Use of artificial intelligence to improve perinatal mental health: a systematic review
Notice bibliographique
Résumé
Abstract Introduction Artificial intelligence (AI) technologies have successfully been used in healthcare. Perinatal mental health disorders (PMHD) are detrimental conditions that may affect 10-20% of new mothers. Preventive interventions amongst high-risk women can improve the outcome for mothers and babies. However, our ability to identify these is poor. This systematic review aims to investigate whether AI techniques can improve the early identification of women at high risk of PMHD. Methods This review was conducted applying the PRISMA guidelines. We searched: PubMed, Scopus, Web of Science and Cochrane databases, selecting articles published between 2015 and March 2025. We focused on primary studies, English language. Articles had to report AI technologies applied to improve the early identification of women at high risk of PMHD. Quality of the included studies was assessed using the Newcastle-Ottawa Scale, based on retrospective cohort studies. Results Out of the initial 510 articles identified, 16 were included in the final review. The preliminary results from these studies mostly showed homogeneous findings: AI, particularly machine learning models (eg Random Forest, XGBoost, SVM,LASSO) demonstrated an overall effectiveness in the early detection of PMHD, especially postpartum depression, and improvement in the prediction accuracy compared to conventional regression models, with area under the receiver operator characteristic curve (AUC) within a range of 0.71-0.84, sensitivity of 0,71-0,76 and specificity of 0,75-0,85. These results show that AI models applied to clinical health data enhance prediction accuracy for PMHD at an early stage. Conclusions AI models demonstrated to be promising complementary tools for the early identification of PMHD, improving the performance of standard screening tools. However, variability in study designs, sample populations and algorithms limit the generalizability of the results and highlights the need for further standardized research. Key messages • Consistent evidence shows that AI effectively improves PMHD prediction. • AI can enhance early detection of PMHD, complementing current screening methods and enabling timely intervention.
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 | 0,007 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,008 | 0,009 |
| 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) | 0,004 | 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 ».