الذكاء الاصطناعي
الصحة النفسية
العلاج عن بُعد
علم النفس
التشخيص

تشكل تقارب الذكاء الاصطناعي (AI) ومجالات الرعاية الصحية النفسية تحولًا كبيرًا في الرعاية الصحية. . الخلفية وراء هذا التحول هي النموذج المتطور للصحة النفسية. ما كان يُعتبر في السابق وصمة عار وغالبًا ما يتم تجاهله أصبح الآن معترفًا به كبعد حاسم من أبعاد الرفاهية العامة. ومع ذلك، فإن هذه الوعي الناشئ قد كشف أيضًا عن حجم أزمة الصحة النفسية التي تعاني منها المجتمعات في جميع أنحاء العالم. وفقًا لمنظمة الصحة العالمية (WHO)، فإن اضطرابات الصحة النفسية أصبحت الآن مساهمًا كبيرًا في عبء المرض العالمي، حيث أن الاكتئاب وحده
تمثل السبب الرئيسي للإعاقة على مستوى العالم [3]. لقد وضعت الزيادة في انتشار اضطرابات الصحة النفسية طلبًا غير مسبوق على أنظمة الرعاية الصحية، مما يكشف عن عدم كفاية النماذج التقليدية للرعاية النفسية [4،5]. النهج التقليدي، الذي يعتمد بشكل كبير على الاستشارات والعلاجات الشخصية، لا يلبي الطلب المتزايد على خدمات الصحة النفسية القابلة للوصول، والميسورة التكلفة، وسهلة التوسع [4]. تسلط هذه الفجوة بين الطلب على الرعاية النفسية وعرضها الضوء على الحاجة الملحة للحلول المبتكرة.

تمتلك الذكاء الاصطناعي قدرات ملحوظة، مثل التعامل بكفاءة مع مجموعات البيانات الكبيرة وتسهيل فحص الأنماط المعقدة.

والعلاقات [6]. في سياق الرعاية الصحية النفسية، حيث يكون فهم السلوكيات البشرية المعقدة والعواطف أمرًا بالغ الأهمية، تقدم الذكاء الاصطناعي إمكانية إحداث ثورة في الرعاية الصحية النفسية من خلال تقديم رؤى وحلول كانت سابقًا خارج نطاق الأساليب التقليدية [7،8]. إنه أداة تحويلية تقدم أساليب كشف متقدمة، وعلاجات مخصصة، ومنصات علاجية افتراضية. من المحتمل أن توسع من توفر الرعاية الصحية، وتقلل من الوصمة، وتحسن نتائج العلاج [9،10].

دمج الذكاء الاصطناعي في الرعاية الصحية النفسية يعيد تشكيل مشهد الرعاية الصحية النفسية؛ فهو يمثل تطورًا وثورة في الرفاهية النفسية. ومع ذلك، بينما تقدم هذه التحولات إمكانية الوصول الواسع، وتسهيل التدخل المبكر، وتخصيص العلاجات، فإنها تثير أيضًا اعتبارات أخلاقية، وتحديات تنظيمية، والحاجة إلى البحث والتطوير المستمر. مع استكشاف مجموعة التطبيقات والتداعيات المتنوعة للذكاء الاصطناعي في هذا المجال بشكل أعمق، فإن التآزر بين الخبرة البشرية وقدرات الذكاء الاصطناعي يحمل القدرة على usher in a new era of mental healthcare.

العبء المتزايد لمشاكل الصحة النفسية على مستوى العالم ليس أقل من جائحة، حيث يساهم في حوالي عبء المرض العالمي [15]. مع تكاليف الأمراض النفسية البارزة مثل الاكتئاب والقلق التي تكلف الاقتصاد العالمي حوالي تريليون دولار أمريكي سنويًا في فقدان الإنتاجية، لا يمكن المبالغة في أهمية الحلول الفعالة [16]. إن الوصمة المنتشرة المحيطة بالصحة النفسية تفاقم الأزمة، مما يترك عددًا لا يحصى من الأفراد دون الرعاية اللازمة ويساهم بشكل أكبر في دورة الإهمال والمعاناة. ومع ذلك، فإن ظهور الذكاء الاصطناعي (AI) في الرعاية الصحية يمثل شعاع أمل. من خلال دمج الذكاء الاصطناعي في خدمات الصحة النفسية، هناك فرصة ملموسة ليس فقط للتخفيف من آثار هذه الجائحة العالمية ولكن أيضًا لتحويل مشهد الرعاية الصحية النفسية. يمكن أن يغير الإمكانات التي يوفرها الذكاء الاصطناعي في تعزيز الكشف المبكر، وتقديم خيارات علاج شخصية، وتقديم الدعم من خلال منصات مبتكرة كيفية تعاملنا مع الرفاهية النفسية، مما يجعل الرعاية أكثر سهولة وأقل وصمة. تصل هذه المراجعة السردية إلى نقطة حرجة. مع استمرار ازدهار الذكاء الاصطناعي على مستوى العالم، من الضروري تقييم كل من التقدم المحرز في مجال الذكاء الاصطناعي والصحة النفسية وتوقع التحديات والفرص التي تنتظرنا. من خلال استكشاف التقدم والآفاق والمخاطر المحتملة لدمج الذكاء الاصطناعي في الرعاية الصحية النفسية، تهدف هذه المراجعة إلى التأكيد على أهمية هذا الدمج في معالجة واحدة من أكثر الأزمات الصحية إلحاحًا في عصرنا.

تتبنى هذه الورقة نهج المراجعة السردية للتحقيق بشكل شامل في استخدام الذكاء الاصطناعي (AI) في الرعاية الصحية النفسية. كانت معايير الفحص والأهلية لاختيار الأوراق تشمل إدراج الأوراق المنشورة في المجلات التي تخضع لمراجعة الأقران، أو وقائع المؤتمرات، أو قواعد البيانات الإلكترونية الموثوقة، مع التركيز على تطبيق الذكاء الاصطناعي في الرعاية الصحية النفسية، بما في ذلك الأوراق المراجعة التي تقدم نظرة عامة، أو تحليل، أو تجميع للأدبيات الموجودة. شملت معايير الاستبعاد الأوراق التي لم تستوفِ معايير الإدراج، والنسخ المكررة، والمنشورات غير الإنجليزية، أو تلك غير المتعلقة بموضوع المراجعة. كانت عملية الفحص تتكون من ثلاث مراحل: فحص العناوين، فحص الملخصات، وتقييم الأهلية للنص الكامل، مع استبعاد الأوراق التي لم تستوفِ معايير الإدراج في كل مرحلة. كانت استراتيجية البحث تهدف إلى تحديد الأوراق ذات الصلة المنشورة حول “الذكاء الاصطناعي في الرعاية الصحية النفسية” بين يناير 2019 وديسمبر 2023، بما في ذلك المجلات الأكاديمية، ووقائع المؤتمرات، وقواعد البيانات الإلكترونية الموثوقة. بعد الاختيار، خضعت الأوراق المراجعة لمزيد من التحليل للحصول على معلومات ذات صلة، واتجاهات، وأمثلة، واعتبارات أخلاقية تتعلق بالذكاء الاصطناعي في الرعاية الصحية النفسية.

تم العثور على ما مجموعه 211 ورقة في أربع عمليات بحث في قواعد البيانات، تم استبعاد 87 منشورًا منها بسبب اللغة غير الإنجليزية و
النسخ المكررة. بعد فحص الملخصات والعناوين، تم استبعاد 32 مقالة لأنها لم تستوفِ معايير الأهلية. لذلك، شملت هذه المراجعة ما مجموعه 92 دراسة مؤهلة. (انظر الجدول 1).

يمكن تتبع رحلة دمج الذكاء الاصطناعي في الرعاية الصحية النفسية إلى منتصف القرن العشرين، وهي فترة تميزت بظهور عصر الحوسبة، عندما بدأ العلماء في تصور إمكانية تقليد الروبوتات للعمليات المعرفية، مما مهد الطريق لمزيد من التقدم في هذا المجال [17-19]. في الخمسينيات والستينيات، بدأ رواد الذكاء الاصطناعي ألين نيويل وهيربرت أ. سايمون أبحاثًا رائدة، تهدف إلى تطوير نماذج ذكاء اصطناعي لحل المشكلات البشرية [17، . عملهم وضع المفاهيم الأساسية للذكاء الاصطناعي الرمزي، والتي أثبتت لاحقًا أنها أساسية في محاكاة العمليات المعرفية في سياقات الصحة النفسية [21]. على الرغم من بدائيتها بمعايير اليوم، فإن هذا البحث المبكر في الذكاء الاصطناعي وضع الأساس لتقارب كبير بين الذكاء الاصطناعي وعلم النفس.

بحلول أواخر الستينيات وأوائل السبعينيات، أنشأ جوزيف وايزنباوم واحدة من أوائل تطبيقات الذكاء الاصطناعي في علم النفس [18]. كان برنامجه، ELIZA، روبوت محادثة يحاكي معالجًا نفسيًا روجريًا [22]. على الرغم من أن ردود ELIZA كانت بسيطة نسبيًا، إلا أنها كانت قادرة على إشراك المستخدمين في محادثات نصية، مما يوفر لمحة عن إمكانية استخدام التكنولوجيا لدعم التفاعلات الصحية النفسية [22،23]. شهد استخدام الذكاء الاصطناعي في الرعاية الصحية النفسية على مر العقود توسعًا تدريجيًا. بدأ تطوير أنظمة الخبراء، وهي أنظمة ذكاء اصطناعي قائمة على القواعد مصممة لمحاكاة الخبرة البشرية، في الثمانينيات [11،24]. كانت هذه الأنظمة تهدف إلى تقديم توصيات تشخيصية وعلاجية عبر عدة مجالات نفسية [1،25]. على الرغم من أن مهارات أنظمة الذكاء الاصطناعي المبكرة كانت محدودة بعض الشيء مقارنة بالذكاء الاصطناعي الحديث، إلا أنها تمثل تقدمًا ملحوظًا في دمج التكنولوجيا والصحة النفسية [26،27].

شهدت أواخر القرن العشرين ظهور برامج العلاج السلوكي المعرفي (CBT) المحوسبة [28،29]. تهدف هذه التطبيقات البرمجية التفاعلية إلى تقديم تدخلات علاجية قائمة على الأدلة لحالات الصحة النفسية الشائعة. على الرغم من أن الجهود الأولية كانت بدائية بعض الشيء مقارنة بتدخلات الذكاء الاصطناعي اليوم، إلا أنها دلت على انتقال نحو استخدام التكنولوجيا لتعزيز إمكانية الوصول إلى الرعاية الصحية النفسية [28]. مع تقدم قوة الحوسبة، تطور دور الذكاء الاصطناعي في الرعاية الصحية النفسية بشكل كبير. شمل تقدم الذكاء الاصطناعي في القرن الحادي والعشرين جوانب مختلفة من الرعاية الصحية النفسية، بما في ذلك التعرف المبكر على مشاكل الصحة النفسية، وخطط العلاج الفردية، والمعالجين الافتراضيين، والتقدم في العلاج عن بُعد، والمراقبة المستمرة [9،10]. هذه

التطبيقات المعاصرة للذكاء الاصطناعي لديها القدرة على إحداث ثورة في هذا المجال من خلال جعل الرعاية الصحية النفسية أكثر سهولة وفعالية وقائمة على البيانات.

بشكل عام، يتميز تاريخ الذكاء الاصطناعي في الرعاية الصحية النفسية بسلسلة من المعالم التطورية، من النمذجة المعرفية المبكرة إلى التدخلات المتقدمة المدفوعة بالذكاء الاصطناعي اليوم [30]. تعكس هذه الرحلة الاعتراف المتزايد باستمرار بإمكانية التكنولوجيا لدعم وتعزيز الرفاهية النفسية، مما يشير إلى مستقبل يلعب فيه الذكاء الاصطناعي دورًا أساسيًا في معالجة أزمة الصحة النفسية العالمية. يسلط الجدول 2 أدناه الضوء على أدوات الذكاء الاصطناعي المحددة المستخدمة في الرعاية الصحية النفسية الحالية.

ظهر الذكاء الاصطناعي كأداة قيمة في الكشف المبكر والتنبؤ باضطرابات الصحة النفسية [30]. هذه التقنيات، سواء كانت تحلل الكلام أو النص أو تعبيرات الوجه أو السجلات الصحية الإلكترونية، تحول كيفية تشخيص وإدارة الصحة النفسية. بمساعدة النماذج التنبؤية، يعزز الذكاء الاصطناعي التدخل المبكر، ويخصص خطط العلاج، ويحسن الرفاهية النفسية العامة [10، 52]. الشكل 1 يسلط الضوء على تطبيق الذكاء الاصطناعي في تشخيص الصحة النفسية.

حققت أدوات الذكاء الاصطناعي تقدمًا كبيرًا في تحليل الكلام والنص وتعبيرات الوجه لتحديد العلامات المبكرة لاضطرابات الصحة النفسية. تمكّن تقنيات معالجة اللغة الطبيعية (NLP) من استخراج رؤى قيمة من الكلمات المكتوبة أو المنطوقة [53،54]. على سبيل المثال،

يمكن أن يحدد تحليل المشاعر التغيرات الدقيقة في الحالة العاطفية للفرد من خلال فحص منشورات وسائل التواصل الاجتماعي، أو سجلات الدردشة، أو اليوميات المكتوبة [55].

علاوة على ذلك، يمكن أن يكشف تحليل الصوت عن التغيرات في أنماط الكلام، بما في ذلك التغيرات في النغمة، والنبرة، والإيقاع، والتي قد تكون مؤشرات محتملة على القلق، أو الاكتئاب، أو حالات الصحة النفسية الأخرى [56،57]. يمكن أن يوفر تحليل تعبيرات الوجه، غالبًا ما يقترن برؤية الكمبيوتر، رؤى حول الحالة العاطفية للفرد.

يمكن أن تكشف أنظمة الذكاء الاصطناعي عن التعبيرات الدقيقة والتغيرات الطفيفة في ملامح الوجه التي قد تشير إلى حالات نفسية كامنة. تستفيد هذه التكنولوجيا من المراقبة عن بُعد للصحة النفسية من خلال الاستشارات عبر الفيديو أو التطبيقات المحمولة. الاتجاه الحالي في هذا المجال يتضمن تطوير خوارزميات الذكاء الاصطناعي القادرة على تمييز وفهم هذه المؤشرات الدقيقة بدقة ملحوظة. مع استمرار تحسين أنظمة الذكاء الاصطناعي، فإن لديها القدرة على توفير علامات تحذيرية مبكرة عن اضطرابات الصحة النفسية، مما يسمح بالتدخل والدعم في الوقت المناسب. تطبيق الصحة النفسية المدعوم بالذكاء الاصطناعي “ووبوت” يستخدم تحليل المشاعر لتحليل مدخلات النص من المستخدم. إذا كان المستخدم يعبر باستمرار عن الحزن أو اليأس أو الإحباط في تفاعلات الدردشة الخاصة به، فإن ووبوت يتعرف على هذه الأنماط ويقدم الإرشادات أو يوصي بالمساعدة المهنية. في تحليل الصوت، “كوجيتو”، وهي منصة ذكاء اصطناعي تستخدم في خدمات الصحة عن بُعد، تراقب تغييرات كلام المرضى خلال جلسات العلاج. إذا كانت هناك تغييرات في النغمة أو الصوت أو الإيقاع قد تشير إلى القلق أو الاكتئاب، فإن كوجيتو تنبه المعالج لمعالجة هذه الإشارات العاطفية خلال الجلسة. تحليل تعبيرات الوجه هو أداة قيمة أخرى في الكشف المبكر. “أفكتيفا”، وهي شركة رائدة في الذكاء العاطفي، قد طورت أدوات لتحليل تعبيرات الوجه. تم استخدام هذه الأدوات في دراسات مختلفة للصحة النفسية. على سبيل المثال، استخدم الباحثون تقنية أفكتيفا لفحص تعبيرات وجه الأفراد الذين يعانون من الاكتئاب، مما ألقى الضوء على علامات تشخيصية مبكرة محتملة.

لقد أظهرت الذكاء الاصطناعي أيضًا وعدًا في تحليل السجلات الصحية الإلكترونية (EHRs) للمساعدة في التشخيص المبكر لاضطرابات الصحة النفسية. يمكن لخوارزميات التعلم الآلي أن تقوم بتمشيط كميات هائلة من بيانات المرضى، بما في ذلك السجلات الطبية، والاختبارات التشخيصية، والملاحظات السريرية، لتحديد الأنماط التي تشير إلى حالة صحية نفسية. يمكن لهذه الخوارزميات أن تميز المرضى المعرضين للخطر، مما يضمن أن يولي مقدمو الرعاية الصحية اهتمامًا أكبر لرفاههم النفسي خلال الرعاية الروتينية. بالإضافة إلى ذلك، يمكن للذكاء الاصطناعي تسهيل دمج بيانات الصحة النفسية في الملف الصحي العام للمريض، مما يمكّن من اتباع نهج أكثر شمولية للرعاية الصحية. يساعد هذا الاتجاه نحو الطب الشخصي في الكشف المبكر حيث يأخذ في الاعتبار التاريخ الطبي الفريد للفرد، والوراثة، وعوامل نمط الحياة.

