Generative artificial intelligence in posttraumatic stress disorder treatment: Exploring five different use cases
Notice bibliographique
Résumé
Posttraumatic stress disorder (PTSD) is a prevalent and debilitating condition, yet many individuals face substantial barriers to accessing evidence-based interventions. Advances in generative artificial intelligence (AI), particularly large language models (LLMs), have generated optimism about improving access and care. We present five emerging use cases for clinical AI tools in the context of PTSD treatment, some of which were presented as part of a symposium at the 40th Annual Meeting of the International Society for Traumatic Stress Studies. The first two use cases involve AI-assisted training tools. The third use case focuses on an AI-assisted automated fidelity rating system aimed at improving adherence to evidence-based PTSD protocols. The last two use cases feature AI-assisted therapy tools. Although AI-based innovations hold the promise of enhancing the reach and consistency of evidence-based PTSD interventions, they also raise important ethical and safety challenges, including risk of bias, threats to patient privacy, and the question of how to incorporate clinical oversight. Ongoing collaboration among multidisciplinary teams involving clinicians, researchers, and technology developers will be essential to ensuring that AI tools remain patient-centered, ethically sound, and effective.
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 | 0,020 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».