Application of artificial intelligence and psychosocial functioning in psychosis: a systematic review and meta-analysis
Notice bibliographique
Résumé
Introduction: Artificial intelligence (AI) has emerged as a valuable tool in mental health care, with applications in the treatment of psychosis. However, its application to psychosocial functioning in psychosis remains underexplored, despite its critical role towards long-term therapeutic outcomes and recovery. The goal of this systematic review and meta-analysis is to identify, summarize, and evaluate the current evidence on AI applications in psychosocial functioning in psychosis. Methods: A literature search was conducted using the PubMed, Scopus, and ACM Digital Library databases for articles published between January 2010 and March 2025, in accordance with the PRISMA guidelines. Quality of studies was assessed using the Prediction model Risk Of Bias Assessment Tool (PROBAST), Newcastle-Ottawa Scale (NOS), and the Cochrane Risk of Bias Tool (RoB2.0). Meta-analyses synthesized commonly used performance metrics using random-effects models, with subgroup, sensitivity and publication bias analyses. Results: A total of 14 studies were included in this review. Various AI techniques were employed, with supervised machine learning being the most predominant. Psychosocial domains, including social function, occupational function, social cognition and quality of life, were targeted. Meta-analysis revealed moderate discriminative and predictive accuracies of AI models: pooled AUC of 0.70 (95% CI: 0.63-0.76) and RMSE of 8.15 (95% CI: 7.32-8.98). Subgroup analyses indicated higher predictive accuracy for social cognition (AUC=0.77) and clinical symptom-based predictors (RMSE=7.1), with substantial heterogeneity mainly attributed to methodological variability. Conclusions: This review discovered the current application of AI in psychosocial functioning in psychosis, including the techniques usage, modeling approaches, targeted domains, and model performance. AI showed promise for early identification, continuous monitoring, and personalized interventions, driven by methodological advances such as ensemble learning with feature selection. Nevertheless, limitations in methodological consistency, data quality, model design, and ethical issues underscore that the field remains in its early stages. Overall, AI should complement clinical expertise, rather than replace it, in delivering psychosocial care in psychosis. Systematic review registration: https://www.crd.york.ac.uk/prospero/, identifier CRD420251051952.
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 | 0,023 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,034 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».