أداة “فحص الاكتئاب من جوجل” هي مثال رئيسي. عندما يبحث المستخدمون عن مصطلحات تتعلق بالاكتئاب على جوجل، تطلب الأداة من المستخدمين إكمال استبيان صحة المريض-9 (PHQ-9)، وهو استبيان معتمد سريريًا. بناءً على إجابات المستخدم، تقدم الأداة إرشادات حول كيفية طلب المساعدة المهنية إذا لزم الأمر. إن دمج هذه الأداة في واحدة من أكثر محركات البحث استخدامًا في العالم يزيد بشكل كبير من إمكانية الوصول إلى تقييمات الصحة النفسية.

يتم استخدام الذكاء الاصطناعي بشكل متزايد لتطوير نماذج تنبؤية متعددة العوامل للصحة النفسية. . تأخذ هذه النماذج في الاعتبار مجموعة واسعة من العوامل، بما في ذلك الوراثة، والعوامل البيئية، واختيارات نمط الحياة، والعوامل الاجتماعية التي تؤثر على الصحة. من خلال دمج هذه المتغيرات، يمكن للذكاء الاصطناعي التنبؤ بمخاطر الفرد في تطوير حالة صحية نفسية. على سبيل المثال، يمكن أن توفر المعلومات الوراثية رؤى حول الاستعدادات، بينما يمكن دمج العوامل البيئية مثل الأحداث الصادمة أو العزلة الاجتماعية لتعزيز الدقة بشكل أكبر. تستخدم منصة الصحة النفسية “جينجر” التحليلات التنبؤية لتحديد الأفراد المعرضين لخطر تطوير حالات صحية نفسية [73]. من خلال تحليل أنماط الاستخدام واستجابات التقييم، تتواصل جينجر بشكل استباقي مع المستخدمين الذين قد يحتاجون إلى دعم إضافي. على سبيل المثال، إذا أظهر المستخدم مجموعة من السلوكيات مثل زيادة مستويات التوتر، واضطراب أنماط النوم، والانسحاب الاجتماعي، قد يحفز نموذج جينجر التنبؤي مدرب الصحة النفسية لتقديم المساعدة [74].

أحد الاتجاهات الملحوظة في النمذجة التنبؤية هو دمج التكنولوجيا القابلة للارتداء وتطبيقات الصحة المحمولة. تجمع هذه الأدوات بيانات في الوقت الفعلي حول سلوكيات الأفراد، مثل أنماط النوم، والنشاط البدني، والتفاعلات الاجتماعية، والتي يمكن أن تكون ذات قيمة كبيرة لإنشاء نماذج تنبؤية دقيقة.

يساعد النمذجة التنبؤية في تحديد الأفراد المعرضين للخطر ويحسن
نتائج العلاج. يمكن للنماذج المدفوعة بالذكاء الاصطناعي التنبؤ بكيفية استجابة المريض لأساليب العلاج المختلفة، سواء كانت العلاج النفسي أو الأدوية أو تغييرات نمط الحياة. تضمن هذه المقاربة الشخصية أن يتلقى الأفراد تدخلات مخصصة، مما يعزز فرص الشفاء ويقلل من مخاطر الآثار الجانبية. علاوة على ذلك، تمتلك النماذج التنبؤية القدرة على التنبؤ بتقدم المرض، مما يساعد مقدمي الرعاية الصحية في اتخاذ قرارات مستنيرة بشأن خطط العلاج وتوزيع الموارد. من خلال التنبؤ بالمسار المحتمل لاضطرابات الصحة النفسية، يمكن لأنظمة الرعاية الصحية تعزيز استعدادها لتلبية متطلبات خدمات الصحة النفسية وتوزيع الموارد بشكل فعال وفقًا لذلك. على سبيل المثال، يستخدم برنامج “واتسون لاكتشاف الأدوية” من IBM الذكاء الاصطناعي لتحليل مجموعات ضخمة من المعلومات الجينية والكيميائية لتحديد مرشحي الأدوية المحتملين لحالات الصحة النفسية مثل الفصام واضطراب ثنائي القطب. هذا يسرع من تطوير الأدوية، مما قد يوفر علاجات أكثر فعالية لهذه الحالات.

تقوم الذكاء الاصطناعي بإعادة تشكيل مشهد علاج الصحة النفسية من خلال التدخلات الشخصية وظهور المعالجين الافتراضيين والدردشة الآلية. تشير هذه الاتجاهات إلى تحول حاسم نحو رعاية صحية نفسية قد تكون أكثر فعالية، وسهولة في الوصول، وقابلة للتوسع. الشكل 2 أدناه يبرز تطبيق الذكاء الاصطناعي في علاج الصحة النفسية.

لقد أدى دمج الذكاء الاصطناعي في علاج الصحة النفسية إلى تحول عميق نحو التدخلات المخصصة. مدعومًا بمجموعات بيانات ضخمة وقدرات التعلم الآلي، يمكن لخوارزميات الذكاء الاصطناعي تحليل الخصائص والاحتياجات الفريدة للفرد. يشمل ذلك الاستعدادات الجينية، استجابات العلاج السابقة، أنماط السلوك، وبيانات الفسيولوجيا في الوقت الحقيقي. يسمح هذا التحليل الشامل للذكاء الاصطناعي بتخصيص خطط العلاج بشكل غير مسبوق، مما يضمن مطابقة التدخلات المناسبة للمرضى الأفراد. يمكن للذكاء الاصطناعي تحليل التركيب الجيني للمريض للتنبؤ باستجابته لمختلف أدوية مضادات الاكتئاب. على سبيل المثال، قد يكون المريض الذي يمتلك ملفًا جينيًا معينًا أكثر احتمالًا للاستجابة بشكل إيجابي لفئة معينة من مضادات الاكتئاب. يمكن أن تعزز خطط العلاج المخصصة بشكل كبير فرص الشفاء وتقلل من الآثار الجانبية للأدوية غير الفعالة.

يمكن أن يكون تأثير خطط العلاج الشخصية على فعالية العلاج كبيرًا. تقليديًا، كانت علاجات الصحة النفسية تتبع نهجًا موحدًا، مما يؤدي أحيانًا إلى نتائج دون المستوى الأمثل. تمكّن التخصيص المدفوع بالذكاء الاصطناعي المعالجين من تصميم تدخلات تتماشى بدقة مع التحديات والقدرات المحددة للفرد. يؤدي ذلك إلى علاجات أكثر فعالية، وأوقات تعافي أقصر، وزيادة رضا المرضى. في سياق علاج الإدمان، يمكن للذكاء الاصطناعي مراقبة وتحليل أنماط سلوك المريض بشكل مستمر، مثل المحفزات، ومصادر التوتر، واستخدام المواد. يمكن للذكاء الاصطناعي تنبيه المعالجين والمرضى بمخاطر الانتكاس المحتملة في الوقت الفعلي من خلال تحديد المواقف عالية المخاطر. يسمح هذا النهج الاستباقي بالتدخلات في الوقت المناسب وتعديل استراتيجيات العلاج.

تلعب الذكاء الاصطناعي أيضًا دورًا محوريًا في توجيه قرارات العلاج طوال رحلة العلاج. تقوم الخوارزميات بتحليل تقدم المرضى بشكل مستمر، وتعديل خطط العلاج في الوقت الفعلي بناءً على الاحتياجات والاستجابات المتطورة. تقلل هذه الطريقة الديناميكية من التجربة والخطأ المرتبطة غالبًا بعلاجات الصحة النفسية، مما يحسن العملية العلاجية ويزيد من فرص النجاح. يمكن للخوارزميات المدفوعة بالذكاء الاصطناعي تعديل تدخلات العلاج السلوكي المعرفي بناءً على تقدم المريض وأنماط التفكير الفريدة لديه. على سبيل المثال، إذا أظهر المريض ميولًا للكمالية، قد يقوم الذكاء الاصطناعي بتكييف النهج العلاجي بشكل فعال لمعالجة هذه الصفات. تعزز هذه الطريقة المخصصة فعالية العلاج السلوكي المعرفي لأفراد مختلفين.

تمثل المعالجون الافتراضيون والدردشة المدعومة بالذكاء الاصطناعي اتجاهًا كبيرًا في تعزيز إمكانية الوصول إلى موارد الصحة النفسية [96،97]. توفر هذه الكيانات الرقمية دعمًا على مدار الساعة للأفراد الذين يعانون من مشكلات صحية نفسية، بغض النظر عن القيود الجغرافية أو الزمنية. تعالج هذه الإمكانية فجوة حاسمة في الرعاية الصحية النفسية، مما يضمن أن يتمكن الأفراد من طلب المساعدة كلما احتاجوا إليها. تستخدم خطوط الطوارئ الدردشة المدعومة بالذكاء الاصطناعي لتقديم الدعم الفوري للأفراد المتألمين. يمكن لهذه الدردشات الانخراط في محادثات تعاطفية، وتقديم استراتيجيات للتكيف، وربط المستخدمين بمعالجين بشريين أو خطوط مساعدة الطوارئ عند الحاجة. على سبيل المثال، تستخدم Crisis Text Line دردشة آلية تعاملت مع ملايين المحادثات وقدمت الدعم خلال لحظات الأزمات [98].

توفر المعالجون الافتراضيون والدردشات الآلية منصة سرية وخالية من الوصمة للأفراد للتفاعل مع دعم الصحة النفسية. يتردد العديد من الأشخاص في طلب العلاج الشخصي بسبب الوصمة المتصورة المرتبطة بالصحة النفسية. تعالج الحلول المدفوعة بالذكاء الاصطناعي هذه القلق، مما يسمح للمستخدمين بتلقي الدعم في خصوصية مساحتهم الخاصة، وبالتالي تقليل الحواجز أمام الرعاية. يتفاعل هؤلاء المعالجون الافتراضيون مع المستخدمين في محادثات نصية، مقدّمين تدخلات قائمة على الأدلة مثل تقنيات العلاج السلوكي المعرفي. يمكن للمستخدمين الوصول إلى هذه الموارد بشكل سري ومريح، مما يعزز الرعاية الذاتية المنتظمة.

تقدم المعالجون الافتراضيون المدعومون بالذكاء الاصطناعي والدردشات الآلية حلولاً قابلة للتوسع لتلبية الطلب المتزايد على دعم الصحة النفسية. مع القدرة على التفاعل مع عدة مستخدمين في وقت واحد، توفر هذه الكيانات الرقمية بدائل فعالة من حيث التكلفة للعلاج التقليدي. تعتبر هذه القابلية للتوسع ضرورية بشكل خاص في معالجة نقص المتخصصين في الصحة النفسية. على سبيل المثال، تم تطوير معالجين افتراضيين مدعومين بالذكاء الاصطناعي لتقديم العلاج للأطفال المصابين باضطراب طيف التوحد. تستخدم هذه المعالجون الافتراضيون تقنية التعرف على الوجه لتحليل تعبيرات وجه الطفل وضبط تفاعلاتهم وفقًا لذلك. يمكنهم تعليم التعرف على المشاعر والمهارات الاجتماعية في بيئة خاضعة للرقابة وداعمة. تمكن تعقيد نماذج الذكاء الاصطناعي المحادثة هذه من الانخراط في حوارات تعاطفية وعلاجية. يمكن لهذه الدردشات الآلية الاستماع بنشاط، وتقديم الدعم العاطفي، وحتى تقديم تدخلات سلوكية معرفية. يحصل الأفراد على وصول إلى طيف أوسع من موارد الصحة النفسية من خلال الاستفادة من الذكاء الاصطناعي للدعم العاطفي.

إن دمج الذكاء الاصطناعي في تقديم العلاج يعيد تشكيل مجال الرعاية الصحية النفسية، حيث يقدم أساليب جديدة تحسن من فعالية جلسات العلاج وتعزز من قدرة المعالجين. تجعل هذه الاتجاهات الرعاية الصحية النفسية أكثر وصولاً وفعالية وقائمة على البيانات. قد يؤدي التعاون بين الذكاء الاصطناعي والمعالجين إلى تحسين نتائج العلاج وتعزيز الجودة العامة للرعاية الصحية النفسية.

يمكن أن تعزز الذكاء الاصطناعي جودة جلسات العلاج عن بُعد من خلال تحليل مشاعر المرضى في الوقت الفعلي. على سبيل المثال، يمكن لخوارزميات الذكاء الاصطناعي تحليل تعبيرات الوجه ونبرة الصوت وأنماط الكلام لتقييم الحالة العاطفية للمريض خلال جلسة العلاج بالفيديو. يوفر هذا التحليل رؤى قيمة للمعالجين، مما يسمح لهم بتعديل نهجهم وتدخلاتهم بناءً على الإشارات العاطفية للمريض. على سبيل المثال، كينتسوجي هي منصة علاج عن بُعد مدفوعة بالذكاء الاصطناعي تستخدم تحليل الوجه والصوت لتقديم ملاحظات عاطفية في الوقت الفعلي للمعالجين. من خلال تحليل تعبيرات وجه المريض ونبرة صوته، تساعد كينتسوجي المعالجين على فهم الحالة العاطفية للمريض، مما يحسن العملية العلاجية.

تتجاوز خدمات العلاج عن بُعد المدعومة بالذكاء الاصطناعي الحواجز الجغرافية، مما يجعل الرعاية الصحية النفسية أكثر وصولاً للأفراد في المناطق النائية أو المحرومة. من خلال منصات مؤتمرات الفيديو الآمنة المعززة بالذكاء الاصطناعي، يمكن للمرضى التواصل مع معالجين مؤهلين، مما يضمن حصولهم على الدعم الذي يحتاجونه، بغض النظر عن الموقع. على سبيل المثال، BetterHelp هي منصة استشارات عبر الإنترنت تستخدم الذكاء الاصطناعي لمطابقة المرضى مع معالجين مرخصين. تقدم جلسات علاج عن بُعد، مما يمكّن الأفراد من الوصول إلى دعم الصحة النفسية من راحة منازلهم، بغض النظر عن موقعهم الجغرافي.

تساعد الذكاء الاصطناعي المعالجين من خلال تحليل مجموعات بيانات ضخمة، بما في ذلك تاريخ المرضى، واستجابات العلاج، وتقارير التقدم [92،107]. يمكن للذكاء الاصطناعي أن يوفر للمعالجين رؤى مستندة إلى البيانات تُعلم قرارات العلاج والتدخلات من خلال تحديد الأنماط والاتجاهات في هذه البيانات. سيريبرا هو منصة للصحة النفسية عبر الإنترنت تستخدم الذكاء الاصطناعي للدعم.
المعالجون في ممارستهم [47]. يقوم بتحليل بيانات المرضى ويقدم للمعالجين رؤى حول تقدم العلاج والمجالات المحتملة للتعديل. تعزز هذه المقاربة التعاونية قدرة المعالج على اتخاذ قرارات مستنيرة وتخصيص العلاجات بشكل فعال.

يمكن للذكاء الاصطناعي اقتراح التدخلات واستراتيجيات العلاج بناءً على ملف المريض وتقدمه [92]. على سبيل المثال، إذا لم يستجب المريض بشكل جيد لنهج علاج معين، يمكن للذكاء الاصطناعي أن يوصي باستراتيجيات بديلة قد تكون أكثر فعالية. Wysa هو روبوت محادثة مدعوم بالذكاء الاصطناعي للصحة النفسية يقدم تدخلات علاجية بناءً على مبادئ العلاج السلوكي المعرفي [32]. يقترح استراتيجيات للتكيف وتمارين للمستخدمين بناءً على تفاعلاتهم، مما يوفر دعمًا فوريًا وتوصيات قابلة للتنفيذ.

تتعاون الذكاء الاصطناعي مع المعالجين لتوسيع قدراتهم. من خلال أتمتة بعض المهام الإدارية وتقديم تحليل البيانات في الوقت الفعلي، يسمح الذكاء الاصطناعي للمعالجين بالتركيز أكثر على الجوانب العلاجية لعملهم، مما يحسن في النهاية نتائج العلاج. تعتبر Talkspace منصة علاجية عبر الإنترنت تدمج الذكاء الاصطناعي لمساعدة المعالجين في إدارة حالاتهم بكفاءة. تتولى المنصة المهام الإدارية مثل الجدولة والفوترة، مما يسمح للمعالجين بتخصيص المزيد من الوقت لمرضاهم. كما يدعم الذكاء الاصطناعي المعالجين في تقديم تدخلات قائمة على الأدلة وتتبع التقدم.

دور الذكاء الاصطناعي في المراقبة وتقييم النتائج في الرعاية الصحية النفسية هو تغيير لقواعد اللعبة. توفر المراقبة المستمرة المدعومة بأجهزة تعتمد على الذكاء الاصطناعي اكتشافًا مبكرًا للانتكاسات وفهمًا أعمق لأنماط الصحة النفسية للمرضى [108]. توفر تقييمات النتائج المدفوعة بالذكاء الاصطناعي قياسات موضوعية توجه القرارات المستندة إلى البيانات لخطط العلاج، مما يحسن في النهاية كفاءة العلاج ونتائج المرضى [77].

