Use of Artificial Intelligence in Adolescents’ Mental Health Care: Systematic Scoping Review of Current Applications and Future Directions
Notice bibliographique
Résumé
Background: Given the increasing prevalence of mental health problems among adolescents, early intervention and appropriate management are needed to decrease mortality and morbidity. Artificial intelligence's (AI) potential contributions, although significant in the field of medicine, have not been adequately studied in the context of adolescents' mental health. Objective: This review aimed to identify AI interventions that have been tested, implemented, or both, for use in adolescents' mental health care. Methods: We used the Arksey and O'Malley framework, further refined by Levac et al, along with the Joanna Briggs Institute methodology, to guide this scoping review. We searched 5 electronic databases from the inception date through July 2024 (inclusive). Four independent reviewers screened the titles and abstracts, read the full texts, and extracted data using a validated data extraction form. Disagreements were resolved by consensus, and if this was not possible, the opinion of a fifth reviewer was sought. We evaluated the risk of bias (ROB) for prognosis and diagnosis-related studies using the Prediction Model Risk of Bias Assessment Tool. We followed the PRISMA-ScR (Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews) checklist for reporting. Results: Of the papers screened, 88 papers relevant to our eligibility criteria were identified. Among the included papers, AI was most commonly used for diagnosis (n=78), followed by monitoring and evaluation (n=19), treatment (n=10), and prognosis (n=6). As some studies addressed multiple applications, categories are not mutually exclusive. For diagnosis, studies primarily addressed suicidal behaviors (n=11) and autism spectrum disorder (n=7). Machine learning was the most frequently reported AI method across all application areas. The overall ROB for diagnostic and prognostic models was predominantly unclear (58%), while 20% of studies had a high ROB and 22% were assessed as low risk. Conclusions: In our review, we found that AI is being applied across various areas of adolescent mental health care, spanning diagnosis, treatment planning, symptom monitoring, and prognosis. Interestingly, most studies to date have concentrated heavily on diagnostic tools, leaving other important aspects of care relatively underexplored. This presents a key opportunity for future research to broaden the scope of AI applications beyond diagnosis. Moreover, future studies should emphasize the meaningful and active involvement of end users in the design, development, and validation of AI interventions, alongside improved transparency in reporting AI models, data handling, and analytical processes to build trust and support safe clinical implementation.
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 | 0,051 | 0,163 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,011 |
| Bibliométrie | 0,019 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».