Artificial Intelligence in Obsessive-Compulsive Disorder: A Systematic Review
Notice bibliographique
Résumé
Purpose of Review: Obsessive-compulsive disorder (OCD) is a chronic and disabling condition, often leading to significant functional impairments. Despite its early onset, there is an average delay of 17 years from symptom onset to diagnosis and treatment, resulting in poorer outcomes. This systematic review aims to synthesize current findings on the application of AI in OCD, highlighting opportunities for early symptom detection, scalable therapy training, clinical decision support, novel therapeutics, computer vision-based approaches, and multimodal biomarker discovery. Recent Findings: While previous reviews focused on biomarker-based OCD detection and treatment using machine learning (ML), the findings of the current review add information about novel applications of deep learning technology, specifically generative artificial intelligence (GenAI) and natural language processing (NLP). Among the included 13 articles, most studies (84.6%) utilized secondary data analyses, primarily through GenAI/NLP. Nearly 77% of these studies were published in the past two years, with high quality of evidence. The primary focus areas were enhancing treatment and management, and timely OCD detection (both 38.5%); followed by AI tool development for broader mental health applications. Summary: AI technologies offer transformative potential for improvements related to OCD if diagnosis occurs earlier after onset; thereby lessening the consequential economic burden. Prioritizing investment in ethically sound AI research could significantly improve OCD outcomes in mental health care. Supplementary Information: The online version contains supplementary material available at 10.1007/s40501-025-00359-8.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».