這篇文章簡要概述了人工智能的重要進展，這些進展將很快影響日常臨床環(huán)境中實施心理保健的方式。結果將是結合常規(guī)和循證補充和替代醫(yī)學(CAM)模式的更具個性化的治療，對許多常見精神健康問題的更有效和更具成本效益的治療，并改善結果。

人工智能對改善精神衛(wèi)生保健的承諾人工情報蘊藏著巨大的承諾(Dilsizian 2014)進行心理保健，因為它將允許從業(yè)者：

從以前很難訪問且耗時的患者醫(yī)療信息的超大數(shù)據(jù)集中快速提取有用信息?？焖僭L問可靠的資源，其中包含有關各種西方醫(yī)療和CAM模式的最新信息。使用先進的AI工具指導您確定解決許多常見精神健康問題并預測治療結果的最佳治療方案。

為了在醫(yī)學和精神保健方面具有實際的臨床實用性，人工智能系統(tǒng)必須包含能夠處理大量結構化數(shù)據(jù)的機器學習軟件，以及能夠挖掘非結構化數(shù)據(jù)(例如電子敘事文本)的自然語言處理(NLP)軟件。健康記錄和醫(yī)學影像數(shù)據(jù)。為了幫助醫(yī)療保健提供者進行臨床決策，必須對AI系統(tǒng)進行“培訓”，使其達到特定醫(yī)學知識領域內所需的專業(yè)水平。培訓結束后，至關重要的是要保持相關醫(yī)學數(shù)據(jù)的最新狀態(tài)。付款方和提供方之間廣泛的數(shù)據(jù)共享對于成功實現(xiàn)這一點至關重要(Kayyali 2013)。IBM的Watson AI系統(tǒng)是同時包含機器語言和NLP功能的系統(tǒng)的示例，并且已經(jīng)廣泛用于癌癥研究領域(Lohr 2016)。

結合了神經(jīng)網(wǎng)絡算法的AI程序被用于表征正在治療的癥狀，不同的治療方式以及使用傳統(tǒng)軟件工具難以確定的臨床結果測量之間的復雜非線性關系。深度學習是基于神經(jīng)網(wǎng)絡的算法的最新分支，能夠研究數(shù)據(jù)中復雜的非線性關系，而這些復雜的非線性關系使用高級軟件很難或無法表征。近年來，深度學習算法已用于識別功能性腦成像研究數(shù)據(jù)中以前無法分析的復雜非線性關系(Vieiraa等人2017)。

“大數(shù)據(jù)”使對大量復雜醫(yī)療數(shù)據(jù)的分析成為可能

“大數(shù)據(jù)”是指非常大的復雜數(shù)據(jù)集，而現(xiàn)有數(shù)據(jù)處理方法無法提供有用的分析。大數(shù)據(jù)分析方法的進步很快將使文獻研究自動化，從而產(chǎn)生關于各種補充和替代醫(yī)學(CAM)方式的高質量信息。獲得對醫(yī)學和精神衛(wèi)生保健決策有用的大數(shù)據(jù)不是一個簡單的問題，因為付款人和提供者在同一位患者身上擁有不同類型的機密數(shù)據(jù)，通常以不同的方式進行編碼。在大數(shù)據(jù)中，通常需要在微觀級別的準確性與對宏觀級別的治療益處的見解之間進行權衡。通過組合多個領域的大數(shù)據(jù)集(例如臨床研究數(shù)據(jù)，質量改進數(shù)據(jù)，電子健康記錄，馬修斯2014)。