very important”), symptom severity (64%), and central symptoms stabilizing depression (62%). In contrast, there was minimal interest in AI’s role in therapy recommendations (18% “very important”) and prediction accuracy (27% “very important”), suggesting a preference for intuitive risk assessments over detailed information.
Furthermore, the study identified sleep-related parameters as crucial for enhancing prediction accuracy, with 47% of clinicians rating sleep quality as “very well suited” for this purpose. Other factors, such as motor activity and dietary habits, were considered valuable but to a lesser extent. A notable divergence was observed regarding the utility of heart rate as a predictive parameter; university-affiliated clinicians viewed it positively, while their non-university counterparts were more skeptical (U = 218.5; Z = 3.51; p < 0.0004). Additionally, psychiatrists were generally more inclined to disclose prediction outcomes to patients compared to clinical psychologists, and university-affiliated clinicians placed a higher value on time-saving through AI support than non-university clinicians (mean ranks of 22.8636 and 14.9348, respectively; U = 185.5; Z = 2.2397; p < 0.025).
Discussion
In this study, we explored clinicians’ perspectives on the integration of artificial intelligence (AI) in mental health practice through semi-structured interviews and a subsequent questionnaire. Initial interviews with eight diverse clinicians informed the development of a 24-item questionnaire, which was distributed to a larger sample of 53 mental health professionals. The findings indicate a general optimism among clinicians regarding AI’s potential, particularly for monitoring and predictive tasks, with outpatient settings identified as the most beneficial context for AI application. Key barriers to adoption included concerns about predictive accuracy and the practical integration of AI into clinical workflows.
Clinicians expressed a preference for AI tools that enhance decision-making and monitoring rather than providing prescriptive treatment recommendations. They emphasized the importance of predictive accuracy, with an acceptable threshold of approximately 80% for trust in AI predictions. Notably, clinicians with a psychology background were more concerned about the potential loss of empathy in AI interactions. The study highlights the need for a multidisciplinary approach in AI development, ensuring that tools align with real-world clinical needs and ethical considerations. While the findings provide valuable insights into clinician priorities, limitations such as the small sample size and minimal AI training among participants suggest the need for further research to validate these insights and enhance AI integration in mental health care.