تظهر الأجهزة القابلة للارتداء المزودة بتقنية الذكاء الاصطناعي كأدوات قوية لمراقبة العلامات الفسيولوجية والسلوكية بشكل مستمر، والتي تشير إلى حالة الصحة النفسية. تجمع هذه الأجهزة، مثل الساعات الذكية وأجهزة تتبع اللياقة البدنية، بيانات عن تقلبات معدل ضربات القلب، وأنماط النوم، والنشاط البدني، وأنماط الكلام. تقوم خوارزميات الذكاء الاصطناعي بتحليل هذه البيانات لتحديد الانحرافات عن القاعدة، مما يوفر رؤى مبكرة حول التغيرات في الصحة النفسية. على سبيل المثال، تعتبر حلقة أورا جهازًا قابلًا للارتداء يستخدم الذكاء الاصطناعي لمراقبة أنماط النوم، ومستويات النشاط، والمعايير الفسيولوجية مثل تقلبات معدل ضربات القلب. يمكنها اكتشاف التغيرات في جودة النوم وأنماطه لدى المستخدم، والتي قد تشير إلى التوتر أو اضطرابات المزاج. أيضًا، طورت شركة مايندسترونغ هيلث تطبيقًا يستخدم الذكاء الاصطناعي لتحليل تفاعلات لوحة مفاتيح الهواتف الذكية، مثل سرعة الكتابة والأخطاء. يمكن أن تشير هذه الأنماط إلى تغييرات في الوظيفة الإدراكية والصحة النفسية. يقدم التطبيق رؤى حول الرفاهية النفسية للمستخدم من خلال مراقبة هذه التفاعلات بشكل مستمر.

يمكن أن يمكّن المراقبة المستمرة المدعومة بالذكاء الاصطناعي من الكشف المبكر عن الانتكاسات أو التدهورات في الصحة النفسية. بالنسبة للأفراد الذين يعانون من حالات مثل الاكتئاب أو الاضطراب ثنائي القطب، يمكن أن تكون التغيرات في أنماط النوم أو النشاط البدني أو الكلام بمثابة علامات تحذيرية مبكرة. يمكن لخوارزميات الذكاء الاصطناعي أن تميز هذه التغيرات، مما ينبه المرضى ومقدمي الرعاية الصحية للتدخل في الوقت المناسب. تسهل المراقبة المستمرة الكشف المبكر وتدعم الرعاية النفسية على المدى الطويل. من خلال جمع ثروة من البيانات على مر الزمن، يساعد الذكاء الاصطناعي المعالجين والمرضى على فهم أنماط الصحة النفسية للمريض بشكل أفضل. . توفر هذه المعلومات رؤى حاسمة لاتخاذ قرارات العلاج وتساعد في تطوير تدخلات أكثر فعالية وشخصية.

تقدم التقييمات المدفوعة بالذكاء الاصطناعي قياسات موضوعية للعلاج
التقدم والفعالية. تمتد هذه التقييمات إلى ما هو أبعد من الاستبيانات التقليدية الذاتية وتدمج بيانات من مصادر متنوعة، مثل استبيانات المرضى، والبيانات الفسيولوجية، والملاحظات السلوكية. تقوم الذكاء الاصطناعي بتحليل هذه البيانات لتقييم نتائج العلاج. على سبيل المثال، reSET هو علاج رقمي موصوف معتمد من إدارة الغذاء والدواء الأمريكية لعلاج اضطراب تعاطي المواد. يستخدم الذكاء الاصطناعي لتتبع تفاعل المرضى وإكمال الوحدات العلاجية. البيانات التي يتم توليدها بواسطة reSET تمكن المعالجين والمرضى من تقييم تقدم العلاج بشكل موضوعي وتعديل التدخلات حسب الحاجة.

تُمكّن تقييمات النتائج التي تم إنشاؤها بواسطة الذكاء الاصطناعي المعالجين من اتخاذ قرارات مستندة إلى البيانات بشأن خطط العلاج. يمكن للمعالجين تتبع فعالية التدخلات في الوقت الفعلي وتعديل استراتيجيات العلاج بناءً على تقدم المريض. تقلل هذه الطريقة من الاعتماد على التقييمات الذاتية ولها القدرة على تعزيز دقة القرارات العلاجية. قد تسرع هذه الطريقة من مسار التعافي وتقلل من احتمال خضوع المرضى لعلاجات طويلة وغير فعالة.

من الضروري تحقيق التوازن بين مزايا الذكاء الاصطناعي والاعتبارات الأخلاقية، لضمان استخدام هذه التقدمات التكنولوجية بشكل مسؤول وفي مصلحة المرضى. إن معالجة الاعتبارات الأخلاقية في الذكاء الاصطناعي للرعاية الصحية النفسية أمر حاسم لضمان الاستخدام المسؤول والفعال لهذه التقنيات. تعتبر تدابير الخصوصية وأمان البيانات، والتخفيف من التحيز، والحفاظ على العنصر البشري في العلاج أمورًا محورية في بناء الثقة، وتقليل الفجوات، وتقديم رعاية صحية نفسية أخلاقية وعالية الجودة. مع تقدم تقنيات الذكاء الاصطناعي، ستظل اليقظة المستمرة والالتزام بالمبادئ الأخلاقية مركزية في دمجها في ممارسات الرعاية الصحية النفسية.

تُعد غياب الأطر التنظيمية الواضحة والشاملة التي تحكم استخدام الذكاء الاصطناعي في الصحة النفسية واحدة من التحديات الرئيسية في هذا المجال. إن المشهد التنظيمي يتطور لمعالجة القضايا الأخلاقية والخصوصية والسلامة وضمان أن تطبيقات الذكاء الاصطناعي تلبي معايير صارمة. على سبيل المثال، بدأت إدارة الغذاء والدواء الأمريكية في تنظيم بعض الأجهزة الطبية المعتمدة على الذكاء الاصطناعي، بما في ذلك تلك المستخدمة في الصحة النفسية. تساعد الإرشادات والمتطلبات الواضحة للسلامة والفعالية في ضمان أن الأدوات المدفوعة بالذكاء الاصطناعي تلبي المعايير المناسبة. هناك جهود دولية جارية لتوحيد الأساليب التنظيمية للذكاء الاصطناعي في الرعاية الصحية. تتعاون المنظمات والحكومات لوضع مبادئ وإرشادات مشتركة لاستخدام الذكاء الاصطناعي بشكل مسؤول في العلاج النفسي.

الحفاظ على العنصر البشري في العلاج مع الاستفادة من الذكاء الاصطناعي كأداة هو اعتبار أخلاقي حاسم. يجب أن يعزز الذكاء الاصطناعي، وليس أن يحل محل، العلاقة العلاجية بين المرضى والمعالجين. إن تحقيق التوازن الصحيح بين التدخلات المدفوعة بالذكاء الاصطناعي والرعاية الإنسانية أمر ضروري. على سبيل المثال، تم تصميم Woebot ليكون أداة مكملة للعلاج بدلاً من أن يكون بديلاً له. وهذا يوفر الدعم والمساعدة للمرضى، مما يسد الفجوة بين جلسات العلاج مع الحفاظ على العلاقة العلاجية الإنسانية.

يجب إبلاغ المرضى عندما تكون أدوات الذكاء الاصطناعي جزءًا من علاجهم. تتيح الشفافية حول دور الذكاء الاصطناعي في علاجهم للمرضى اتخاذ قرارات مستنيرة بشأن رعايتهم وفهم مدى مشاركة الذكاء الاصطناعي [119]. يجب أن يتضمن المراقبة المستمرة المدفوعة بالذكاء الاصطناعي إشرافًا بشريًا. بينما يمكن للذكاء الاصطناعي اكتشاف التغيرات في سلوك المرضى، يجب على المعالجين تفسير هذه الرؤى والتصرف بناءً عليها، مما يضمن أن تظل اللمسة الإنسانية مركزية في الرعاية.

تدابير لحماية بيانات المرضى وضمان السرية [120]. من الضروري حماية المعلومات الحساسة، مثل السجلات الطبية، وسجلات جلسات العلاج، والبيانات السلوكية، من الوصول غير المصرح به أو الانتهاكات. على سبيل المثال، تلتزم العديد من المنصات الصحية النفسية المدفوعة بالذكاء الاصطناعي، مثل Talkspace، بقوانين قانون قابلية نقل وتأمين التأمين الصحي (HIPAA) لعام 1996 [33،121]. وهذا يضمن أن بيانات المرضى مخزنة ومُرسلة بشكل آمن، مما يحافظ على خصوصية وسرية جلسات العلاج. يتضمن الذكاء الاصطناعي الأخلاقي في الرعاية الصحية النفسية أيضًا معالجة أسئلة ملكية البيانات والحصول على موافقة مستنيرة من المرضى [16]. يجب أن يكون للأفراد سيطرة دقيقة على بياناتهم وأن يفهموا كيف سيتم استخدامها في التدخلات المدفوعة بالذكاء الاصطناعي.

التحيز والعدالة هما عاملان أساسيان في تحسين الصحة النفسية باستخدام الذكاء الاصطناعي. يمكن أن تؤدي التحيزات في بيانات التدريب أو الخوارزميات إلى معاملة غير عادلة، مما يطيل الفجوات في تشخيص الصحة النفسية، والوصول إلى الرعاية الصحية، ونتائج العلاج. على سبيل المثال، إذا تم تدريب نماذج الذكاء الاصطناعي بشكل أساسي على بيانات من مجموعات ديموغرافية معينة، فقد لا تمثل بشكل كافٍ تنوع تجارب الصحة النفسية عبر مختلف السكان. ونتيجة لذلك، قد تواجه المجتمعات الممثلة تمثيلاً ناقصًا تشخيصًا خاطئًا، أو توصيات علاج غير كافية، أو حتى تفاقم في حالاتهم الصحية النفسية.

من الضروري تنويع بيانات التدريب، والوصول باستمرار إلى أنظمة الذكاء الاصطناعي للحصول على نتائج تمييزية، ودمج تدابير الشفافية والمساءلة في تطوير الخوارزميات للتخفيف من التحيز وتعزيز العدالة. بالإضافة إلى ذلك، يمكن أن يساعد تضمين مجموعة واسعة من المشاركين، مثل المتخصصين في الصحة النفسية والمجتمعات المهمشة، في تطوير وتقييم أدوات الذكاء الاصطناعي في تقليل التحيز وضمان أن التدخلات المعتمدة على الذكاء الاصطناعي أخلاقية وفعالة وعادلة لجميع الأفراد الذين يسعون للحصول على المساعدة في الصحة النفسية.

إن استخدام الذكاء الاصطناعي في تحسين الصحة النفسية له تداعيات واسعة النطاق عبر الممارسة والبحث والوقاية والسياسة. في الممارسة، توفر الأدوات المدعومة بالذكاء الاصطناعي تدخلات قابلة للتوسع وشخصية، مما يوسع فعليًا رعاية الصحة النفسية لتشمل الفئات المحرومة. ومع ذلك، يجب أن يتلقى الممارسون تدريبًا لاستخدام هذه التقنيات والحفاظ على المبادئ الأخلاقية بكفاءة. يمكّن الذكاء الاصطناعي من تحليل مجموعات بيانات واسعة في البحث، مما يسمح بتحديد الأنماط، وتحسين العلاج، وإنشاء نماذج تنبؤية لتمكين التدخل المبكر. ومع ذلك، من الضروري إعطاء الأولوية لخصوصية البيانات ومعالجة تحيزات الخوارزميات.

ل Prevention، يمكن للذكاء الاصطناعي تحديد عوامل الخطر وتقديم تدخلات في الوقت المناسب، مما قد يقلل من الضغط على أنظمة الرعاية الصحية. ومع ذلك، من الضروري أن تضع اللوائح تدابير تمنع الاستخدام غير السليم للبيانات وتضمن توفر خدمات الصحة النفسية المدعومة بالذكاء الاصطناعي بشكل عادل ومتساوٍ. تتطلب السياسة تطوير لوائح تحكم الاستخدام الأخلاقي للذكاء الاصطناعي في الصحة النفسية، بما في ذلك حماية البيانات، والشفافية، وتدابير المساءلة. التعاون الفعال بين أصحاب المصلحة أمر حاسم للاستفادة من إمكانيات الذكاء الاصطناعي مع تقليل مخاطره تمامًا.

تقدم الذكاء الاصطناعي حلولًا محتملة لتحسين الصحة النفسية من خلال التدخلات الشخصية، والكشف المبكر عن الأعراض، ومنصات العلاج الافتراضي. تكمن قوته في قدرته على تحليل كميات كبيرة من البيانات بسرعة، مما يوفر رؤى قيمة وتوقعات للمخاوف المحتملة المتعلقة بالصحة النفسية. يمكن للدردشة الآلية المدعومة بالذكاء الاصطناعي والمعالجين الافتراضيين تقديم دعم مستمر، مما يصل إلى شريحة أوسع من السكان بتكاليف منخفضة، ويقلل من الوصمة الاجتماعية، ويعزز من توفر الخدمات.

ومع ذلك، فإن الذكاء الاصطناعي في مجال الصحة النفسية له قيود معينة. أولاً، أهمية اعتبارات الخصوصية المتعلقة بالحساسية
لا يمكن المبالغة في أهمية بيانات الصحة النفسية. يشكل تحيز الخوارزميات خطرًا محتملاً لأنه قد يؤدي إلى عدم كفاية أو عدم ملاءمة المساعدة لفئات معينة. علاوة على ذلك، فإن الذكاء الاصطناعي يفتقر إلى التعاطف والفهم البشري، وهما عنصران حيويان في التفاعلات العلاجية. تنشأ مزيد من القيود من الحاجة إلى التكامل مع أنظمة الرعاية الصحية القائمة والتنقل عبر الصعوبات التنظيمية. لذلك، على الرغم من أن الذكاء الاصطناعي يمتلك إمكانيات كبيرة في رعاية الصحة النفسية، فإنه من الضروري التفكير في حدوده لضمان تنفيذ مسؤول وفعال.

التحديات والاتجاهات المستقبلية في الذكاء الاصطناعي للرعاية الصحية النفسية ديناميكية ومتعددة الأبعاد. إن إنشاء أطر تنظيمية قوية، وضمان التحقق من النماذج وشفافيتها، والاستثمار في البحث والتطوير المستمر هي خطوات حاسمة نحو استغلال الإمكانات الكاملة للذكاء الاصطناعي في تحسين الرعاية الصحية النفسية. مع استمرار تطور تقنيات الذكاء الاصطناعي، ستلعب هذه الجهود دورًا محوريًا في تشكيل مستقبل العلاج النفسي، مما يجعله أكثر وصولاً وعمليًا وأخلاقيًا للأفراد.

إن التحقق من صحة وشفافية نماذج الذكاء الاصطناعي المستخدمة في البيئات السريرية أمر بالغ الأهمية. تتطلب العمليات الصارمة للاختبار والتحقق من الصحة ضمان أن التدخلات المدفوعة بالذكاء الاصطناعي دقيقة وموثوقة وآمنة للمرضى. تكتسب نماذج الذكاء الاصطناعي التي خضعت لتجارب سريرية واسعة النطاق والتحقق من الصحة شهرة متزايدة. تستند هذه النماذج إلى ممارسات قائمة على الأدلة وقد أظهرت فعاليتها في تحسين نتائج الصحة النفسية. إن تطوير نماذج الذكاء الاصطناعي القابلة للتفسير والتي يمكن أن تقدم تفسيرات لتوصياتها هو اتجاه متزايد. يعزز هذا الشفافية ويسمح للأطباء والمرضى بفهم أفضل للمنطق وراء الرؤى والقرارات التي يولدها الذكاء الاصطناعي.

يعلن المؤلفون أنهم ليس لديهم أي مصالح مالية متنافسة معروفة أو علاقات شخصية قد تبدو أنها تؤثر على العمل المبلغ عنه في هذه الورقة.

