Evaluating predictive artificial intelligence approaches used in mobile health platforms to forecast mental health symptoms among youth: a systematic review
Notice bibliographique
Résumé
• Multimodal approaches via wearables and smartphones enhance prediction. • Successful predictors are smartphone usage, sleep patterns, and physical activity. • Current challenges are small sample sizes, data privacy issues, & incomplete data. • Key prediction algorithms include Logistic Regression and Support Vector Machines. • Current predictive models lack human-centred artificial intelligence. The youth mental health crisis is exacerbated by limited access to care and resources. Mobile health (mHealth) platforms using predictive artificial intelligence (AI) can improve access and reduce barriers, enabling real-time responses and precision prevention. This systematic review evaluates predictive AI approaches in mHealth platforms for forecasting mental health symptoms among youth (13–25 years). We searched studies from Embase, PubMed, Web of Science, PsycInfo, and CENTRAL, to identify relevant studies. From 11 studies identified, three studies predicted multiple symptoms, with depression being the most common (63%). Most platforms used smartphones and 25% integrated wearables. Key predictors included smartphone usage (N=5), sleep metrics (N=6), and physical activity (N=5). Nuanced predictors like usage locations and sleep stages improved prediction. Logistic regression was most used (N=6), followed by Support Vector Machines (N=3) and ensemble methods (N=4). F-scores for anxiety and depression ranged from 0.73 to 0.84, and AUCs from 0.50 to 0.74. Stress models had AUCs of 0.68 to 0.83. Bayesian model selection and Shapley values enhanced robustness and interpretability. Barriers included small sample sizes, privacy concerns, missing data, and underrepresentation bias. Rigorous evaluation of predictive performance, generalizability, and user engagement is critical before mHealth platforms are integrated into psychiatric care.
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 | 0,011 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,010 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».