教育新闻网这篇文章简要概述了人工智能的重要进展，这些进展将很快影响日常临床环境中实施心理保健的方式。结果将是结合常规和循证补充和替代医学(CAM)模式的更具个性化的治疗，对许多常见精神健康问题的更有效和更具成本效益的治疗，并改善结果。
人工智能对改善精神卫生保健的承诺
人工情报蕴藏着巨大的承诺(Dilsizian 2014)进行心理保健，因为它将允许从业者：
从以前很难访问且耗时的患者医疗信息的超大数据集中快速提取有用信息。
快速访问可靠的资源，其中包含有关各种西方医疗和CAM模式的最新信息。
使用先进的AI工具指导您确定解决许多常见精神健康问题并预测治疗结果的最佳治疗方案。
为了在医学和精神保健方面具有实际的临床实用性，人工智能系统必须包含能够处理大量结构化数据的机器学习软件，以及能够挖掘非结构化数据(例如电子叙事文本)的自然语言处理(NLP)软件。健康记录和医学影像数据。为了帮助医疗保健提供者进行临床决策，必须对AI系统进行“培训”，使其达到特定医学知识领域内所需的专业水平。培训结束后，至关重要的是要保持相关医学数据的最新状态。付款方和提供方之间广泛的数据共享对于成功实现这一点至关重要(Kayyali 2013)。IBM的Watson AI系统是同时包含机器语言和NLP功能的系统的示例，并且已经广泛用于癌症研究领域(Lohr 2016)。
结合了神经网络算法的AI程序被用于表征正在治疗的症状，不同的治疗方式以及使用传统软件工具难以确定的临床结果测量之间的复杂非线性关系。深度学习是基于神经网络的算法的最新分支，能够研究数据中复杂的非线性关系，而这些复杂的非线性关系使用高级软件很难或无法表征。近年来，深度学习算法已用于识别功能性脑成像研究数据中以前无法分析的复杂非线性关系(Vieiraa等人2017)。
“大数据”使对大量复杂医疗数据的分析成为可能
“大数据”是指非常大的复杂数据集，而现有数据处理方法无法提供有用的分析。大数据分析方法的进步很快将使文献研究自动化，从而产生关于各种补充和替代医学(CAM)方式的高质量信息。获得对医学和精神卫生保健决策有用的大数据不是一个简单的问题，因为付款人和提供者在同一位患者身上拥有不同类型的机密数据，通常以不同的方式进行编码。在大数据中，通常需要在微观级别的准确性与对宏观级别的治疗益处的见解之间进行权衡。通过组合多个领域的大数据集(例如临床研究数据，质量改进数据，电子健康记录，马修斯2014)。
正在开发一个名为``超级学习''的AI程序，以帮助临床医生预测药物滥用疾病的治疗结果(Acion等人2017)。该程序比较从各种预测算法(例如深度学习神经网络和逻辑回归)生成的数据。使用超级学习分析的100,000名因药物滥用障碍而接受治疗的患者的数据库得出的结果预测优于除传统非AI算法之外的所有算法。可以使用相同的软件来预测对不同常规疗法和CAM治疗的精神疾病的预后。然后可以将结果用于不断修改治疗方案以优化结果。
自然语言处理和动态仿真建模
访问医生笔记中的相关临床数据需要使用自然语言处理软件，并且需要克服机密性的障碍。使用自然语言处理软件来提取已出版的生物医学文献，电子健康记录和基于网络的医疗资源中包含的大量文本数据集中的关键概念和关系(Doan，2014年))。使用自然语言处理的研究分析了数百万患者的非结构化数据，将关键信息转换为结构化内容，从而改善了对治疗反应以及潜在有害药物副作用的监测(Le Pendu 2013)。