[1] E.E. Lee, J. Torous, M. De Choudhury, et al., Artificial intelligence for mental healthcare: clinical applications, barriers, facilitators, and artificial wisdom, Biol. Psych. Cogn. Neurosci. Neuroimaging 6 (9) (2021) 856-864, https://doi.org/ 10.1016/j.bpsc.2021.02.001.
[2] G. Espejo, W. Reiner, M. Wenzinger, Exploring the role of artificial intelligence in mental healthcare: progress, pitfalls, and promises, Cureus 15 (9) (2023) e44748, https://doi.org/10.7759/cureus.44748.
[3] World Health Organization, Mental disorders. 〈https://www.who.int/news -room/fact-sheets/detail/mental-disorders/ /, 2022, (Accessed 11 October 2023).
[4] M.L. Wainberg, P. Scorza, J.M. Shultz, et al., Challenges and opportunities in global mental health: a research-to-practice perspective, Curr. Psychiatry Rep. 19 (28) (2017) 1-10, https://doi.org/10.1007/s11920-017-0780-z.
[5] X. Qin, C.R. Hsieh, Understanding and addressing the treatment gap in mental healthcare: economic perspectives and evidence from China, Inq.: J. Health Care Organ. Provis. Financ. 57 (2020). (https//doi.org/10.1177/004695802 0950566).
[6] J. Bajwa, U. Munir, A. Nori, B. Williams, Artificial intelligence in healthcare: transforming the practice of medicine, Future Healthc. J. 8 (2) (2021) e188-e194, https://doi.org/10.7861/fhj.2021-0095.
[7] P. Nilsen, P. Svedberg, J. Nygren, M. Frideros, J. Johansson, S. Schueller, Accelerating the impact of artificial intelligence in mental healthcare through implementation science, Implement. Res. Pract. 3 (2022) 263348952211120, https://doi.org/10.1177/26334895221112033.
[8] M. Langarizadeh, M. Tabatabaei, K. Tavakol, M. Naghipour, F. Moghbeli, Telemental health care, an effective alternative to conventional mental care: a systematic review, Acta Inform. Med. 25 (4) (2017) 240-246, https://doi.org/ 10.5455/aim.2017.25.240-246.
[9] F. Minerva, A. Giubilini, Is AI the future of mental healthcare? Topoi 42 (3) (2023) 809-817, https://doi.org/10.1007/s11245-023-09932-3.
[10] K.B. Johnson, W. Wei, D. Weeraratne, et al., Precision medicine, AI, and the future of personalized health care, Clin. Transl. Sci. 14 (1) (2021) 86-93, https:// doi.org/10.1111/cts. 12884.
［11］M．C．T．Tai，The impact of artificial intelligence on human society and bioethics， Tzu Chi Med．J． 32 （4）（2020）339－343，https：／／doi．org／10．4103／tcmj．tcmj＿71＿ 20.
［12］S．Bouhouita－Guermech，P．Gogognon，J．C．Bélisle－Pipon，Specific challenges posed by artificial intelligence in research ethics，Front．Artif．Intell． 6 （2023） 1149082，https：／／doi．org／10．3389／frai．2023．1149082．
［13］N．Naik，B．M．Z．Hameed，D．K．Shetty，et al．，Legal and ethical consideration in artificial intelligence in healthcare：who takes responsibility？Front．Surg．（2022） 862322 https：／／doi．org／10．3389／fsurg．2022．862322．
［14］S．Gerke，T．Minssen，G．Cohen，Ethical and legal challenges of artificial intelligence－driven healthcare，Artif．Intell．Healthc．（2020）295－336，https：／／doi． org／10．1016／B978－0－12－818438－7．00012－5．
［15］D．Arias，S．Saxena，S．Verguet，Quantifying the global burden of mental disorders and their economic value，eClinicalMedicine 54 （2022）101675，https：／／doi．org／ 10．1016／j．eclinm． 2022.101675.
［16］The Lancet Global Health，Mental health matters，Lancet（2020），https：／／doi．org／ 10．1016／S2214－109X（20）30432－0（Accessed 20 October 2023）．
［17］P．Uwa，Unleashing the potential of artificial intelligence：revolutionizing industries and shaping the future，Medium， 2023 〈https：／／medium．com／＠paul nodfield／unleashing－the－potential－of－artificial－intelligence－revolutionizing－indust ries－and－shaping－the－74a668f9712e），（Accessed 29 October 2023）．
［18］R．Anyoha，The history of artificial intelligence，Science in the news， 2017 〈https ：／／sitn．hms．harvard．edu／flash／2017／history－artificial－intelligence／），（Accessed 29 October 2023）．
［19］I．Goldstein，S．Papert，Artificial intelligence，language，and the study of knowledge，Cogn．Sci． 1 （1）（1977）84－123，https：／／doi．org／10．1016／S0364－ 0213（77）80006－2．
［20］J．S．Abreu，Founding fathers of artificial intelligence，Quidgest， 2021 〈https ：／／quidgest．com／en／blog－en／ai－founding－fathers／），（Accessed 29 October 2023）．
［21］J．Moor，The Dartmouth college artificial intelligence conference：the next fifty years，AI Mag． 27 （4）（2006）87，https：／／doi．org／10．1609／aimag．v27i4．1911．
［22］A．Basil，ELIZA：The chatbot who revolutionised human－machine interaction［an introduction］，Nerd For Tech．／https：／／medium．com／nerd－for－tech／eliza－the－chat bot－who－revolutionised－human－machine－interaction－an－introduction－582a7 581f91c），2021，（Accessed 29 October 2023）．
［23］C．Bassett，The computational therapeutic：exploring Weizenbaum＇s ELIZA as a history of the present，AI Soc． 34 （4）（2018）803－812，https：／／doi．org／10．1007／ s00146－018－0825－9．
［24］D．D．Luxton，Artificial intelligence in psychological practice：current and future applications and implications，Prof．Psychol．：Res．Pract． 45 （5）（2014）32－339， https：／／doi．org／10．1037／a0034559．
［25］S．Zhou，J．Zhao，L．Zhang，Application of artificial intelligence on psychological interventions and diagnosis：an overview，Front．Psychiatry 13 （2021）811665， https：／／doi．org／10．3389／fpsyt．2022．811665．
［26］G．Finocchiaro，The regulation of artificial intelligence，AI Soc． 3 （4）（2023）1－8， https：／／doi．org／10．1007／s00146－023－01650－z．
［27］S．Tutun，M．E．Johnson，A．Ahmed，et al．，An AI－based decision support system for predicting mental health disorders，Inf．Syst．Front． 25 （2022）1261－1276， https：／／doi．org／10．1007／s10796－022－10282－5．
［28］S．E．Blackwell，T．Heidenreich，Cognitive behavior therapy at the crossroads，Int． J．Cogn．Ther． 14 （1）（2021）1－22，https：／／doi．org／10．1007／s41811－021－00104－ y．
［29］S．D．A．Hupp，D．Reitman，J．D．Jewell，Cognitive－behavioral theory，in：M．Hersen， A．M．Gross（Eds．），Handbook of Clinical Psychology，Vol 2，Children and Adolescents，John Wiley ＆Sons，Inc．，2008，pp．263－287．
［30］S．D＇Alfonso，AI in mental health，Curr．Opin．Psychol． 36 （2020）112－117， https：／／doi．org／10．1016／j．copsyc．2020．04．005．
［31］Woebot Health，Mental health chatbot，Woebot，〈https：／／woebothealth．com／ ， 2021．（Accessed 30 October 2023）．
［32］W．Wysa，Everyday mental health，Talkspace，2023．（https：／／www．talkspace． com／／，2018，（Accessed October 30，2023）．
［33］Better Help，Professional counseling with a licensed therapist，Betterhelp．com． （https：／／www．betterhelp．com／），2013，（Accessed 31 October 2023）．
［34］Talkspace，Online therapy，counseling online，marriage counseling，Talkspace． com．（https：／／www．talkspace．com／），2018，（Accessed 30 October 2023）．
［35］Moodfit，Tools ＆insight for your mental health，Moodfit．（https：／／www．get moodfit．com／），2023，（Accessed 31 October 2023）．
［36］Happify，Happify：science－based activities and games，Happify．com，〈https：／／ www．happify．com／ ，2022，（Accessed 31 October 2023）．
［37］Headspace，Get the headspace app，Headspace，（https：／／www．headspace．com／he adspace－meditation－app／／，2019，（Accessed 31 October 2023）．
［38］Calm，Experience calm，Calm．（https：／／www．calm．com／），2019，（Accessed 31 October 2023）．
［39］Shine，Calm anxiety ＆stress，theshineapp．com．（https：／／www．theshineapp． com／ ，2020，（Accessed 31 October 2023）．
［40］M．M．Braun，Dialectical behavior therapy：new frontiers in practice，in： D．Wedding（Ed．），Psyccritiques，50，2005，https：／／doi．org／10．1037／051667．
［41］Resiliens，CBT Companion－a comprehensive app for cognitive behavioral therapy，Resiliens，〈https：／／resiliens．com／cbt－companion／〉，（2021）（Accessed 31 October 2023）．
［42］Anxiety Canada，MindShift CBT，Anxiety Canada，〈https：／／www．anxietycan ada．com／resources／mindshift－cbt／／，2023，（Accessed 31 October 2023）．
［43］US．Department of Veteran Affairs，PTSD Coach－PTSD：National Center for PTSD，〈https：／／www．ptsd．va．gov／appvid／mobile／ptsdcoach＿app．asp），2022，（Accessed 31 October 2023）．
［44］SuperBetter，Social－emotional learning，mental health ＆resilience training， Superbetter．com，（https：／／superbetter．com／／，2023，（Accessed 31 October 2023）．
［45］Kintusugi，Kintsugi．Kintsugihealth，〈https：／／www．kintsugihealth．com／ 7 ，2022， （Accessed 31 October 2023）．
［46］IBM Watson Health，IBM watson health is now merative， www．ibm．com ．〈https：／／www．ibm．com／watson－health／merative－divestiture），2023，（Accessed 31 October 2023）．
［47］Cerebral，The Cerebral Way．cerebral．com，＜https：／／cerebral．com／ ，2023， （Accessed 31 October 2023）．
［48］T．Gruber，AI for mental health，Mindstrong AI models｜Digital Brain Biomarkers， Humanistic AI，（https：／／tomgruber．org／mindstrong－story），2023，（Accessed 31 October 2023）．
［49］J．M．Peake，G．Kerr，J．P．Sullivan，A critical review of consumer wearables， mobile applications，and equipment for providing biofeedback，monitoring stress， and sleep in physically active populations，Front．Physiol． 9 （2018）743，https：／／ doi．org／10．3389／fphys．2018．00743．
［50］Prime Therapeutics，Prime Therapeutics and Pear Therapeutics announce first comprehensive value－based agreement for prescription digital therapeutics reSET® and reSET－O® for the treatment of substance and opioid use disorders， Prime Therapeutics LLC，〈https：／／www．primetherapeutics．com／news／prime－ therapeutics－and－pear－therapeutics－announce－first－comprehensive－value－based－a greement－for－prescription－digital－therapeutics－reset－and－reset－o－for－the－treatmen t－of－substance－and－opioi／／，2021，（Accessed 31 October 2023）．
［51］S．Graham，C．Depp，E．E．Lee，et al．，Artificial intelligence for mental health and mental illnesses：an overview，Curr．Psychiatry Rep． 21 （11）（2019）116，https：／／ doi．org／10．1007／s11920－019－1094－0．
［52］T．Davenport，R．Kalakota，The potential for artificial intelligence in healthcare， Future Healthc．J． 6 （2）（2019）94－98，https：／／doi．org／10．7861／futurehosp．6－2－ 94.
［53］T．Zhang，A．M．Schoene，S．Ji，S．Ananiadou，Natural language processing applied to mental illness detection：a narrative review，npj Digit．Med． 5 （2022）46， https：／／doi．org／10．1038／s41746－022－00589－7．
［54］D．Khurana，A．Koli，K．Khatter，S．Singh，Natural language processing：state of the art，current trends and challenges，Multimed．Tools Appl． 82 （2022）3713－3744， https：／／doi．org／10．1007／s11042－022－13428－4．
［55］A．S．Uban，B．Chulvi，P．Rosso，An emotion and cognitive based analysis of mental health disorders from social media data，Future Gener．Comput．Syst． 123 （2021） 480－494，https：／／doi．org／10．1016／j．future．2021．05．032．
［56］O．Flanagan，A．Chan，P．Roop，F．Sundram，Using acoustic speech patterns from smartphones to investigate mood disorders：scoping review，JMIR mHealth uHealth 9 （9）（2021）e24352，https：／／doi．org／10．2196／24352．
［57］G．Fagherazzi，A．Fischer，M．Ismael，V．Despotovic，Voice for health：the use of vocal biomarkers from research to clinical practice，Digit．Biomark． 5 （1）（2021） 78－88，https：／／doi．org／10．1159／000515346．
［58］N．Haines，M．W．Southward，J．S．Cheavens，T．Beauchaine，W．Y．Ahn，Using computer－vision and machine learning to automate facial coding of positive and negative affect intensity，Hinojosa J．A．，ed．PLoS One，vol． 14 （no．2），2019， e0211735，〈https：／／doi．org／10．1371／journal．pone．0211735〉．
［59］G．Zhao，X．Li，Automatic Micro－expression analysis：open challenges，Front． Psychol． 10 （2019）1833，https：／／doi．org／10．3389／fpsyg．2019．01833．
［60］C．Kuziemsky，A．J．Maeder，O．John，et al．，Role of artificial intelligence within the telehealth domain，Yearb．Med．Inform． 28 （1）（2019）35－40，https：／／doi．org／ .
［61］Cogito，Training data solutions for ai and machine learning，Cogitotech，＜htt ps：／／www．cogitotech．com／ ，2023，（Accessed 31 October 2023）．
［62］Affectiva，humanizing technology to bridge the gap between humans and machines，Affectiva，〈https：／／www．affectiva．com／／，2017，（Accessed 31 October 2023）．
［63］F．C．Krause，E．Linardatos，D．M．Fresco，M．T．Moore，Facial emotion recognition in major depressive disorder：a meta－analytic review，J．Affect．Disord． 293 （2021）320－328，https：／／doi．org／10．1016／j．jad．2021．06．053．
［64］Y．S．Lee，W．H．Park，Diagnosis of depressive disorder model on facial expression based on fast R－CNN，Diagnostics 12 （2）（2022）317，https：／／doi．org／10．3390／ diagnostics12020317．
［65］N．K．Iyortsuun，S．H．Kim，M．Jhon，H．J．Yang，S．Pant，A review of machine learning and deep learning approaches on mental health diagnosis，Healthcare 11 （3）（2023）285，https：／／doi．org／10．3390／healthcare11030285．
［66］A．M．Chekroud，J．Bondar，J．Delgadillo，et al．，The promise of machine learning in predicting treatment outcomes in psychiatry，World Psychiatry 20 （2）（2021） 154－170，https：／／doi．org／10．1002／wps． 20882.
［67］Al Kuwaiti，K．Nazer，A．Al－Reedy，et al．，a review of the role of artificial intelligence in healthcare，J．Pers．Med． 13 （6）（2023）951，https：／／doi．org／ 10．3390／jpm13060951．
［68］J．Yu，N．Shen，S．E．Conway，et al．，A holistic approach to integrating patient， family，and lived experience voices in the development of the Brain Health Databank：a digital learning health system to enable artificial intelligence in the clinic，Front．Health Serv． 3 （2023）1198195，https：／／doi．org／10．3389／ frhs．2023．1198195．
［69］Google Health，Health self－assessment tools，health．google，＜https：／／health．googl e／consumers／self－assessments／，2017，（Accessed 31 October 2023）．
［70］M．Giliberti，Learning more about clinical depression with the PHQ－9 questionnaire．Google，〈https：／／blog．google／products／search／learning－more－abo ut－clinical－depression－phq－9－questionnaire／／，2017，（Accessed 31 October 2023）．
［71］K．Kroenke，R．L．Spitzer，J．B．W．Williams，Patient Health Questionnaire－9，APA PsycTests，〈https：／／doi．org／10．1037／t06165－000〉，1999，（Accessed 31 October 2023）．
［72］N．Koutsouleris，T．U．Hauser，V．Skvortsova，M．De Choudhury，From promise to practice：towards the realisation of AI－informed mental health care，Lancet Digit． Health 4 （1）（2022）e829－e840，https：／／doi．org／10．1016／s2589－7500（22）00153－ 4.
［73］Headspace，Ginger＇s mental health app is now Headspace care organizations， headspace．com，〈https：／／organizations．headspace．com／ginger－is－now－part－of－he adspace），2023，（Accessed 1 November 2023）．
［74］Stong，Ginger．io：striking a balance between humans and technology in mental health，Harvard Technology and Operations Management，〈https：／／d3．harvard． edu／platform－rctom／submission／ginger－io－striking－a－balance－between－humans－ and－technology－in－mental－health／／，2016，（Accessed 1 November 2023）．
［75］F．Sabry，T．Eltaras，W．Labda，K．Alzoubi，Q．Malluhi，machine learning for healthcare wearable devices：the big picture，in：Y．Wu（ed．）Journal of Healthcare Engineering， 2022 2022，4653923．（https：／／doi．org／10．1155／2022／ 4653923）．
［76］N．Ghaffar Nia，E．Kaplanoglu，A．Nasab，Evaluation of artificial intelligence techniques in disease diagnosis and prediction，Discov．r Artif．Intell．，vol． 3 （no． 1），2023，5，〈https：／／doi．org／10．1007／s44163－023－00049－5〉．
［77］F．M．Dawoodbhoy，J．Delaney，P．Cecula，et al．，AI in patient flow：applications of artificial intelligence to improve patient flow in NHS acute mental health inpatient units，Heliyon 7 （5）（2021）e06993，https：／／doi．org／10．1016／j． heliyon．2021．e06993．
［78］M．Toma，O．C．Wei，Predictive modeling in Medicine，Encyclopedia 3 （2）（2023） 590－601，https：／／doi．org／10．3390／encyclopedia3020042．
［79］IBM Watson for Drug Discovery，IBM Documentation，〈www．ibm．com〉．（https ：／／www．ibm．com／docs／en／announcements／watson－drug－discovery？region ＝CAN＞，2023，（Accessed 1 November 2023）．
［80］E．L．Van der Schyff，B．Ridout，K．L．Amon，R．Forsyth，A．J．Campbell，Providing self－led mental health support through an artificial intelligence－powered chat bot （Leora）to Meet the demand of mental health care，J．Med．Internet Res． 25 （2023） e46448，https：／／doi．org／10．2196／46448．
［81］S．Sabour，W．Zhang，X．Xiao，et al．，A chatbot for mental health support： exploring the impact of Emohaa on reducing mental distress in China，Front． Digit．Health 5 （2023）1133987，https：／／doi．org／10．3389／fdgth．2023．1133987．
［82］A．N．Vaidyam，H．Wisniewski，J．D．Halamka，M．S．Kashavan，J．B．Torous， Chatbots and conversational agents in mental health：a review of the psychiatric landscape，Can．J．Psychiatry Rev．Can．Psychiatr． 64 （7）（2019）456－464， https：／／doi．org／10．1177／0706743719828977．
［83］S．N．Mohsin，A．Gapizov，C．Ekhator，et al．，The role of artificial intelligence in prediction，risk stratification，and personalized treatment planning for congenital heart diseases，Cureus 15 （8）（2023）e44374，https：／／doi．org／10．7759／ cureus． 44374.
［84］I．H．Sarker，Machine learning：algorithms，real－world applications and research directions，SN Comput．Sci． 2 （160）（2021）1－21，https：／／doi．org／10．1007／ s42979－021－00592－x．
［85］E．Lin，C．H．Lin，H．Y．Lane，Precision psychiatry applications with pharmacogenomics：artificial intelligence and machine learning approaches，Int． J．Mol．Sci． 21 （3）（2020）969，https：／／doi．org／10．3390／ijms21030969．
［86］E．Lin，P．H．Kuo，Y．L．Liu，Y．W．Y．Yu，A．C．Yang，S．J．Tsai，A deep learning approach for predicting antidepressant response in major depression using clinical and genetic biomarkers，Front．Psychiatry 9 （9）（2018）290，https：／／doi． org／10．3389／fpsyt．2018．00290．
［87］P．Gual－Montolio，I．Jaén，V．Martínez－Borba，D．Castilla，C．Suso－Ribera，Using Artificial intelligence to enhance ongoing psychological interventions for emotional problems in real－or close to real－time：a systematic review，Int．J． Environ．Res．Public Health 19 （13）（2022）7737，https：／／doi．org／10．3390／ ijerph19137737．
［88］H．Siala，Y．Wang，SHIFTing artificial intelligence to be responsible in healthcare： a systematic review，Soc．Sci．Med． 296 （2022）114782，https：／／doi．org／10．1016／ j．socscimed．2022．114782．
［89］B．Chhetri，L．M．Goyal，M．Mittal，How machine learning is used to study addiction in digital healthcare：a systematic review，Int．J．Inf．Manag．Data Insights 3 （2）（2023）100175，https：／／doi．org／10．1016／j．jjimei．2023．100175．
［90］S．Carreiro，M．Taylor，S．Shrestha，M．Reinhardt，N．Gilbertson，P．Indic，Realize， analyze，engage（RAE）：a digital tool to support recovery from substance use disorder，J．Psychiatry Brain Sci． 6 （2021）e210002，https：／／doi．org／10．20900／ jpbs． 20210002.
［91］Y．Kumar，A．Koul，R．Singla，M．F．Ijaz，Artificial intelligence in disease diagnosis： a systematic literature review，synthesizing framework and future research agenda，J．Ambient Intell．Humaniz．Comput． 14 （7）（2022）8459－8486，https：／／ doi．org／10．1007／s12652－021－03612－z．
［92］A．Bohr，K．Memarzadeh，The rise of artificial intelligence in healthcare applications，Artif．Intell．Healthc． 1 （1）（2020）25－60，https：／／doi．org／10．1016／ B978－0－12－818438－7．00002－2．
［93］S．Dash，S．K．Shakyawar，M．Sharma，S．Kaushik，Big data in healthcare： management，analysis and future prospects，J．Big Data 6 （54）（2019）1－25， https：／／doi．org／10．1186／s40537－019－0217－0．
［94］A．Thieme，M．Hanratty，M．Lyons，et al．，Designing human－centered AI for mental health：developing clinically relevant applications for online CBT treatment，ACM Trans．Comput．－Hum．Interact． 30 （2）（2022）1－50，https：／／doi．org／10．1145／ 3564752.
［95］V．Kaldo，N．Isacsson，E．Forsell，P．Bjurner，F．B．Abdesslem，M．Boman，AI－driven adaptive treatment strategies in internet－delivered CBT，Eur．Psychiatry 64 （S1） （2021），https：／／doi．org／10．1192／j．eurpsy．2021．75（S20－S20）．
［96］B．Omarov，Z．Zhumanov，A．Gumar，L．Kuntunova，Artificial intelligence enabled mobile chatbot psychologist using AIML and cognitive behavioral therapy，Int．J．

