Leveraging artificial intelligence in the prediction, diagnosis and treatment of depression and anxiety among perinatal women in low- and middle-income countries: a systematic review
Notice bibliographique
Résumé
AIM: The adoption of artificial intelligence (AI) tools is gaining traction in maternal mental health (MMH) research. Despite its growing usage, little is known about its prospects and challenges in low- and middle-income countries (LMICs). This study aims to systematically review articles on the role of AI in addressing MMH in LMICs. METHODS: This systematic review adopts a patient and public involvement approach to investigate the role of AI in predicting, diagnosing or treating perinatal depression and anxiety (PDA) among perinatal women in LMICs. Seven databases were searched for studies that reported on AI tools/methods for PDA published between January 2010 and July 2024. Eligible studies were identified and extracted based on the Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines using Covidence, and the data were synthesised using thematic analysis. RESULTS: Out of 2203 studies, 19 studies across eight countries were deemed eligible for extraction and synthesis. The review revealed that the supervised machine learning method was the most common AI approach and was used to improve the early detection of depression and anxiety among perinatal women. Additionally, postpartum depression was the most frequently investigated MMH condition in this study. Further, the review revealed only three conversational agents (CAs)/chatbots used to deliver psychological treatment. CONCLUSIONS: The findings underscore the potential of AI-based methods in identifying risk factors and delivering psychological treatment for PDA. Future research should investigate the underlying mechanisms of the effectiveness of AI-based chatbots/CAs and assess the long-term effects for diagnosed mothers, to aid the improvement of MMH in LMICs. PROSPERO REGISTRATION NUMBER: CRD42024549455.
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 | 0,009 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| 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 ».