该综述系统评估了机器学习在检测、预测和分析心理压力及相关心理障碍方面的应用。研究发现，支持向量机、神经网络和随机森林模型在所有算法中表现出色，生理参数如心率和皮肤反应是用于压力预测的常见参数，降维技术在训练机器学习算法之前是一个关键步骤。该综述还指出了研究领域的重要空白和未来发展方向。

Aug, 2023

总结和概括了大型语言模型（LLMs）在心理健康领域的应用，包括早期筛查、数字干预和其他临床应用领域的强项、限制、挑战和机遇，并指出了 LLMs 在心理健康问题检测和个性化医疗方面的有效性，同时也提出了关于文本一致性、幻觉内容和缺乏伦理框架的风险以及 LLMs 作为创新临床工具的进一步研究和发展的必要性，强调 LLMs 应该是专业心理健康服务的补充而非替代。

Feb, 2024

通过快速处理能力，检测易被忽视的隐藏模式使得机器学习 (Machine Learning, ML) 在今天的医疗系统中不可或缺。本研究的目标是在不同医疗领域简洁有效地收集 ML 应用，并以表格形式提供相关参考文献和描述，以便立即获取必要信息。我们将研究分为五个主要组别：社区层面工作、风险管理 / 预防护理、医疗运营管理、远程护理和早期检测。我们的目标是向人们介绍机器学习在医疗行业的适用性，缩小临床医生对机器学习应用的知识差距，并推动医疗专业人员更多地基于机器学习的医疗系统。

Jul, 2023

大语言模型在精神卫生保健中展示了广泛的应用，涵盖诊断、患者支持等方面。然而，数据可用性、精确处理心理状态和有效评估方法等问题，导致了临床适用性和伦理考虑方面的差距存在，要推动精神卫生保健中大语言模型的进一步发展，需要依靠多学科协作、数据集开发、技术精进和伦理融合等方面的全面努力。

Jan, 2024

通过将机器学习和神经调节技术与先进的可穿戴和移动技术相结合，提供了广泛的机会来在精确精神病学中提供解释性方案和有效的治疗方法。

Apr, 2022

使用预测性机器学习模型和电子健康记录来预测心理诊断患者的死亡率所带来的持久挑战，机器学习算法（逻辑回归、随机森林、支持向量机和 k 近邻）的结果表明随机森林和支持向量机模型优于其他模型，AUC 得分为 0.911，药物处方，尤其是硫酸吗啡在预测中起到关键作用。这项研究可用于帮助医院工作人员识别有风险的患者，减少过度死亡。

Oct, 2023

COVID-19 疫情迫使人们限制了社交活动，导致精神疾病，特别是抑郁症的增加。为了准确快速地诊断这些疾病并防止严重后果如自杀，机器学习的使用变得越来越重要。此外，为了提供精确可理解的诊断以进行更好的治疗，AI 科学家和研究人员必须开发可解释的基于 AI 的解决方案。本文概述了机器学习和可解释 AI 领域相关文章，旨在帮助理解在精神疾病检测应用中使用 AI 的优势和劣势。

Nov, 2023

本文探索使用社交媒体数据预测多种心理健康状况的自动化检测方法，根据诸如句法复杂性、词汇复杂性和多样性、情感等语言特征，基于混合和集成模型的比较后发现多分类模型在自动化心理健康检测研究中更加准确有效。

Dec, 2022

该研究使用神经网络和机器学习模型对学生的抑郁症进行分类，并指出不同种族亚组的相关因素的差异，强调了更多广泛和多样化数据集的需求。

Aug, 2023

通过深度学习模型检测社交媒体用户的心理状况，可以更好地理解疾病并提供早期发现的手段。基于分层注意力网络的二元分类任务预测用户是否患有九种不同疾病中的一种，在四种疾病中表现出比先前设定的基准更高的性能，并通过检查模型的单词级注意权重分析分类相关的短语的限制。

Mar, 2020