Adv．Comput．Sci．Appl． 14 （6）（2023）137－146，https：／／doi．org／10．14569／ ijacsa．2023．0140616．
［97］E．Bendig，B．Erb，L．Schulze－Thuesing，H．Baumeister，The next generation： chatbots in clinical psychology and psychotherapy to foster mental health－a scoping review，Verhaltenstherapie 32 （Suppl．1）（2019）S64－S76，https：／／doi． org／10．1159／000501812．
［98］Crisis Text Line，Crisis Text Line，Crisis Text Line Published 2013．Accessed 1 November 2023，〈https：／／www．crisistextline．org／ ．
［99］M．Wedyan，J．Falah，R．Alturki，et al．，Augmented reality for autistic children to enhance their understanding of facial expressions，Multimodal Technol．Interact． 5 （8）（2021），https：／／doi．org／10．3390／mti5080048．
［100］K．Briot，A．Pizano，M．Bouvard，A．Amestoy，New technologies as promising tools for assessing facial emotion expressions impairments in ASD：a systematic review， Front．Psychiatry 12 （2021）634756，https：／／doi．org／10．3389／ fpsyt．2021．634756．
［101］E．Bekele，Z．Zheng，A．Swanson，J．Crittendon，Z．Warren，N．Sarkar， Understanding how adolescents with autism respond to facial expressions in virtual reality environments，IEEE Trans．Vis．Comput．Graph． 19 （4）（2013） 711－720，https：／／doi．org／10．1109／tvcg．2013．42．
［102］A．Ray，A．Bhardwaj，Y．K．Malik，S．Singh，R．Gupta，Artificial intelligence and psychiatry：an overview，Asian J．Psychiatry 70 （2022）103021，https：／／doi．org／ 10．1016／j．ajp．2022．103021．
［103］S．Borna，C．R．Haider，K．C．Maita，et al．，A review of voice－based pain detection in adults using artificial intelligence，Bioengineering 10 （4）（2023）500，https：／／doi． org／10．3390／bioengineering10040500．
［104］M．Flynn，D．Effraimidis，A．Angelopoulou，et al．，Assessing the effectiveness of automated emotion recognition in adults and children for clinical investigation， Front．Hum．Neurosci． 14 （2020）70，https：／／doi．org／10．3389／ fnhum．2020．00070．
［105］O．Ali，W．Abdelbaki，A．Shrestha，E．Elbasi，M．A．A．Alryalat，Y．K．Dwivedi， A systematic literature review of artificial intelligence in the healthcare sector： benefits，challenges，methodologies，and functionalities，J．Innov．Knowl． 8 （1） （2023）100333，https：／／doi．org／10．1016／j．jik．2023．100333．
［106］M．Senbekov，T．Saliev，Z．Bukeyeva，et al．，The recent progress and applications of digital technologies in healthcare：a review，in：J．Fayn（Ed．），International Journal of Telemedicine and Applications，2020，p．8830200，https：／／doi．org／ 10．1155／2020／8830200．
［107］S．A．Alowais，S．S．Alghamdi，N．Alsuhebany，et al．，Revolutionizing healthcare： the role of artificial intelligence in clinical practice，BMC Med．Educ． 23 （689） （2023），https：／／doi．org／10．1186／s12909－023－04698－z．
［108］A．Zlatintsi，P．P．Filntisis，C．Garoufis，et al．，E－prevention：advanced support system for monitoring and relapse prevention in patients with psychotic disorders analyzing long－term multimodal data from wearables and video captures，Sensors 22 （19）（2022），https：／／doi．org／10．3390／s22197544（7544－7544）．
［109］N．Gomes，M．Pato，A．R．Lourenço，N．Datia，A survey on wearable sensors for mental health monitoring，Sensors 23 （3）（2023）1330，https：／／doi．org／10．3390／ s23031330．
［110］B．A．Hickey，T．Chalmers，P．Newton，et al．，Smart devices and wearable technologies to detect and monitor mental health conditions and stress：a systematic review，Sensors 21 （10）（2021）3461，https：／／doi．org／10．3390／ s21103461．
［111］Oura Ring，Oura Ring：the most accurate sleep and activity tracker，Oura Ring Published，2022．Accessed 1 November 2023，〈https：／／ouraring．com／ ．
［112］R．Garriga，J．Mas，S．Abraha，et al．，Machine learning model to predict mental health crises from electronic health records，Nat．Med． 28 （6）（2022）1240－1248， https：／／doi．org／10．1038／s41591－022－01811－5．
［113］M．Javaid，A．Haleem，R．Pratap Singh，R．Suman，S．Rab，Significance of machine learning in healthcare：features，pillars and applications，Int．J．Intell．Netw． 3 （2022）58－73，https：／／doi．org／10．1016／j．ijin．2022．05．002（3）．
［114］Digital Therapeutics Alliance，reSET（ ，Digital Therapeutics Alliance，Published， 2017．Accessed 1 November 2023，〈https：／／dtxalliance．org／products／reset／ ．
［115］N．Norori，Q．Hu，F．M．Aellen，F．D．Faraci，A．Tzovara，Addressing bias in big data and AI for health care：a call for open science，Patterns 2 （10）（2021）100347， https：／／doi．org／10．1016／j．patter．2021．100347．
［116］B．Murdoch，Privacy and artificial intelligence：challenges for protecting health information in a new era，BMC Med．Ethics 22 （2021）122，https：／／doi．org／ 10．1186／s12910－021－00687－3．
［117］R．Rodrigues，Legal and human rights issues of AI：gaps，challenges and vulnerabilities，J．Respons．Technol． 4 （2020）100005，https：／／doi．org／10．1016／j． jrt．2020．100005．
［118］Center for Devices and Radiological Health，Artificial Intelligence and Machine Learning in Software．U．S．Food and Drug Administration，Published， 2021. Accessed 1 November 2023，＜https：／／www．fda．gov／medical－devices／software－m edical－device－samd／artificial－intelligence－and－machine－learning－software－m edical－device）．
［119］A．Kiseleva，D．Kotzinos，P．De Hert，Transparency of AI in healthcare as a multilayered system of accountabilities：between legal requirements and technical limitations，Front．Artif．Intell． 5 （2022）879603，https：／／doi．org／ 10．3389／frai．2022．879603．
［120］C．Wang，J．Zhang，N．Lassi，X．Zhang，Privacy protection in using artificial intelligence for healthcare：Chinese regulation in comparative perspective， Healthcare 10 （10）（2022）1878，https：／／doi．org／10．3390／healthcare10101878．
［121］CDC，Health insurance portability and accountability act of 1996 （HIPAA）， Centers for Disease Control and Prevention，Published，2022．Accessed 1 November 2023，〈https：／／www．cdc．gov／phlp／publications／topic／hipaa．html〉．
[122] R. Agarwal, M. Bjarnadottir, L. Rhue, et al., Addressing algorithmic bias and the perpetuation of health inequities: an AI bias aware framework, Health Policy Technol. 12 (1) (2023) 100702, https://doi.org/10.1016/j.hlpt.2022.100702.
[123] L.H. Nazer, R. Zatarah, S. Waldrip, et al., Bias in artificial intelligence algorithms and recommendations for mitigation, PLoS Digit. Health 2 (6) (2023) e0000278, https://doi.org/10.1371/journal.pdig. 0000278.
[124] IBM Data and AI Team, Shedding light on AI bias with real world examples, IBM Blog, Published, 2023. Accessed 1 November 2023, 〈https://www.ibm.com /blog/shedding-light-on-ai-bias-with-real-world-examples/ .
[125] D.B. Olawade, O.J. Wada, A.C. David-Olawade, E. Kunonga, O.J. Abaire, Ling, Using artificial intelligence to improve public health: a narrative review, Front. Public Health 11 (2023) 1196397.
[126] Y. Chen, E.W. Clayton, L.L. Novak, S. Anders, B. Malin, human-centered design to address biases n artificial intelligence, J. Med. Internet Res. 25 (2023) e43251, https://doi.org/10.2196/43251.

Artificial Intelligence
Mental Health
Teletherapy
Psychology
Diagnosis

The convergence of Artificial Intelligence (AI) and mental healthcare fields marks a significant transformation in healthcare . The backdrop against this transformation is the evolving paradigm of mental health. What was once stigmatized and often overlooked is now recognized as a crucial dimension of overall well-being. However, this emerging awareness has also unveiled the scale of the mental health crisis that plagues societies worldwide. According to the World Health Organization (WHO), mental health disorders are now a substantial contributor to the global disease burden, with depression alone
representing the leading cause of disability globally [3]. The surge in the prevalence of mental health disorders has placed an unprecedented demand on healthcare systems, revealing the inadequacies of traditional models of mental health care [4,5]. The conventional approach, which heavily relies on in-person consultations and therapies, falls short of addressing the increasing demand for accessible, affordable, and easily expandable mental health services [4]. This disparity between the demand for and supply of mental healthcare highlights the pressing need for innovative solutions.

AI possesses remarkable capabilities, such as efficiently handling extensive datasets and facilitating the examination of complex patterns

and relationships [6]. In the context of mental healthcare, where understanding complex human behaviors and emotions is paramount, AI offers the potential to revolutionize mental healthcare by providing insights and solutions that were previously beyond the reach of conventional methods [7,8]. It is a transformative tool that offers advanced detection approaches, tailored therapies, and virtual therapeutic platforms. It would potentially broaden the availability of healthcare, reduce stigma, and improve treatment outcomes [9,10].

Integrating AI into mental healthcare is reshaping the landscape of mental healthcare; it represents an evolution and a revolution in mental well-being [11]. However, while this transformation presents the potential for widespread access, facilitating early intervention, and personalizing treatments, it also gives rise to ethical considerations, regulatory challenges, and the need for ongoing research and development [12-14]. As the diverse range of applications and implications of AI in this field are explored further, the synergy between human expertise and AI capabilities holds the potential to usher in a new era of mental healthcare.

The escalating burden of mental health issues globally is nothing short of a pandemic, contributing to approximately of the global disease burden [15]. With prominent mental ailments such as depression and anxiety costing the global economy about 1 trillion USD annually in lost productivity, the urgency for effective solutions cannot be overstated [16]. The pervasive stigma surrounding mental health exacerbates the crisis, leaving countless individuals without the necessary care and contributing further to a cycle of neglect and suffering. However, the advent of Artificial Intelligence (AI) in healthcare presents a beacon of hope. By integrating AI into mental health services, there is a tangible opportunity to not only mitigate the effects of this global pandemic but to transform the landscape of mental health care. AI’s potential to enhance early detection, provide personalized treatment options, and offer support through innovative platforms could revolutionize how we approach mental wellness, making care more accessible and less stigmatized. This narrative review arrives at a critical juncture. As the AI boom unfolds globally, it is imperative to assess both the strides made in the AI and mental health field and to anticipate the challenges and opportunities that lie ahead. By exploring the progress, prospects, and potential pitfalls of integrating AI into mental health care, this review aims to underscore the significance of this fusion in addressing one of the most pressing health crises of our time.

This paper adopts a narrative review approach to comprehensively investigate the utilization of Artificial Intelligence (AI) in mental healthcare. The screening and eligibility criteria for paper selection involved inclusion of papers published in peer-reviewed journals, conference proceedings, or reputable online databases, focusing on the application of AI in mental healthcare, including review papers providing an overview, analysis, or synthesis of existing literature. Exclusion criteria encompassed papers failing to meet the inclusion criteria, duplicates, non-English publications, or those unrelated to the review topic. The screening process consisted of three stages: title screening, abstract screening, and full-text eligibility assessment, with papers not meeting inclusion criteria being excluded at each stage. The search strategy aimed to identify relevant papers published on “Artificial Intelligence in Mental Healthcare” between January 2019 and December 2023, encompassing academic journals, conference proceedings, and reputable online databases. Following selection, review papers underwent further analysis for pertinent information, trends, examples, and ethical considerations concerning AI in mental healthcare.

A total of 211 papers were found in four database searches, out of which 87 publications were excluded due to non-English language and
duplicates. Following the abstract and title screening, 32 articles were eliminated as they did not fulfill the eligibility criteria. Therefore, this review included a total of 92 eligible studies. (See Table 1).

The journey of AI’s integration into mental healthcare can be traced back to the mid-20th century, a period marked by the emergence of the computing era, when scientists began to envision the possibility of robots imitating cognitive processes, thereby setting the stage for further advancement in this field [17-19]. In the 1950s and 1960s, AI pioneers Allen Newell and Herbert A. Simon embarked on groundbreaking research, aiming to develop AI models of human problem-solving [17, . Their work laid the foundational concepts of symbolic AI, later proving instrumental in simulating cognitive processes in mental health contexts [21]. Though rudimentary by today’s standards, this early AI research laid the foundation for a significant convergence of AI and psychology.

By the late 1960s and early 1970s, Joseph Weizenbaum created one of the earliest AI applications in psychology [18]. His program, ELIZA, was a chatbot that simulated a Rogerian psychotherapist [22]. While ELIZA’s responses were relatively simplistic, they could engage users in text-based conversations, providing a glimpse into the potential for technology to support mental health interactions [22,23]. The use of AI in mental healthcare over the decades has experienced a progressive expansion. The development of expert systems, rule-based AI systems designed to emulate human expertise, commenced in the 1980s [11,24]. These systems aimed to provide diagnostic and treatment recommendations across several psychological domains [1,25]. Although the skills of the early AI systems were somewhat limited compared to modern AI, they represented a notable advancement in integrating technology and mental health [ 26,27 ].

