Artificial Intelligence in Psychiatry: A Comprehensive Literature Review
Notice bibliographique
Résumé
Introduction The incorporation of artificial intelligence (AI) in healthcare, especially in mental health services, offers potential advancements in efficiency and personalization. As AI technologies like machine learning and natural language processing (NLP) continue to evolve, it’s vital to evaluate their applications in psychiatry comprehensively. Objectives This review aims to summarize and characterize studies that used AI, particularly machine learning and NLP, in mental health. Additionally, it endeavors to understand how these technologies may enhance diagnostic tools, symptom monitoring, and delivery of personalized treatment in psychiatry. Methods Adhering to PRISMA guidelines, a systematic search was executed across multiple medical databases, including PubMed, Scopus, ScienceDirect, and PsycINFO. Keywords encompassed machine learning, data mining, psychiatry, and mental health. Exclusion criteria included non-English papers, anonymization process descriptions, case studies, conference papers, and other reviews. Data from various segments in the provided information were synthesized to capture the broader picture of AI’s application in psychiatry. Results From the 327 articles initially identified, 58 were chosen for detailed review. Studies predominantly revolved around three main populations: patients in medical databases, emergency room visitors, and social media users. The primary applications of AI entailed symptom extraction, illness severity classification, therapy effectiveness comparison, and psychopathological insights derivation. Data sources mainly included medical records and social media, with Python emerging as the preferred platform for most studies. Conclusions While AI shows immense promise in revolutionizing mental health care, its current applications largely confirm existing clinical hypotheses. Ethical concerns, such as patient privacy and data biases, remain paramount. Future work should delve deeper into these challenges while further exploring AI’s potential in clinical psychiatry practice. Disclosure of Interest None Declared
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,014 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».