Explainable depression symptom detection in social media.
社交媒體中可解釋的憂鬱症狀檢測。 Health Inf Sci Syst 2024-09-09

這篇論文探討了基於變壓器的模型，旨在檢測社交媒體上用戶生成內容中的抑鬱症狀。研究強調了解釋性的重要性，特別是對健康專業人員而言。作者提出兩種方法：一是將分類和解釋任務分開，二是整合到同一模型中。他們還利用對話型大型語言模型（LLMs）進行上下文學習和微調，生成的自然語言解釋與症狀相符，讓臨床醫生更易理解模型輸出。評估結果顯示，能在提供可解釋的解釋的同時，達到高分類性能。 PubMed DOI

On the development and validation of large language model-based classifiers for identifying social determinants of health.
基於大型語言模型的分類器在識別健康社會決定因素中的開發與驗證。 Proc Natl Acad Sci U S A 2024-09-16

這項研究強調在醫療照護中評估健康社會決定因素（SDoH）的重要性，以改善病患照護並縮小健康差距。研究探討了電子健康紀錄（EHRs）中SDoH數據不足的挑戰，主要因為缺乏標準化的診斷代碼。研究團隊使用大型語言模型（如BERT和RoBERTa）來分類無家可歸、食物不安全和家庭暴力等SDoH概念，並創建合成訓練數據集。結果顯示，這些模型能有效提取SDoH資訊，幫助醫療提供者識別高風險病患，進而實施針對性干預，支持減少健康差距的努力。 PubMed DOI

Using Large Language Models to Detect Depression From User-Generated Diary Text Data as a Novel Approach in Digital Mental Health Screening: Instrument Validation Study.
使用大型語言模型從用戶生成的日記文本數據中檢測抑鬱症：數位心理健康篩檢中的新方法及工具驗證研究。 J Med Internet Res 2024-09-18

抑鬱症對全球影響深遠，影響工作效率和殘疾率。雖然早期發現很重要，但現有的篩檢工具常缺乏客觀性。研究者正探索影像分析、血液標記及日記寫作等客觀指標。這項研究利用情感日記應用程式，評估91名參與者的日記文本，並使用GPT-3.5和GPT-4等大型語言模型進行抑鬱症檢測。結果顯示，微調後的GPT-3.5準確率達90.2%，顯示用戶生成的文本在臨床檢測抑鬱症上具潛力，未來可結合其他可測量指標進一步研究。 PubMed DOI

Large-scale identification of social and behavioral determinants of health from clinical notes: comparison of Latent Semantic Indexing and Generative Pretrained Transformer (GPT) models.
從臨床筆記中大規模識別健康的社會和行為決定因素：潛在語義索引和生成預訓練變換器（GPT）模型的比較。 BMC Med Inform Decis Mak 2024-10-13

這項研究探討了機器學習在電子健康紀錄中識別社會和行為健康決定因素的效果。研究人員分析了MIMIC-III數據集中的超過200萬份臨床筆記，使用潛在語義索引（LSI）和GPT模型來預測SBDH類別。結果顯示，LSI的正向預測值超過83%，在多個SBDH類別的預測準確性上優於ICD-9編碼。雖然GPT-4表現稍佳，但LSI在成本效益和處理文件數量上更具優勢。整體而言，LSI是一種有效且實用的方法，適合應用於健康系統。 PubMed DOI

Exploring the efficacy and potential of large language models for depression: A systematic review.
探討大型語言模型在抑鬱症中的療效與潛力：系統性回顧。 J Affect Disord 2024-11-24

抑鬱症是全球重要的公共健康議題，雖然已有研究探討人工智慧在心理健康的應用，但針對大型語言模型（LLMs）的深入分析仍不多。本系統性回顧評估了LLMs在抑鬱症診斷與管理的有效性，並探討其在臨床環境中的整合潛力。從2018年到2024年，回顧了34項研究，發現像RoBERTa和BERT等模型在早期檢測和症狀分類上表現優異。不過，LLMs的臨床應用仍需解決數據隱私和倫理問題，才能安全有效地整合進醫療實務中。 PubMed DOI

An historical overview of artificial intelligence for diagnosis of major depressive disorder.
主要憂鬱症診斷的人工智慧歷史概述。 Front Psychiatry 2024-11-28

這篇論文探討人工智慧在重度憂鬱症診斷中的應用，指出其潛力與不足之處，並將診斷方法分為三個世代： 1. **第一世代**：以知識為基礎，使用結構化資訊，特徵選擇影響結果。 2. **第二世代**：以數據為基礎，自動學習特徵，但依賴高品質臨床數據，結果缺乏可解釋性。 3. **第三世代**：混合方法，結合知識與數據驅動，提升準確性，但可解釋性仍有挑戰。論文建議使用大型語言模型來改善憂鬱症診斷的可解釋性，並探討其潛在好處與挑戰。 PubMed DOI

Using large language models to detect outcomes in qualitative studies of adolescent depression.
使用大型語言模型來檢測青少年憂鬱症質性研究中的結果。 J Am Med Inform Assoc 2024-12-11

這項研究探討如何利用大型語言模型（LLMs）來識別青少年抑鬱症訪談中的心理治療結果。作者建立了一個編碼框架，能夠捕捉多樣的治療結果，並評估五個開源LLM的分類能力。實驗結果顯示，這些模型能有效分類31種結果，ROC曲線下面積得分在0.6到1.0之間，成功識別出友誼和學業表現等重要結果。研究強調了臨床數據的應用，顯示詳細編碼治療結果的可行性，並有助於量化重要結果。 PubMed DOI

Estimating depression severity in narrative clinical notes using large language models.
使用大型語言模型估計敘事臨床筆記中的抑鬱嚴重性。 J Affect Disord 2025-04-05

這項研究探討病人自報結果量表（PROMs），特別是PHQ-9，對門診抑鬱症治療紀錄質量的影響。研究分析了18,000份臨床筆記，重點在2019至2024年期間的就診紀錄。主要發現顯示，參與者平均年齡46.3歲，大多數為女性，PHQ-9平均分數較低，只有4.8%符合中度或以上的抑鬱症狀。雖然大型語言模型（LLM）能提供一些見解，但在移除實際分數後，準確性不佳，顯示依賴PROMs可能導致精神症狀紀錄不夠全面。 PubMed DOI

Large Language Models and Text Embeddings for Detecting Depression and Suicide in Patient Narratives.
大型語言模型與文本嵌入於病患敘述中偵測憂鬱與自殺的應用 JAMA Netw Open 2025-05-23

這項研究發現，大型語言模型和文字嵌入模型能從精神科病患的句子完成測驗中，準確辨識憂鬱症和自殺風險，尤其在分析自我概念相關內容時效果最好。最佳模型偵測憂鬱症的AUROC達0.841。雖然AI有潛力協助心理健康評估，但臨床應用前還需要更多改進和安全驗證。 PubMed DOI

Improving Suicidal Ideation Detection in Social Media Posts: Topic Modeling and Synthetic Data Augmentation Approach.
提升社群媒體貼文中自殺意念偵測：主題建模與合成資料增強方法 JMIR Form Res 2025-06-11

這項研究發現，社群媒體上關於自殺的討論常忽略弱勢族群的議題。研究團隊用AI生成補足這些缺漏主題的資料，讓機器學習模型訓練更全面。結果顯示，加入這些合成資料後，模型偵測自殺意念的準確度提升，有助於打造更包容的線上自殺風險偵測工具。 PubMed DOI

原始文章

站上相關主題文章列表