The late 20th century witnessed the emergence of computerized cognitive-behavioral therapy (CBT) programs [28,29]. These interactive software applications aim to provide evidence-based therapy interventions for prevalent mental health conditions. Although the initial efforts were somewhat rudimentary compared to today’s AI-powered interventions, they signified a transition into utilizing technology to enhance the accessibility of mental healthcare [28]. As computing power advanced, AI’s role in mental healthcare evolved exponentially. The advancement of AI in the 21st century has encompassed various aspects of mental healthcare, including early identification of mental health problems, individualized treatment plans, virtual therapists, advances in teletherapy, and continuous monitoring [9,10]. These

contemporary applications of AI have the potential to revolutionize the field by making mental health care more accessible, effective, and data-driven.

Overall, the history of AI in mental healthcare is marked by a series of evolutionary milestones, from early cognitive modeling to today’s advanced AI-driven interventions [30]. This journey reflects the ever-growing recognition of technology’s potential to support and enhance mental well-being, suggesting a future where AI plays an integral role in addressing the global mental health crisis. Table 2 below highlights specific AI tools used in current mental healthcare.

AI has emerged as a valuable tool in the early detection and prediction of mental health disorders [30]. These technologies, whether analyzing speech, text, facial expressions, or electronic health records, are transforming how mental health is diagnosed and managed . With the aid of predictive models, AI enhances early intervention, personalizes treatment plans, and improves overall mental well-being [10, 52]. Fig. 1 highlights the application of AI in mental health diagnosis.

AI-driven tools have made significant strides in analyzing speech, text, and facial expressions to identify early signs of mental health disorders. Natural Language Processing (NLP) techniques enable extracting valuable insights from written or spoken words [53,54]. For example,

sentiment analysis can identify nuanced changes in an individual’s emotional condition by examining social media posts, chat logs, or written diaries [55].

Moreover, voice analysis can detect alterations in speech patterns, encompassing variations in pitch, tone, and rhythm, which might potentially serve as indicators of anxiety, depression, or other mental health conditions [56,57]. Facial expression analysis, often coupled with computer vision, can provide insights into an individual’s emotional

state [58]. AI systems can detect micro-expressions and subtle changes in facial features that may indicate underlying psychological conditions [59]. This technology benefits remote mental health monitoring through video consultations or mobile apps. The current trend in this domain involves advancing AI algorithms capable of discerning and comprehending these subtle indicators with notable precision. As AI systems continue to improve, they hold the potential to provide early warning signs of mental health disorders, allowing for timely intervention and support. The AI-driven mental health app “Woebot” employs sentiment analysis to analyze user text input [31]. If a user consistently expresses sadness, hopelessness, or despair in their chat interactions, Woebot recognizes these patterns and offers guidance or recommends professional help. In voice analysis, “Cogito,” an AI platform used in telehealth services, monitors patient speech changes during therapy sessions [60, 61]. If there are shifts in pitch, tone, or rhythm that may indicate anxiety or depression, Cogito alerts the therapist to address these emotional cues during the session. Facial expression analysis is another valuable tool in early detection. “Affectiva,” a pioneering company in emotion AI, has developed facial expression analysis tools [62]. These tools have been employed in various mental health studies. For instance, researchers used Affectiva’s technology to examine the facial expressions of individuals with depression, shedding light on potential early diagnostic markers [63].

AI has also shown promise in analyzing electronic health records (EHRs) to aid in the early diagnosis of mental health disorders [52,64]. Machine learning algorithms can sift through vast patient data, including medical histories, diagnostic tests, and clinical notes, to identify patterns suggesting a mental health condition [65,66]. These algorithms can flag patients at risk, ensuring that healthcare providers pay closer attention to their mental well-being during routine care. Additionally, AI can facilitate the integration of mental health data into a patient’s overall health profile, enabling a more holistic approach to healthcare [67,68]. This trend toward personalized medicine aids early detection as it considers an individual’s unique medical history, genetics, and lifestyle factors.

The “Google Depression Screening Tool” is a prime example [69]. When users search for depression-related terms on Google, the tool prompts users to complete the Patient Health Questionnaire-9 (PHQ-9), a clinically validated questionnaire [69-71]. Based on the user’s responses, it provides guidance on seeking professional help if necessary. This integration into one of the world’s most widely used search engines significantly increases the potential reach of mental health assessments.

AI is increasingly used to develop multifactorial predictive models for mental health . These models consider a wide range of factors, including genetics, environmental factors, lifestyle choices, and social determinants of health. By combining these variables, AI can predict an individual’s risk of developing a mental health condition. For example, genetic information can provide insights into predispositions, while environmental factors such as traumatic events or social isolation can be integrated to enhance accuracy further. The mental health platform “Ginger” utilizes predictive analytics to identify individuals at risk of developing mental health conditions [73]. By analyzing usage patterns and assessment responses, Ginger proactively reaches out to users who may require additional support. For example, if a user displays a combination of behaviors such as increased stress levels, disrupted sleep patterns, and social withdrawal, Ginger’s predictive model may prompt a mental health coach to offer assistance [74].

One of the notable trends in predictive modeling is the integration of wearable technology and mobile health apps [28,75]. These tools collect real-time data on individuals’ behaviors, such as sleep patterns, physical activity, and social interactions, which can be invaluable for creating accurate predictive models [72].

Predictive modeling helps identify individuals at risk and improves
treatment outcomes. AI-driven models can predict how a patient may respond to different treatment approaches, whether psychotherapy, medication, or lifestyle changes [10,76]. This personalized approach ensures that individuals receive tailored interventions, optimizing the chances of recovery and minimizing the risk of adverse effects [77]. Furthermore, predictive models have the capability to forecast disease progression, thereby assisting healthcare providers in making well-informed decisions about treatment plans and resource allocation [78]. By predicting the probable course of mental health disorders, healthcare systems can enhance their readiness to address the requirements of mental health services and effectively allocate resources accordingly. For example, IBM’s “Watson for Drug Discovery” uses AI to analyze vast genetic and chemical information datasets to identify potential drug candidates for mental health conditions such as schizophrenia and bipolar disorder [79]. This accelerates drug development, potentially offering more effective treatments for these conditions.

AI is reshaping the landscape of mental health treatment through personalized interventions and the rise of virtual therapists and chatbots [80-82]. These trends signify a pivotal shift towards potentially more effective, accessible, and scalable mental healthcare. Fig. 2 below highlights the application of AI in mental health treatment.

Integrating AI into mental health treatment has brought a profound shift toward personalized interventions. Fueled by vast datasets and machine learning capabilities, AI algorithms can analyze an individual’s unique characteristics and needs [83,84]. This includes genetic predispositions, past treatment responses, behavioral patterns, and real-time physiological data. This comprehensive analysis allows AI to customize treatment plans unprecedentedly, ensuring appropriate interventions are matched to individual patients. AI can analyze a patient’s genetic makeup to predict their response to various antidepressant medications [85,86]. For example, a patient with a specific genetic profile may be more likely to respond positively to a particular class of antidepressants. Personalized treatment plans can significantly enhance the chances of recovery and minimize the side effects of ineffective medications.

The impact of personalized treatment plans on therapy efficacy could be significant. Traditionally, mental health treatments have followed a one-size-fits-all approach, sometimes leading to suboptimal outcomes. AI-driven personalization enables therapists to design interventions that align precisely with an individual’s specific challenges and strengths [87,88]. This leads to more effective treatments, shorter recovery times, and improved patient satisfaction. In the context of addiction treatment, AI can continuously observe and analyze a patient’s behavioral patterns, such as triggers, stressors, and substance use [89,90]. AI can alert therapists and patients to potential relapse risks in real-time by identifying high-risk situations. This proactive approach allows for timely interventions and the modification of treatment strategies.

AI is also pivotal in guiding treatment decisions throughout the therapeutic journey. Algorithms continuously analyze patient progress, adjusting treatment plans in real-time based on evolving needs and responses [91-93]. This dynamic approach minimizes the trial-and-error often associated with mental health treatments, optimizing the therapeutic process and maximizing the chances of success. AI-driven algorithms can adapt CBT interventions based on the patient’s progress and unique cognitive patterns [94,95]. For instance, if a patient exhibits perfectionist tendencies, the AI may effectively adapt the therapeutic approach to address these traits. This tailored approach enhances the effectiveness of CBT for different individuals.

Virtual therapists and AI-powered chatbots represent a significant trend in enhancing the accessibility of mental health resources [96,97]. These digital entities provide around-the-clock support to individuals with mental health concerns, irrespective of geographical or time constraints. This accessibility addresses a critical gap in mental healthcare, ensuring individuals can seek help whenever needed. Crisis hotlines are utilizing AI-powered chatbots to provide immediate support to distressed individuals. These chatbots can engage in empathetic conversations, offer coping strategies, and connect users with human therapists or crisis helplines when necessary. For instance, Crisis Text Line employs a chatbot that has handled millions of conversations and provided support during moments of crisis [98].

Virtual therapists and chatbots provide a discreet and stigma-free platform for individuals to engage with mental health support [96]. Many people hesitate to seek in-person therapy due to the perceived stigma associated with mental health. AI-driven solutions address this concern, allowing users to receive support in the privacy of their own space, thereby reducing barriers to care. These virtual therapists engage users in text-based conversations, providing evidence-based interventions such as cognitive-behavioral techniques. Users can access these resources discreetly and conveniently, promoting regular self-care.

AI-driven virtual therapists and chatbots offer scalable solutions to the growing demand for mental health support. With the ability to interact with multiple users simultaneously, these digital entities provide cost-effective alternatives to traditional therapy. This scalability is particularly crucial in addressing the shortage of mental health professionals. For instance, AI-driven virtual therapists have been developed to provide therapy for children with autism spectrum disorder [99-101]. These virtual therapists use facial recognition technology to analyze a child’s facial expressions and adjust their interactions accordingly. They can teach emotional recognition and social skills in a controlled and supportive environment. The sophistication of conversational AI models enables these to engage in empathetic and therapeutic dialogues. These chatbots can actively listen, provide emotional support, and even deliver cognitive-behavioral interventions. Individuals gain access to a broader spectrum of mental health resources by leveraging AI for emotional support.

The integration of AI into therapy delivery is reshaping the mental healthcare field, presenting novel approaches that improve the effectiveness of therapy sessions and amplify the ability of therapists [6,102]. These trends make mental healthcare more accessible, effective, and data-driven. The collaboration between AI and therapists may improve treatment outcomes and enhance the overall quality of mental health care.

AI potentially enhances the quality of teletherapy sessions by analyzing patient emotions in real-time. For example, AI algorithms can analyze facial expressions, voice tone, and speech patterns to gauge a patient’s emotional state during a video therapy session [103,104]. This analysis provides therapists valuable insights, allowing them to adjust their approach and interventions based on the patient’s emotional cues. For instance, Kintsugi is an AI-driven teletherapy platform that utilizes facial and voice analysis to provide real-time emotional feedback to therapists [45]. By analyzing the patient’s facial expressions and voice tone, Kintsugi helps therapists understand the patient’s emotional state, improving the therapeutic process.

AI-powered teletherapy transcends geographical barriers, making mental healthcare more accessible to individuals in remote or underserved areas [52,105]. Through secure video conferencing platforms augmented with AI, patients can connect with qualified therapists, ensuring they receive the support they need, regardless of location [106]. For instance, BetterHelp is an online counseling platform that utilizes AI to match patients with licensed therapists [34]. It offers teletherapy sessions, enabling individuals to access mental health support from the comfort of their homes, irrespective of their geographical location.

AI assists therapists by analyzing vast datasets, including patient histories, treatment responses, and progress reports [92,107]. AI can provide therapists with data-driven insights that inform treatment decisions and interventions by identifying patterns and trends in this data. Cerebral is an online mental health platform that employs AI to support
therapists in their practice [47]. It analyzes patient data and provides therapists with insights into treatment progress and potential areas for adjustment. This collaborative approach enhances the therapist’s ability to make informed decisions and tailor treatments effectively.

AI can suggest interventions and treatment strategies based on the patient’s profile and progress [92]. For instance, if a patient has not responded well to a particular therapy approach, AI can recommend alternative strategies that may be more effective. Wysa is an AI-powered mental health chatbot that offers therapeutic interventions based on cognitive-behavioral principles [32]. It suggests coping strategies and exercises to users based on their interactions, providing immediate support and actionable recommendations.

AI collaborates with therapists to extend their capabilities. By automating certain administrative tasks and offering real-time data analysis, AI allows therapists to focus more on the therapeutic aspects of their work, ultimately improving treatment outcomes [67]. Talkspace is an online therapy platform that incorporates AI to assist therapists in managing their caseloads efficiently [33]. It handles administrative tasks such as scheduling and billing, allowing therapists to dedicate more time to their patients. AI also supports therapists in providing evidence-based interventions and tracking progress.

AI’s role in monitoring and outcome assessment in mental healthcare is a game-changer. Continuous monitoring powered by AI-enabled devices offers early detection of relapses and a deeper understanding of patients’ mental health patterns [108]. AI-driven outcome assessments provide objective measurements that guide data-driven decisions for treatment plans, ultimately improving treatment efficiency and patient outcomes [77].

Wearable devices equipped with AI technology are emerging as powerful tools for continuously monitoring physiological and behavioral markers indicative of mental health status [109,110]. These devices, such as smartwatches and fitness trackers, collect data on heart rate variability, sleep patterns, physical activity, and speech patterns. AI algorithms analyze this data to identify deviations from baseline, offering early insights into changes in mental health. For example, The Oura Ring is a wearable device that employs AI to monitor sleep patterns, activity levels, and physiological metrics like heart rate variability [111]. It can detect changes in a user’s sleep quality and patterns, which may indicate stress or mood disturbances. Also, Mindstrong Health has developed an app that uses AI to analyze smartphone keyboard interactions, such as typing speed and errors [48]. These patterns can indicate changes in cognitive function and mental health. The app offers insights into the user’s mental well-being by continuously monitoring these interactions.

Continuous monitoring powered by AI enables the early detection of relapses or deteriorations in mental health [77,112]. For individuals with conditions like depression or bipolar disorder, changes in sleep patterns, physical activity, or speech can serve as early warning signs. AI algorithms can flag these changes, alerting patients and healthcare providers for timely intervention. Continuous monitoring facilitates early detection and supports long-term mental health care. By collecting a wealth of data over time, AI helps therapists and patients better understand the patient’s mental health patterns . This information provides crucial insights for making treatment decisions and facilitates the development of more effective, personalized interventions.

AI-driven assessments provide objective measurements of treatment
progress and effectiveness. These assessments extend beyond traditional self-report questionnaires and incorporate data from various sources, such as patient surveys, physiological data, and behavioral observations [93,112]. AI analyzes this data to gauge treatment outcomes. For example, reSET is a US Food and Drug Administration-approved prescription digital therapeutic for substance use disorder [114]. It uses AI to track patient engagement and completion of therapeutic modules. The data generated by reSET enables therapists and patients to assess treatment progress objectively and adjust interventions as needed.

AI-generated outcome assessments empower therapists to make data-driven decisions regarding treatment plans [10,92]. Therapists can track the effectiveness of interventions in real-time and adjust treatment strategies based on the patient’s progress. This approach minimizes the reliance on subjective evaluations and has the potential to enhance the precision of therapeutic decisions. This may accelerate the path to recovery and reduce the potential for patients to undergo prolonged, ineffective treatments.

It is crucial to balance the advantages of AI with ethical considerations, ensuring that these technological advancements are harnessed responsibly and in the best interest of patients [31]. Addressing ethical considerations in AI for mental healthcare is crucial to ensure responsible and effective use of these technologies. Privacy and data security measures, bias mitigation, and preserving the human element in therapy are pivotal in building trust, reducing disparities, and providing ethical and high-quality mental health care [16,115]. As AI technologies advance, ongoing vigilance and adherence to ethical principles will remain central to their integration into mental healthcare practices.

One of the primary challenges in the field is the absence of clear and comprehensive regulatory frameworks governing AI’s use in mental health [116,117]. The regulatory landscape is evolving to address ethical, privacy, and safety concerns and ensure that AI applications meet rigorous standards. For example, the FDA has begun to regulate certain AI-based medical devices, including those used in mental health [118]. Clear guidelines and requirements for safety and effectiveness help ensure that AI-driven tools meet appropriate standards. International efforts are underway to harmonize regulatory approaches for AI in healthcare. Organizations and governments are collaborating to establish common principles and guidelines for responsible AI use in mental health therapy.

Maintaining the human element in therapy while leveraging AI as a tool is a critical ethical consideration. AI should enhance, not replace, the therapeutic relationship between patients and therapists [88]. Striking the right balance between AI-driven interventions and human care is essential. For example, Woebot is designed to serve as a supplementary tool to therapy rather than substitute it. This offers support and help to patients, bridging the gap between therapy sessions while maintaining the human-therapeutic relationship [31].

Patients should be informed when AI tools are part of their therapy. Transparency about the role of AI in their treatment allows patients to make informed decisions about their care and understand the extent of AI’s involvement [119]. AI-driven continuous monitoring should include human oversight. While AI can detect changes in patient behavior, therapists should interpret and act on these insights, ensuring that the human touch remains central to care.

measures for protecting patient data and ensuring confidentiality [120]. It is imperative to safeguard sensitive information, such as medical histories, therapy session records, and behavioral data, from unauthorized access or breaches. For example, many AI-driven mental health platforms, like Talkspace, adhere to the Health Insurance Portability and Accountability Act (HIPAA) regulations of 1996 [33,121]. This ensures that patient data is securely stored and transmitted, maintaining the privacy and confidentiality of therapy sessions. Ethical AI in mental healthcare also involves addressing questions of data ownership and obtaining informed consent from patients [16]. Individuals should have precise control over their data and understand how it will be used in AI-driven interventions.

