الذكاء الاصطناعي في الصحة النفسية: روبوتات الدردشة، التشخيص، والأخلاقيات

يتم إعادة تشكيل مشهد الدعم النفسي بواسطة الذكاء الاصطناعي، لا سيما من خلال 'وكلاء المحادثة' أو روبوتات الدردشة مثل ووبوت و وايزا. قامت **مراجعة منهجية عام 2023 في *مجلة الطب الرقمي* بتحليل البيانات من تجارب متعددة، وخلصت إلى أن الوكلاء المعتمدين على الذكاء الاصطناعي يمكن أن يقللوا بشكل كبير من أعراض الاكتئاب والقلق**،

خاصة في الفئات التي تفتقر إلى الوصول للعلاج التقليدي. تستخدم هذه الأدوات أطر العلاج السلوكي المعرفي (العلاج السلوكي المعرفي) لتقديم دعم على مدار الساعة، ومساعدة المستخدمين على إعادة تأطير الأفكار السلبية. ومع ذلك، يؤكد الباحثون أن هذه الأدوات تكون أكثر فاعلية كـ 'جسر' أو مساعد للعلاج البشري، وليست بديلا عنه، خاصة للحالات الشديدة.

إلى جانب المحادثة، يحدث الذكاء الاصطناعي ثورة في التشخيص. نماذج التعلم الآلي قادرة الآن على تحليل الأنماط اللغوية، الكثافة الدلالية، معدل الكلام، واختيار الكلمات، للتنبؤ بظهور الحالات النفسية قبل أن تصبح الأعراض السريرية حادة. أظهرت **دراسة عام 2024 في *مجلة نيتشر للطب* أن نموذجا للذكاء الاصطناعي يمكنه التنبؤ بالانتقال إلى الذهان لدى الشباب المعرضين لمخاطر عالية بدقة تزيد عن 80%. وبالمثل، يتم تحسين الخوارزميات المستخدمة على منصات التواصل الاجتماعي لتحديد خطر الانتحار** في الوقت الفعلي، على الرغم من أن هذه القدرة تثير أسئلة معقدة حول الموافقة والتدخل.

أدى ظهور نماذج اللغة الكبيرة (نماذج اللغة الكبيرة) مثل جي بي تي-4 إلى إدخال الذكاء الاصطناعي التوليدي إلى العيادات. وجدت دراسة عام 2024 تقارن تشات جي بي تي بأطباء الرعاية الأولية في تحديد الاكتئاب أنه بينما كان الذكاء الاصطناعي دقيقا للغاية في الالتزام بالإرشادات السريرية، إلا أنه افتقر إلى دقة التعاطف البشري المطلوبة لبناء تحالف علاجي. هناك اهتمام متزايد باستخدام نماذج اللغة الكبيرة لصياغة الملاحظات السريرية، وتلخيص تاريخ المرضى، واقتراح التشخيصات التفريقية، مما قد يقلل من إرهاق الأطباء.

على الرغم من الوعود، فإن دمج الذكاء الاصطناعي محفوف بالمخاطر الأخلاقية. تشير مشكلة 'الصندوق الأسود' إلى غموض عملية صنع القرار في الذكاء الاصطناعي؛ حيث لا يستطيع الأطباء غالبا شرح *لماذا* صنف الخوارزمية مريضا على أنه عالي المخاطر. علاوة على ذلك، يظل التحيز الخوارزمي مشكلة حرجة، حيث أن النماذج المدربة على بيانات من سكان غربيين بيض في الغالب قد تخطئ في التشخيص أو تخدم الأقليات بشكل سيئ. خصوصية البيانات أمر بالغ الأهمية أيضا، حيث تتطلب بيانات الصحة النفسية الحساسة أعلى مستوى من الأمان (الامتثال لـ قانون حماية البيانات الصحية)، وهو ما تفشل العديد من التطبيقات التجارية في ضمانه.