自殺預防是全球健康的重要議題，每年約有80萬人因自殺而喪生。大型語言模型（LLMs）在數位服務中有助於自殺預防，但也帶來臨床與倫理挑戰。2024年2月的回顧研究分析了43項相關研究，發現大多數集中於自殺風險識別，並探討了LLMs在臨床應用中的潛力。研究指出，隱私和同意等倫理問題需特別注意，並強調多學科合作及高品質數據的重要性。生成性人工智慧的發展可能改善危機護理與教育，但需持續人類監督。 PubMed DOI

本研究探討人工智慧（AI）輔助的心理社會介入現狀，分析2007至2024年間在Web of Science發表的207篇文章。主要發表來源為*Journal of Medical Internet Research*，美國在研究活動中表現突出。研究主題包括*機器學習*、*心理健康*、*認知行為療法*及*個性化*，自2020年以來對AI驅動療法的興趣逐漸上升，特別是像ChatGPT的工具。這顯示未來心理健康照護將更個性化與創新，並強調了進一步研究的必要性。 PubMed DOI

人工智慧（AI）正在徹底改變精神醫學，透過數據分析提升診斷準確性和個性化治療。近期的進展包括腦電圖（EEG）和心電圖（ECG）數據分析、語音分析、自然語言處理（NLP）、血液生物標記整合及社交媒體數據應用等。EEG模型改善了對抑鬱症和精神分裂症的檢測，ECG則揭示情緒調節問題。儘管AI在精神醫療中展現潛力，但數據變異性、可解釋性和倫理問題仍是挑戰，未來需專注於創建可解釋的AI模型並遵循法規。 PubMed DOI

將大型語言模型（LLMs）整合進心理健康臨床護理中撰寫筆記的趨勢逐漸上升。我們的研究目的是建立評估LLMs在心理健康電子健康紀錄（EHRs）中使用的標準，重點在於特徵、安全性和倫理考量。雖然供應商提供了數據保護和病人功能等資訊，但對於LLMs的訓練方法和偏見修正等關鍵細節卻缺乏透明度，這引發了倫理上的擔憂。雖然LLMs有助於減輕文書負擔，但仍需改善透明度和標準化，以確保其安全性和臨床護理的高標準。 PubMed DOI

兒童與青少年的心理健康問題是全球重要議題，約50%在14歲前就已出現。儘管投入了資源，仍面臨供應不足、污名化及可及性等挑戰。這篇回顧探討對話式人工智慧（AI）在兒童心理健康的應用，顯示其在解決焦慮和憂鬱等問題上有潛力，能提供心理教育和技能練習。未來研究應聚焦於技術的適宜性、長期效果及公平性，並強調跨學科合作以滿足年輕人的心理健康需求。 PubMed DOI

大型語言模型在心理健康照護上有潛力，但目前研究方法不一、太依賴特定模型，證據還不夠支持單獨用LLMs治療。未來要有更嚴謹和標準的研究，才能安全有效地應用在臨床上。 PubMed DOI

這篇回顧整理了大型語言模型在心理健康領域的應用現況，發現LLMs主要用於心理疾病篩檢、治療支援和心理健康諮詢，特別聚焦在憂鬱症偵測和自殺風險預測。整體來說，LLMs在資訊分析和回應生成上表現優於傳統方法，但不同模型各有優缺點。未來應持續技術發展並重視倫理議題。 PubMed DOI

這篇論文提出一個實用架構，把AI整合到數位心理健康治療，將治療分成五大部分：治療單元、決策者、敘事者、支持者和治療師。AI能個人化內容、調整治療流程、產生連貫敘事、提供自動化協助和互動治療，讓治療更有效、易擴展，也有助於提升治療品質和成效。 PubMed DOI

數位心理健康已從單純的遠距醫療，發展到結合手機App、VR和生成式AI等新科技。雖然過去遇到不少挑戰，證據也還不夠多，但透過共同設計和嚴謹評估，這領域正持續進步。文章強調，未來需要更多貼近現實的研究，並關注使用者參與和弱勢族群的可近性，讓科技真正幫助更多人。 PubMed DOI

這篇系統性回顧發現，生成式AI像ChatGPT在心理健康領域有潛力，但目前在診斷、文化敏感度和情感互動上還有不少限制。多數研究評估方式較簡單，無法全面反映AI實力。使用者對信任度和情感連結也有疑慮。未來需要更進階的評估和長期研究，才能真正發揮AI在心理健康照護的價值。 PubMed DOI