Bias and fairness are fundamental factors in improving mental health with AI. Biases in training data or algorithms can result in unfair treatment, prolonging disparities in mental health diagnosis, healthcare access, and treatment outcomes [115,122]. For example, if AI models are primarily trained on data from specific demographic groups, they may not adequately represent the diversity of mental health experiences across different populations. Consequently, underrepresented communities may experience misdiagnosis, insufficient treatment recommendations, or even worsening of their mental health conditions [122,123].

It is crucial to diversify training data, consistently access AI systems for discriminatory results, and incorporate transparency and accountability measures into algorithmic development to mitigate bias and promote fairness [123-125]. Additionally, incorporating a wide range of participants, such as mental health professionals and marginalized communities, in the development and assessment of AI tools can help to reduce bias and ensure AI-based driven interventions are ethical, efficient, and fair for all individuals seeking mental health assistance [126].

The utilization of AI in improving mental health has wide-ranging implications across practice, research, prevention, and policy. In practice, AI-powered tools provide scalable and personalized interventions, effectively expanding mental health care to underserved populations. Nevertheless, practitioners must receive training to employ these technologies and uphold ethical principles proficiently. AI enables the analysis of extensive datasets in research, allowing for identifying patterns, treatment improvement, and creating prediction models to enable early intervention. However, it is crucial to prioritize data privacy and address algorithm biases.

For prevention, AI can identify risk factors and provide timely interventions, potentially reducing the strain on healthcare systems. However, it is essential for regulations to establish measures that prevent the improper use of data and guarantee fair and equal availability of AI-powered mental health services. Policy necessitates developing regulations that govern AI’s ethical utilization in mental health, encompassing data protection, transparency, and accountability measures. Effective collaboration among stakeholders is crucial to leverage the potential of AI while minimizing its hazards entirely.

AI presents potential solutions for improving mental health through personalized interventions, early detection of symptoms, and virtual therapy platforms. Its strength lies in its capacity to rapidly analyze extensive data, providing valuable insights and forecasting potential mental health concerns. AI-powered chatbots and virtual therapists can offer continuous support, reaching a wider demographic at reduced costs, diminishing social stigma, and enhancing availability.

Nevertheless, AI in the field of mental health has certain limitations. Firstly, the importance of privacy considerations related to the sensitive
nature of mental health data cannot be overstated. Algorithm bias poses a potential risk since it may result in insufficient or unsuitable assistance for specific populations. Moreover, AI is devoid of human empathy and comprehension, which are vital in therapeutic interactions. Further limitations arise from the need to integrate with preexisting healthcare systems and navigate regulatory difficulties. Hence, although AI possesses considerable potential in mental health care, it is crucial to deliberate its limitations to ensure responsible and effective implementation.

The challenges and future directions in AI for mental healthcare are dynamic and multifaceted. Establishing robust regulatory frameworks, ensuring model validation and transparency, and investing in continuous research and development are crucial steps toward harnessing the full potential of AI in improving mental healthcare. As AI technologies continue to evolve, these efforts will play a pivotal role in shaping the future of mental health therapy, making it more accessible, practical, and ethical for individuals.

The validation and transparency of AI models used in clinical settings are crucial. Rigorous testing and validation processes are necessary to ensure that AI-driven interventions are accurate, reliable, and safe for patients. AI models that have undergone extensive clinical trials and validation are gaining prominence. These models are based on evidencebased practices and have demonstrated their efficacy in improving mental health outcomes. Developing AI models that are interpretable and can provide explanations for their recommendations is a growing trend. This promotes transparency and allows clinicians and patients better to understand the reasoning behind AI-generated insights and decisions.

The authors declare that they have no known competing financial interests or personal relationships that could have appeared to influence the work reported in this paper.

[1] E.E. Lee, J. Torous, M. De Choudhury, et al., Artificial intelligence for mental healthcare: clinical applications, barriers, facilitators, and artificial wisdom, Biol. Psych. Cogn. Neurosci. Neuroimaging 6 (9) (2021) 856-864, https://doi.org/ 10.1016/j.bpsc.2021.02.001.
[2] G. Espejo, W. Reiner, M. Wenzinger, Exploring the role of artificial intelligence in mental healthcare: progress, pitfalls, and promises, Cureus 15 (9) (2023) e44748, https://doi.org/10.7759/cureus.44748.
[3] World Health Organization, Mental disorders. 〈https://www.who.int/news -room/fact-sheets/detail/mental-disorders/ /, 2022, (Accessed 11 October 2023).
[4] M.L. Wainberg, P. Scorza, J.M. Shultz, et al., Challenges and opportunities in global mental health: a research-to-practice perspective, Curr. Psychiatry Rep. 19 (28) (2017) 1-10, https://doi.org/10.1007/s11920-017-0780-z.
[5] X. Qin, C.R. Hsieh, Understanding and addressing the treatment gap in mental healthcare: economic perspectives and evidence from China, Inq.: J. Health Care Organ. Provis. Financ. 57 (2020). (https//doi.org/10.1177/004695802 0950566).
[6] J. Bajwa, U. Munir, A. Nori, B. Williams, Artificial intelligence in healthcare: transforming the practice of medicine, Future Healthc. J. 8 (2) (2021) e188-e194, https://doi.org/10.7861/fhj.2021-0095.
[7] P. Nilsen, P. Svedberg, J. Nygren, M. Frideros, J. Johansson, S. Schueller, Accelerating the impact of artificial intelligence in mental healthcare through implementation science, Implement. Res. Pract. 3 (2022) 263348952211120, https://doi.org/10.1177/26334895221112033.
[8] M. Langarizadeh, M. Tabatabaei, K. Tavakol, M. Naghipour, F. Moghbeli, Telemental health care, an effective alternative to conventional mental care: a systematic review, Acta Inform. Med. 25 (4) (2017) 240-246, https://doi.org/ 10.5455/aim.2017.25.240-246.
[9] F. Minerva, A. Giubilini, Is AI the future of mental healthcare? Topoi 42 (3) (2023) 809-817, https://doi.org/10.1007/s11245-023-09932-3.
[10] K.B. Johnson, W. Wei, D. Weeraratne, et al., Precision medicine, AI, and the future of personalized health care, Clin. Transl. Sci. 14 (1) (2021) 86-93, https:// doi.org/10.1111/cts. 12884.
［11］M．C．T．Tai，The impact of artificial intelligence on human society and bioethics， Tzu Chi Med．J． 32 （4）（2020）339－343，https：／／doi．org／10．4103／tcmj．tcmj＿71＿ 20.
［12］S．Bouhouita－Guermech，P．Gogognon，J．C．Bélisle－Pipon，Specific challenges posed by artificial intelligence in research ethics，Front．Artif．Intell． 6 （2023） 1149082，https：／／doi．org／10．3389／frai．2023．1149082．
［13］N．Naik，B．M．Z．Hameed，D．K．Shetty，et al．，Legal and ethical consideration in artificial intelligence in healthcare：who takes responsibility？Front．Surg．（2022） 862322 https：／／doi．org／10．3389／fsurg．2022．862322．
［14］S．Gerke，T．Minssen，G．Cohen，Ethical and legal challenges of artificial intelligence－driven healthcare，Artif．Intell．Healthc．（2020）295－336，https：／／doi． org／10．1016／B978－0－12－818438－7．00012－5．
［15］D．Arias，S．Saxena，S．Verguet，Quantifying the global burden of mental disorders and their economic value，eClinicalMedicine 54 （2022）101675，https：／／doi．org／ 10．1016／j．eclinm． 2022.101675.
［16］The Lancet Global Health，Mental health matters，Lancet（2020），https：／／doi．org／ 10．1016／S2214－109X（20）30432－0（Accessed 20 October 2023）．
［17］P．Uwa，Unleashing the potential of artificial intelligence：revolutionizing industries and shaping the future，Medium， 2023 〈https：／／medium．com／＠paul nodfield／unleashing－the－potential－of－artificial－intelligence－revolutionizing－indust ries－and－shaping－the－74a668f9712e），（Accessed 29 October 2023）．
［18］R．Anyoha，The history of artificial intelligence，Science in the news， 2017 〈https ：／／sitn．hms．harvard．edu／flash／2017／history－artificial－intelligence／），（Accessed 29 October 2023）．
［19］I．Goldstein，S．Papert，Artificial intelligence，language，and the study of knowledge，Cogn．Sci． 1 （1）（1977）84－123，https：／／doi．org／10．1016／S0364－ 0213（77）80006－2．
［20］J．S．Abreu，Founding fathers of artificial intelligence，Quidgest， 2021 〈https ：／／quidgest．com／en／blog－en／ai－founding－fathers／），（Accessed 29 October 2023）．
［21］J．Moor，The Dartmouth college artificial intelligence conference：the next fifty years，AI Mag． 27 （4）（2006）87，https：／／doi．org／10．1609／aimag．v27i4．1911．
［22］A．Basil，ELIZA：The chatbot who revolutionised human－machine interaction［an introduction］，Nerd For Tech．／https：／／medium．com／nerd－for－tech／eliza－the－chat bot－who－revolutionised－human－machine－interaction－an－introduction－582a7 581f91c），2021，（Accessed 29 October 2023）．
［23］C．Bassett，The computational therapeutic：exploring Weizenbaum＇s ELIZA as a history of the present，AI Soc． 34 （4）（2018）803－812，https：／／doi．org／10．1007／ s00146－018－0825－9．
［24］D．D．Luxton，Artificial intelligence in psychological practice：current and future applications and implications，Prof．Psychol．：Res．Pract． 45 （5）（2014）32－339， https：／／doi．org／10．1037／a0034559．
［25］S．Zhou，J．Zhao，L．Zhang，Application of artificial intelligence on psychological interventions and diagnosis：an overview，Front．Psychiatry 13 （2021）811665， https：／／doi．org／10．3389／fpsyt．2022．811665．
［26］G．Finocchiaro，The regulation of artificial intelligence，AI Soc． 3 （4）（2023）1－8， https：／／doi．org／10．1007／s00146－023－01650－z．
［27］S．Tutun，M．E．Johnson，A．Ahmed，et al．，An AI－based decision support system for predicting mental health disorders，Inf．Syst．Front． 25 （2022）1261－1276， https：／／doi．org／10．1007／s10796－022－10282－5．
［28］S．E．Blackwell，T．Heidenreich，Cognitive behavior therapy at the crossroads，Int． J．Cogn．Ther． 14 （1）（2021）1－22，https：／／doi．org／10．1007／s41811－021－00104－ y．
［29］S．D．A．Hupp，D．Reitman，J．D．Jewell，Cognitive－behavioral theory，in：M．Hersen， A．M．Gross（Eds．），Handbook of Clinical Psychology，Vol 2，Children and Adolescents，John Wiley ＆Sons，Inc．，2008，pp．263－287．
［30］S．D＇Alfonso，AI in mental health，Curr．Opin．Psychol． 36 （2020）112－117， https：／／doi．org／10．1016／j．copsyc．2020．04．005．
［31］Woebot Health，Mental health chatbot，Woebot，〈https：／／woebothealth．com／ ， 2021．（Accessed 30 October 2023）．
［32］W．Wysa，Everyday mental health，Talkspace，2023．（https：／／www．talkspace． com／／，2018，（Accessed October 30，2023）．
［33］Better Help，Professional counseling with a licensed therapist，Betterhelp．com． （https：／／www．betterhelp．com／），2013，（Accessed 31 October 2023）．
［34］Talkspace，Online therapy，counseling online，marriage counseling，Talkspace． com．（https：／／www．talkspace．com／），2018，（Accessed 30 October 2023）．
［35］Moodfit，Tools ＆insight for your mental health，Moodfit．（https：／／www．get moodfit．com／），2023，（Accessed 31 October 2023）．
［36］Happify，Happify：science－based activities and games，Happify．com，〈https：／／ www．happify．com／ ，2022，（Accessed 31 October 2023）．
［37］Headspace，Get the headspace app，Headspace，（https：／／www．headspace．com／he adspace－meditation－app／／，2019，（Accessed 31 October 2023）．
［38］Calm，Experience calm，Calm．（https：／／www．calm．com／），2019，（Accessed 31 October 2023）．
［39］Shine，Calm anxiety ＆stress，theshineapp．com．（https：／／www．theshineapp． com／ ，2020，（Accessed 31 October 2023）．
［40］M．M．Braun，Dialectical behavior therapy：new frontiers in practice，in： D．Wedding（Ed．），Psyccritiques，50，2005，https：／／doi．org／10．1037／051667．
［41］Resiliens，CBT Companion－a comprehensive app for cognitive behavioral therapy，Resiliens，〈https：／／resiliens．com／cbt－companion／〉，（2021）（Accessed 31 October 2023）．
［42］Anxiety Canada，MindShift CBT，Anxiety Canada，〈https：／／www．anxietycan ada．com／resources／mindshift－cbt／／，2023，（Accessed 31 October 2023）．
［43］US．Department of Veteran Affairs，PTSD Coach－PTSD：National Center for PTSD，〈https：／／www．ptsd．va．gov／appvid／mobile／ptsdcoach＿app．asp），2022，（Accessed 31 October 2023）．
［44］SuperBetter，Social－emotional learning，mental health ＆resilience training， Superbetter．com，（https：／／superbetter．com／／，2023，（Accessed 31 October 2023）．
［45］Kintusugi，Kintsugi．Kintsugihealth，〈https：／／www．kintsugihealth．com／ 7 ，2022， （Accessed 31 October 2023）．
［46］IBM Watson Health，IBM watson health is now merative， www．ibm．com ．〈https：／／www．ibm．com／watson－health／merative－divestiture），2023，（Accessed 31 October 2023）．
［47］Cerebral，The Cerebral Way．cerebral．com，＜https：／／cerebral．com／ ，2023， （Accessed 31 October 2023）．
［48］T．Gruber，AI for mental health，Mindstrong AI models｜Digital Brain Biomarkers， Humanistic AI，（https：／／tomgruber．org／mindstrong－story），2023，（Accessed 31 October 2023）．
［49］J．M．Peake，G．Kerr，J．P．Sullivan，A critical review of consumer wearables， mobile applications，and equipment for providing biofeedback，monitoring stress， and sleep in physically active populations，Front．Physiol． 9 （2018）743，https：／／ doi．org／10．3389／fphys．2018．00743．
［50］Prime Therapeutics，Prime Therapeutics and Pear Therapeutics announce first comprehensive value－based agreement for prescription digital therapeutics reSET® and reSET－O® for the treatment of substance and opioid use disorders， Prime Therapeutics LLC，〈https：／／www．primetherapeutics．com／news／prime－ therapeutics－and－pear－therapeutics－announce－first－comprehensive－value－based－a greement－for－prescription－digital－therapeutics－reset－and－reset－o－for－the－treatmen t－of－substance－and－opioi／／，2021，（Accessed 31 October 2023）．
［51］S．Graham，C．Depp，E．E．Lee，et al．，Artificial intelligence for mental health and mental illnesses：an overview，Curr．Psychiatry Rep． 21 （11）（2019）116，https：／／ doi．org／10．1007／s11920－019－1094－0．
［52］T．Davenport，R．Kalakota，The potential for artificial intelligence in healthcare， Future Healthc．J． 6 （2）（2019）94－98，https：／／doi．org／10．7861／futurehosp．6－2－ 94.
［53］T．Zhang，A．M．Schoene，S．Ji，S．Ananiadou，Natural language processing applied to mental illness detection：a narrative review，npj Digit．Med． 5 （2022）46， https：／／doi．org／10．1038／s41746－022－00589－7．
［54］D．Khurana，A．Koli，K．Khatter，S．Singh，Natural language processing：state of the art，current trends and challenges，Multimed．Tools Appl． 82 （2022）3713－3744， https：／／doi．org／10．1007／s11042－022－13428－4．
［55］A．S．Uban，B．Chulvi，P．Rosso，An emotion and cognitive based analysis of mental health disorders from social media data，Future Gener．Comput．Syst． 123 （2021） 480－494，https：／／doi．org／10．1016／j．future．2021．05．032．
［56］O．Flanagan，A．Chan，P．Roop，F．Sundram，Using acoustic speech patterns from smartphones to investigate mood disorders：scoping review，JMIR mHealth uHealth 9 （9）（2021）e24352，https：／／doi．org／10．2196／24352．
［57］G．Fagherazzi，A．Fischer，M．Ismael，V．Despotovic，Voice for health：the use of vocal biomarkers from research to clinical practice，Digit．Biomark． 5 （1）（2021） 78－88，https：／／doi．org／10．1159／000515346．
［58］N．Haines，M．W．Southward，J．S．Cheavens，T．Beauchaine，W．Y．Ahn，Using computer－vision and machine learning to automate facial coding of positive and negative affect intensity，Hinojosa J．A．，ed．PLoS One，vol． 14 （no．2），2019， e0211735，〈https：／／doi．org／10．1371／journal．pone．0211735〉．
［59］G．Zhao，X．Li，Automatic Micro－expression analysis：open challenges，Front． Psychol． 10 （2019）1833，https：／／doi．org／10．3389／fpsyg．2019．01833．
［60］C．Kuziemsky，A．J．Maeder，O．John，et al．，Role of artificial intelligence within the telehealth domain，Yearb．Med．Inform． 28 （1）（2019）35－40，https：／／doi．org／ .
［61］Cogito，Training data solutions for ai and machine learning，Cogitotech，＜htt ps：／／www．cogitotech．com／ ，2023，（Accessed 31 October 2023）．
［62］Affectiva，humanizing technology to bridge the gap between humans and machines，Affectiva，〈https：／／www．affectiva．com／／，2017，（Accessed 31 October 2023）．
［63］F．C．Krause，E．Linardatos，D．M．Fresco，M．T．Moore，Facial emotion recognition in major depressive disorder：a meta－analytic review，J．Affect．Disord． 293 （2021）320－328，https：／／doi．org／10．1016／j．jad．2021．06．053．
［64］Y．S．Lee，W．H．Park，Diagnosis of depressive disorder model on facial expression based on fast R－CNN，Diagnostics 12 （2）（2022）317，https：／／doi．org／10．3390／ diagnostics12020317．
［65］N．K．Iyortsuun，S．H．Kim，M．Jhon，H．J．Yang，S．Pant，A review of machine learning and deep learning approaches on mental health diagnosis，Healthcare 11 （3）（2023）285，https：／／doi．org／10．3390／healthcare11030285．
［66］A．M．Chekroud，J．Bondar，J．Delgadillo，et al．，The promise of machine learning in predicting treatment outcomes in psychiatry，World Psychiatry 20 （2）（2021） 154－170，https：／／doi．org／10．1002／wps． 20882.
［67］Al Kuwaiti，K．Nazer，A．Al－Reedy，et al．，a review of the role of artificial intelligence in healthcare，J．Pers．Med． 13 （6）（2023）951，https：／／doi．org／ 10．3390／jpm13060951．
［68］J．Yu，N．Shen，S．E．Conway，et al．，A holistic approach to integrating patient， family，and lived experience voices in the development of the Brain Health Databank：a digital learning health system to enable artificial intelligence in the clinic，Front．Health Serv． 3 （2023）1198195，https：／／doi．org／10．3389／ frhs．2023．1198195．
［69］Google Health，Health self－assessment tools，health．google，＜https：／／health．googl e／consumers／self－assessments／，2017，（Accessed 31 October 2023）．
［70］M．Giliberti，Learning more about clinical depression with the PHQ－9 questionnaire．Google，〈https：／／blog．google／products／search／learning－more－abo ut－clinical－depression－phq－9－questionnaire／／，2017，（Accessed 31 October 2023）．
［71］K．Kroenke，R．L．Spitzer，J．B．W．Williams，Patient Health Questionnaire－9，APA PsycTests，〈https：／／doi．org／10．1037／t06165－000〉，1999，（Accessed 31 October 2023）．
［72］N．Koutsouleris，T．U．Hauser，V．Skvortsova，M．De Choudhury，From promise to practice：towards the realisation of AI－informed mental health care，Lancet Digit． Health 4 （1）（2022）e829－e840，https：／／doi．org／10．1016／s2589－7500（22）00153－ 4.
［73］Headspace，Ginger＇s mental health app is now Headspace care organizations， headspace．com，〈https：／／organizations．headspace．com／ginger－is－now－part－of－he adspace），2023，（Accessed 1 November 2023）．
［74］Stong，Ginger．io：striking a balance between humans and technology in mental health，Harvard Technology and Operations Management，〈https：／／d3．harvard． edu／platform－rctom／submission／ginger－io－striking－a－balance－between－humans－ and－technology－in－mental－health／／，2016，（Accessed 1 November 2023）．
［75］F．Sabry，T．Eltaras，W．Labda，K．Alzoubi，Q．Malluhi，machine learning for healthcare wearable devices：the big picture，in：Y．Wu（ed．）Journal of Healthcare Engineering， 2022 2022，4653923．（https：／／doi．org／10．1155／2022／ 4653923）．
［76］N．Ghaffar Nia，E．Kaplanoglu，A．Nasab，Evaluation of artificial intelligence techniques in disease diagnosis and prediction，Discov．r Artif．Intell．，vol． 3 （no． 1），2023，5，〈https：／／doi．org／10．1007／s44163－023－00049－5〉．
［77］F．M．Dawoodbhoy，J．Delaney，P．Cecula，et al．，AI in patient flow：applications of artificial intelligence to improve patient flow in NHS acute mental health inpatient units，Heliyon 7 （5）（2021）e06993，https：／／doi．org／10．1016／j． heliyon．2021．e06993．
［78］M．Toma，O．C．Wei，Predictive modeling in Medicine，Encyclopedia 3 （2）（2023） 590－601，https：／／doi．org／10．3390／encyclopedia3020042．
［79］IBM Watson for Drug Discovery，IBM Documentation，〈www．ibm．com〉．（https ：／／www．ibm．com／docs／en／announcements／watson－drug－discovery？region ＝CAN＞，2023，（Accessed 1 November 2023）．
［80］E．L．Van der Schyff，B．Ridout，K．L．Amon，R．Forsyth，A．J．Campbell，Providing self－led mental health support through an artificial intelligence－powered chat bot （Leora）to Meet the demand of mental health care，J．Med．Internet Res． 25 （2023） e46448，https：／／doi．org／10．2196／46448．
［81］S．Sabour，W．Zhang，X．Xiao，et al．，A chatbot for mental health support： exploring the impact of Emohaa on reducing mental distress in China，Front． Digit．Health 5 （2023）1133987，https：／／doi．org／10．3389／fdgth．2023．1133987．
［82］A．N．Vaidyam，H．Wisniewski，J．D．Halamka，M．S．Kashavan，J．B．Torous， Chatbots and conversational agents in mental health：a review of the psychiatric landscape，Can．J．Psychiatry Rev．Can．Psychiatr． 64 （7）（2019）456－464， https：／／doi．org／10．1177／0706743719828977．
［83］S．N．Mohsin，A．Gapizov，C．Ekhator，et al．，The role of artificial intelligence in prediction，risk stratification，and personalized treatment planning for congenital heart diseases，Cureus 15 （8）（2023）e44374，https：／／doi．org／10．7759／ cureus． 44374.
［84］I．H．Sarker，Machine learning：algorithms，real－world applications and research directions，SN Comput．Sci． 2 （160）（2021）1－21，https：／／doi．org／10．1007／ s42979－021－00592－x．
［85］E．Lin，C．H．Lin，H．Y．Lane，Precision psychiatry applications with pharmacogenomics：artificial intelligence and machine learning approaches，Int． J．Mol．Sci． 21 （3）（2020）969，https：／／doi．org／10．3390／ijms21030969．
［86］E．Lin，P．H．Kuo，Y．L．Liu，Y．W．Y．Yu，A．C．Yang，S．J．Tsai，A deep learning approach for predicting antidepressant response in major depression using clinical and genetic biomarkers，Front．Psychiatry 9 （9）（2018）290，https：／／doi． org／10．3389／fpsyt．2018．00290．
［87］P．Gual－Montolio，I．Jaén，V．Martínez－Borba，D．Castilla，C．Suso－Ribera，Using Artificial intelligence to enhance ongoing psychological interventions for emotional problems in real－or close to real－time：a systematic review，Int．J． Environ．Res．Public Health 19 （13）（2022）7737，https：／／doi．org／10．3390／ ijerph19137737．
［88］H．Siala，Y．Wang，SHIFTing artificial intelligence to be responsible in healthcare： a systematic review，Soc．Sci．Med． 296 （2022）114782，https：／／doi．org／10．1016／ j．socscimed．2022．114782．
［89］B．Chhetri，L．M．Goyal，M．Mittal，How machine learning is used to study addiction in digital healthcare：a systematic review，Int．J．Inf．Manag．Data Insights 3 （2）（2023）100175，https：／／doi．org／10．1016／j．jjimei．2023．100175．
［90］S．Carreiro，M．Taylor，S．Shrestha，M．Reinhardt，N．Gilbertson，P．Indic，Realize， analyze，engage（RAE）：a digital tool to support recovery from substance use disorder，J．Psychiatry Brain Sci． 6 （2021）e210002，https：／／doi．org／10．20900／ jpbs． 20210002.
［91］Y．Kumar，A．Koul，R．Singla，M．F．Ijaz，Artificial intelligence in disease diagnosis： a systematic literature review，synthesizing framework and future research agenda，J．Ambient Intell．Humaniz．Comput． 14 （7）（2022）8459－8486，https：／／ doi．org／10．1007／s12652－021－03612－z．
［92］A．Bohr，K．Memarzadeh，The rise of artificial intelligence in healthcare applications，Artif．Intell．Healthc． 1 （1）（2020）25－60，https：／／doi．org／10．1016／ B978－0－12－818438－7．00002－2．
［93］S．Dash，S．K．Shakyawar，M．Sharma，S．Kaushik，Big data in healthcare： management，analysis and future prospects，J．Big Data 6 （54）（2019）1－25， https：／／doi．org／10．1186／s40537－019－0217－0．
［94］A．Thieme，M．Hanratty，M．Lyons，et al．，Designing human－centered AI for mental health：developing clinically relevant applications for online CBT treatment，ACM Trans．Comput．－Hum．Interact． 30 （2）（2022）1－50，https：／／doi．org／10．1145／ 3564752.
［95］V．Kaldo，N．Isacsson，E．Forsell，P．Bjurner，F．B．Abdesslem，M．Boman，AI－driven adaptive treatment strategies in internet－delivered CBT，Eur．Psychiatry 64 （S1） （2021），https：／／doi．org／10．1192／j．eurpsy．2021．75（S20－S20）．
［96］B．Omarov，Z．Zhumanov，A．Gumar，L．Kuntunova，Artificial intelligence enabled mobile chatbot psychologist using AIML and cognitive behavioral therapy，Int．J．

