這篇文章簡要概述了人工智能的重要進(jìn)展，這些進(jìn)展將很快影響日常臨床環(huán)境中實(shí)施心理保健的方式。結(jié)果將是結(jié)合常規(guī)和循證補(bǔ)充和替代醫(yī)學(xué)(CAM)模式的更具個(gè)性化的治療，對許多常見精神健康問題的更有效和更具成本效益的治療，并改善結(jié)果。

人工智能對改善精神衛(wèi)生保健的承諾

人工情報(bào)蘊(yùn)藏著巨大的承諾(Dilsizian 2014)進(jìn)行心理保健，因?yàn)樗鼘⒃试S從業(yè)者：

從以前很難訪問且耗時(shí)的患者醫(yī)療信息的超大數(shù)據(jù)集中快速提取有用信息。

快速訪問可靠的資源，其中包含有關(guān)各種西方醫(yī)療和CAM模式的最新信息。

使用先進(jìn)的AI工具指導(dǎo)您確定解決許多常見精神健康問題并預(yù)測治療結(jié)果的最佳治療方案。

為了在醫(yī)學(xué)和精神保健方面具有實(shí)際的臨床實(shí)用性，人工智能系統(tǒng)必須包含能夠處理大量結(jié)構(gòu)化數(shù)據(jù)的機(jī)器學(xué)習(xí)軟件，以及能夠挖掘非結(jié)構(gòu)化數(shù)據(jù)(例如電子敘事文本)的自然語言處理(NLP)軟件。健康記錄和醫(yī)學(xué)影像數(shù)據(jù)。為了幫助醫(yī)療保健提供者進(jìn)行臨床決策，必須對AI系統(tǒng)進(jìn)行“培訓(xùn)”，使其達(dá)到特定醫(yī)學(xué)知識領(lǐng)域內(nèi)所需的專業(yè)水平。培訓(xùn)結(jié)束后，至關(guān)重要的是要保持相關(guān)醫(yī)學(xué)數(shù)據(jù)的最新狀態(tài)。付款方和提供方之間廣泛的數(shù)據(jù)共享對于成功實(shí)現(xiàn)這一點(diǎn)至關(guān)重要(Kayyali 2013)。IBM的Watson AI系統(tǒng)是同時(shí)包含機(jī)器語言和NLP功能的系統(tǒng)的示例，并且已經(jīng)廣泛用于癌癥研究領(lǐng)域(Lohr 2016)。

結(jié)合了神經(jīng)網(wǎng)絡(luò)算法的AI程序被用于表征正在治療的癥狀，不同的治療方式以及使用傳統(tǒng)軟件工具難以確定的臨床結(jié)果測量之間的復(fù)雜非線性關(guān)系。深度學(xué)習(xí)是基于神經(jīng)網(wǎng)絡(luò)的算法的最新分支，能夠研究數(shù)據(jù)中復(fù)雜的非線性關(guān)系，而這些復(fù)雜的非線性關(guān)系使用高級軟件很難或無法表征。近年來，深度學(xué)習(xí)算法已用于識別功能性腦成像研究數(shù)據(jù)中以前無法分析的復(fù)雜非線性關(guān)系(Vieiraa等人2017)。

“大數(shù)據(jù)”使對大量復(fù)雜醫(yī)療數(shù)據(jù)的分析成為可能

“大數(shù)據(jù)”是指非常大的復(fù)雜數(shù)據(jù)集，而現(xiàn)有數(shù)據(jù)處理方法無法提供有用的分析。大數(shù)據(jù)分析方法的進(jìn)步很快將使文獻(xiàn)研究自動(dòng)化，從而產(chǎn)生關(guān)于各種補(bǔ)充和替代醫(yī)學(xué)(CAM)方式的高質(zhì)量信息。獲得對醫(yī)學(xué)和精神衛(wèi)生保健決策有用的大數(shù)據(jù)不是一個(gè)簡單的問題，因?yàn)楦犊钊撕吞峁┱咴谕晃换颊呱砩蠐碛胁煌愋偷臋C(jī)密數(shù)據(jù)，通常以不同的方式進(jìn)行編碼。在大數(shù)據(jù)中，通常需要在微觀級別的準(zhǔn)確性與對宏觀級別的治療益處的見解之間進(jìn)行權(quán)衡。通過組合多個(gè)領(lǐng)域的大數(shù)據(jù)集(例如臨床研究數(shù)據(jù)，質(zhì)量改進(jìn)數(shù)據(jù)，電子健康記錄，馬修斯2014)。

正在開發(fā)一個(gè)名為``超級學(xué)習(xí)''的AI程序，以幫助臨床醫(yī)生預(yù)測藥物濫用疾病的治療結(jié)果(Acion等人2017)。該程序比較從各種預(yù)測算法(例如深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和邏輯回歸)生成的數(shù)據(jù)。使用超級學(xué)習(xí)分析的100,000名因藥物濫用障礙而接受治療的患者的數(shù)據(jù)庫得出的結(jié)果預(yù)測優(yōu)于除傳統(tǒng)非AI算法之外的所有算法?？梢允褂孟嗤能浖眍A(yù)測對不同常規(guī)療法和CAM治療的精神疾病的預(yù)后。然后可以將結(jié)果用于不斷修改治療方案以優(yōu)化結(jié)果。

自然語言處理和動(dòng)態(tài)仿真建模

訪問醫(yī)生筆記中的相關(guān)臨床數(shù)據(jù)需要使用自然語言處理軟件，并且需要克服機(jī)密性的障礙。使用自然語言處理軟件來提取已出版的生物醫(yī)學(xué)文獻(xiàn)，電子健康記錄和基于網(wǎng)絡(luò)的醫(yī)療資源中包含的大量文本數(shù)據(jù)集中的關(guān)鍵概念和關(guān)系(Doan，2014年))。使用自然語言處理的研究分析了數(shù)百萬患者的非結(jié)構(gòu)化數(shù)據(jù)，將關(guān)鍵信息轉(zhuǎn)換為結(jié)構(gòu)化內(nèi)容，從而改善了對治療反應(yīng)以及潛在有害藥物副作用的監(jiān)測(Le Pendu 2013)。