人工智能能否成为基层抑郁诊疗的可靠“副驾驶” MDPI Medical Sciences。论文标题：Is Artificial Intelligence the Next Co-Pilot for Primary Care in Diagnosing and Recommending Treatments for Depression?
论文链接：https://www.mdpi.com/2076-3271/13/1/8
期刊名：Medical Sciences
期刊主页：https://www.mdpi.com/journal/medsci
抑郁症是全球主要致残原因之一，不仅影响患者及其家庭的生活质量，也给医疗卫生系统带来持续负担。目前，抑郁症诊断主要依据《精神障碍诊断与统计手册》第五版和《国际疾病分类》第十一次修订本，但在基层医疗中，受就诊时间有限、症状与其他疾病重叠以及医务人员精神卫生培训不足等因素影响，抑郁症仍容易被漏诊或治疗不足。人工智能可通过整合电子健康记录、行为模式及语言特征等信息，为早期识别和个体化干预提供辅助。来自以色列的作者Inbar Levkovich开展本理论性综述，旨在评估人工智能能否改善基层医疗中的抑郁症筛查与诊断，并支持个体化治疗决策。
研究内容
文章梳理了人工智能在抑郁症识别方面的主要应用。机器学习模型可处理电子健康记录、临床笔记、脑电模式、语音情感、面部表情、数字活动及患者生成的文本，从中识别传统评估可能忽略的细微信号。自然语言处理结合支持向量机、人工神经网络等方法，可分析患者叙述、非正式写作及社交媒体内容中的语言特征，为抑郁风险评估提供补充依据。部分大型语言模型在抑郁症预后判断和治疗建议方面与精神卫生专业人员表现出一定一致性，并倾向于推荐心理治疗与抗抑郁药物相结合的方案。不过，作者强调，这些工具应作为临床决策支持手段，其输出仍需由医务人员结合规范化评估与患者具体情况进行判断。
在治疗方面，人工智能可根据患者的症状、病史、个体特征、治疗偏好及潜在不良反应，预测其对药物治疗或心理治疗的可能反应，从而辅助制定个体化方案，减少反复试错及症状缓解延迟。例如，机器学习可帮助判断患者更可能受益于认知行为治疗还是药物干预；强化学习模型则可依据患者的实时反馈动态调整治疗策略。综述援引的一项随机对照试验显示，与对照组相比，接受人工智能支持治疗的患者具有更高的治疗参与率，并在抑郁和焦虑症状方面获得更明显改善。与此同时，人工智能还可整合复杂数据、提供实时风险分层，帮助基层医生优先关注高风险患者，并将管理模式由被动应对逐步转向早期预警和主动干预。
图1概述人工智能在抑郁症管理中的主要应用与优势
研究总结
该综述认为，人工智能在基层抑郁症筛查、辅助诊断、预后评估和个体化治疗方面具有应用潜力，但现有证据尚不足以支持其取代临床专业判断。许多模型基于代表性有限的数据集训练，在不同人群、文化背景及资源条件下的可靠性和可推广性仍需验证；算法偏倚还可能影响少数群体及医疗资源不足地区患者获得公平服务。此外，数据隐私、知情同意、决策透明度和责任归属均是临床应用中需要解决的问题。过度依赖算法也可能削弱医务人员的批判性思维及医患关系中的共情交流。未来应在多样化基层医疗环境中开展长期验证，建立标准化应用规范和明确的伦理监管框架，加强医务人员的人工智能素养，并开发更具文化适应性的模型。人工智能更适合作为基层医生的辅助工具，在保留临床判断和以患者为中心照护的基础上，提高抑郁症管理的精准性与效率。
Medical Sciences期刊介绍
主编： Prof. Dr. Antoni Torres, Universidad de Barcelona, Barcelona, Spain;
发表关于疾病分子与细胞过程的原创研究、综述及短篇通讯，促进对医学基本原理及生物学问题的深入理解。期刊已被Scopus, ESCI (Web of Science), pubmed, PMC, MEDLINE, CAPlus / SciFinder等数据库收录;
2025 Impact Factor: 5.9;
2025 CiteScore: 4.6;
Time to First Decision: 18.7 Days;
Acceptance to Publication: 2.8 Days
来源：Medical Sciences
