患者对AI驱动的 schizophrenia 复发预测的看法：理解担忧及自我护理和治疗的机会

文献标题

Patient Perspectives on AI-Driven Predictions of Schizophrenia Relapses: Understanding Concerns and Opportunities for Self-Care and Treatment

文献信息

• 主题领域: 人工智能与心理健康交叉领域，特别关注精神分裂症复发预测的患者反馈
• 关键词: 人工智能, 心理健康, 精神分裂症复发, 患者观点, 社交媒体数据, 自我反思, 支持系统, 隐私, 道德问题, 人机互动

研究背景与问题

• 发现的挑战: 当前精神分裂症复发预测的AI模型通常依赖病患自述、社交媒体或其他数据，但这些模型在实践中的有效性、患者观点及其道德风险尚未充分探讨。
• 研究重要性: 精神分裂症约影响全球2400万人，其中超过80%经历复发，严重干扰患者生活质量。早期发现和干预对减轻症状恶化至关重要。
• 研究动机与相关工作: AI模型有潜力预测精神分裂症的复发信号，如通过电子病历、智能手机数据或社交媒体数据进行预测，但其与患者真实体验的匹配性及伦理问题突出，包括对患者隐私、数据安全以及心理健康状态的潜在伤害。这篇文章尝试探索患者视角，以填补现有心理健康AI研究中的空白。

解决方案

• 提出的解决方法:
  • 开展三阶段研究：半结构化访谈获取患者反馈；基于反馈开发原型；通过实际用户数据收集关于原型的反馈。
  • 在原型开发中设计患者友好的语言替代“复发”术语，允许用户查看AI使用的原始社交媒体数据，促进与支持系统的对话。
• 创新之处:
  • 强调“患者-人与AI”的多关系互动设计。
  • 提出AI模型的角色应不仅限于预测，还可促进患者与支持系统的有效沟通。
• 实施步骤与关键技术:
  • 访谈阶段: 通过社交媒体支持群组招募28名患者，进行一对一访谈，利用反思性主题分析提取关注点。
  • 原型开发阶段:
    • 修改语言避免“触发性”词汇如“复发”或“住院”。
    • 添加允许患者与支持系统共享预测结果的选项。
    • 显示AI分析过的社交媒体贴文以增强透明度，避免算法造成的过多不信任。
  • 反馈收集阶段: 使用参与者的实际社交媒体数据，模拟AI预测流程并收集用户对于预测结果和功能设计的看法。

研究成果

• 具体成果:
  • 确定了患者对精神分裂症复发的定义与现行AI模型的临床预设存在明显断裂，AI模型对社交或行为信号缺乏足够的重视。
  • 设计了原型模型，这些模型不仅关注复发预测，还通过建议患者与支持系统合作提升自我管理，提高患者自我反思能力。
• 现有解决方案的优势:
  • 比较传统模型，该方案更贴近患者生活体验，并且注重透明性和伦理问题。
  • 创建了具有可解释性的预测信息展示，减轻了患者的焦虑。
• 实验或评估结果:
  • 参与者普遍认可与支持系统共享预测结果的功能，认为这能促进协作。
  • 提供的“回顾社交媒体内容”功能帮助用户发现对心理状态的自我洞察点，认为这是一个积极影响心理健康的方法。
  • 大部分参与者表示，即使AI模型可能无法完全准确预测复发，其提供的工具仍能提醒用户与支持系统保持联系。
• 局限性与未来方向:
  • 当前研究样本量有限，且患者分布单一（以美国为主），并未覆盖所有文化和社会经济背景。
  • 对于症状较重的患者，该工具的使用效果需进一步验证。
  • 未来研究可探索AI模型与支持系统间的直接协作，并开发针对缺乏支持系统的患者的专门技术。

总结：本文基于患者视角重新审视AI在心理健康中的可行性，并提出以患者为中心设计系统，增强自主性与合作性，最终推动AI技术在精神分裂症复发预测及干预中的实际应用。