Adv．Comput．Sci．Appl． 14 （6）（2023）137－146，https：／／doi．org／10．14569／ ijacsa．2023．0140616．
［97］E．Bendig，B．Erb，L．Schulze－Thuesing，H．Baumeister，The next generation： chatbots in clinical psychology and psychotherapy to foster mental health－a scoping review，Verhaltenstherapie 32 （Suppl．1）（2019）S64－S76，https：／／doi． org／10．1159／000501812．
［98］Crisis Text Line，Crisis Text Line，Crisis Text Line Published 2013．Accessed 1 November 2023，〈https：／／www．crisistextline．org／ ．
［99］M．Wedyan，J．Falah，R．Alturki，et al．，Augmented reality for autistic children to enhance their understanding of facial expressions，Multimodal Technol．Interact． 5 （8）（2021），https：／／doi．org／10．3390／mti5080048．
［100］K．Briot，A．Pizano，M．Bouvard，A．Amestoy，New technologies as promising tools for assessing facial emotion expressions impairments in ASD：a systematic review， Front．Psychiatry 12 （2021）634756，https：／／doi．org／10．3389／ fpsyt．2021．634756．
［101］E．Bekele，Z．Zheng，A．Swanson，J．Crittendon，Z．Warren，N．Sarkar， Understanding how adolescents with autism respond to facial expressions in virtual reality environments，IEEE Trans．Vis．Comput．Graph． 19 （4）（2013） 711－720，https：／／doi．org／10．1109／tvcg．2013．42．
［102］A．Ray，A．Bhardwaj，Y．K．Malik，S．Singh，R．Gupta，Artificial intelligence and psychiatry：an overview，Asian J．Psychiatry 70 （2022）103021，https：／／doi．org／ 10．1016／j．ajp．2022．103021．
［103］S．Borna，C．R．Haider，K．C．Maita，et al．，A review of voice－based pain detection in adults using artificial intelligence，Bioengineering 10 （4）（2023）500，https：／／doi． org／10．3390／bioengineering10040500．
［104］M．Flynn，D．Effraimidis，A．Angelopoulou，et al．，Assessing the effectiveness of automated emotion recognition in adults and children for clinical investigation， Front．Hum．Neurosci． 14 （2020）70，https：／／doi．org／10．3389／ fnhum．2020．00070．
［105］O．Ali，W．Abdelbaki，A．Shrestha，E．Elbasi，M．A．A．Alryalat，Y．K．Dwivedi， A systematic literature review of artificial intelligence in the healthcare sector： benefits，challenges，methodologies，and functionalities，J．Innov．Knowl． 8 （1） （2023）100333，https：／／doi．org／10．1016／j．jik．2023．100333．
［106］M．Senbekov，T．Saliev，Z．Bukeyeva，et al．，The recent progress and applications of digital technologies in healthcare：a review，in：J．Fayn（Ed．），International Journal of Telemedicine and Applications，2020，p．8830200，https：／／doi．org／ 10．1155／2020／8830200．
［107］S．A．Alowais，S．S．Alghamdi，N．Alsuhebany，et al．，Revolutionizing healthcare： the role of artificial intelligence in clinical practice，BMC Med．Educ． 23 （689） （2023），https：／／doi．org／10．1186／s12909－023－04698－z．
［108］A．Zlatintsi，P．P．Filntisis，C．Garoufis，et al．，E－prevention：advanced support system for monitoring and relapse prevention in patients with psychotic disorders analyzing long－term multimodal data from wearables and video captures，Sensors 22 （19）（2022），https：／／doi．org／10．3390／s22197544（7544－7544）．
［109］N．Gomes，M．Pato，A．R．Lourenço，N．Datia，A survey on wearable sensors for mental health monitoring，Sensors 23 （3）（2023）1330，https：／／doi．org／10．3390／ s23031330．
［110］B．A．Hickey，T．Chalmers，P．Newton，et al．，Smart devices and wearable technologies to detect and monitor mental health conditions and stress：a systematic review，Sensors 21 （10）（2021）3461，https：／／doi．org／10．3390／ s21103461．
［111］Oura Ring，Oura Ring：the most accurate sleep and activity tracker，Oura Ring Published，2022．Accessed 1 November 2023，〈https：／／ouraring．com／ ．
［112］R．Garriga，J．Mas，S．Abraha，et al．，Machine learning model to predict mental health crises from electronic health records，Nat．Med． 28 （6）（2022）1240－1248， https：／／doi．org／10．1038／s41591－022－01811－5．
［113］M．Javaid，A．Haleem，R．Pratap Singh，R．Suman，S．Rab，Significance of machine learning in healthcare：features，pillars and applications，Int．J．Intell．Netw． 3 （2022）58－73，https：／／doi．org／10．1016／j．ijin．2022．05．002（3）．
［114］Digital Therapeutics Alliance，reSET（ ，Digital Therapeutics Alliance，Published， 2017．Accessed 1 November 2023，〈https：／／dtxalliance．org／products／reset／ ．
［115］N．Norori，Q．Hu，F．M．Aellen，F．D．Faraci，A．Tzovara，Addressing bias in big data and AI for health care：a call for open science，Patterns 2 （10）（2021）100347， https：／／doi．org／10．1016／j．patter．2021．100347．
［116］B．Murdoch，Privacy and artificial intelligence：challenges for protecting health information in a new era，BMC Med．Ethics 22 （2021）122，https：／／doi．org／ 10．1186／s12910－021－00687－3．
［117］R．Rodrigues，Legal and human rights issues of AI：gaps，challenges and vulnerabilities，J．Respons．Technol． 4 （2020）100005，https：／／doi．org／10．1016／j． jrt．2020．100005．
［118］Center for Devices and Radiological Health，Artificial Intelligence and Machine Learning in Software．U．S．Food and Drug Administration，Published， 2021. Accessed 1 November 2023，＜https：／／www．fda．gov／medical－devices／software－m edical－device－samd／artificial－intelligence－and－machine－learning－software－m edical－device）．
［119］A．Kiseleva，D．Kotzinos，P．De Hert，Transparency of AI in healthcare as a multilayered system of accountabilities：between legal requirements and technical limitations，Front．Artif．Intell． 5 （2022）879603，https：／／doi．org／ 10．3389／frai．2022．879603．
［120］C．Wang，J．Zhang，N．Lassi，X．Zhang，Privacy protection in using artificial intelligence for healthcare：Chinese regulation in comparative perspective， Healthcare 10 （10）（2022）1878，https：／／doi．org／10．3390／healthcare10101878．
［121］CDC，Health insurance portability and accountability act of 1996 （HIPAA）， Centers for Disease Control and Prevention，Published，2022．Accessed 1 November 2023，〈https：／／www．cdc．gov／phlp／publications／topic／hipaa．html〉．
[122] R. Agarwal, M. Bjarnadottir, L. Rhue, et al., Addressing algorithmic bias and the perpetuation of health inequities: an AI bias aware framework, Health Policy Technol. 12 (1) (2023) 100702, https://doi.org/10.1016/j.hlpt.2022.100702.
[123] L.H. Nazer, R. Zatarah, S. Waldrip, et al., Bias in artificial intelligence algorithms and recommendations for mitigation, PLoS Digit. Health 2 (6) (2023) e0000278, https://doi.org/10.1371/journal.pdig. 0000278.
[124] IBM Data and AI Team, Shedding light on AI bias with real world examples, IBM Blog, Published, 2023. Accessed 1 November 2023, 〈https://www.ibm.com /blog/shedding-light-on-ai-bias-with-real-world-examples/ .
[125] D.B. Olawade, O.J. Wada, A.C. David-Olawade, E. Kunonga, O.J. Abaire, Ling, Using artificial intelligence to improve public health: a narrative review, Front. Public Health 11 (2023) 1196397.
[126] Y. Chen, E.W. Clayton, L.L. Novak, S. Anders, B. Malin, human-centered design to address biases n artificial intelligence, J. Med. Internet Res. 25 (2023) e43251, https://doi.org/10.2196/43251.