心理健康美国预测，2024年近6000万美国人患有精神疾病。阿拉巴马大学伯明翰分校（UAB）的研究表明，自2017年以来，美国大学生中创伤后应激障碍和急性应激障碍的诊断显著增加。
为了应对美国心理健康问题的上升趋势，UAB教育与人类科学学院的研究人员开发了一种工具，帮助辅导员识别那些可能面临焦虑和抑郁症高风险的大学生——在他们的病情恶化之前。
在发表于《咨询与发展杂志》的文章中，UAB社区咨询诊所主任Yusen Zhai博士使用机器学习（一种人工智能的子集），通过分析学校已经收集的信息，如年龄、生物性别、在校年限、种族和民族、专业等，来发现可能指示更高心理健康风险的模式。
“目前用于识别焦虑或抑郁学生的预测模型依赖于已经访问过医疗提供者的学生信息，”Zhai说。“这可能会忽略那些甚至不知道自己需要帮助、不愿寻求护理或遇到服务障碍的学生。我们的AI工具可以找到可能需要帮助的学生，令人兴奋的是，它不仅适用于已经使用过健康服务的学生，而且在一般学生群体中也表现出色。”
Zhai进一步解释说，许多现有模型是基于临床样本和数据构建的，在训练过程中并未接触到一般学生群体。为了弥补这一差距，他和他的团队旨在开发不依赖临床样本或健康相关信息，而是依赖社会经济人口统计学因素（研究已证明这些因素与更严重的焦虑和抑郁相关）的机器学习预测模型。
该模型考虑了性别、种族和民族、财务压力、校园归属感、残疾状态和年龄等因素。
Zhai的AI模型不受限制，展示了强大的预测准确性，可以帮助从广泛的大学生群体中识别高风险个体。
“及时治疗至关重要，因为延误可能导致更严重的健康结果，”Zhai说。“通过利用AI的潜力，心理健康专业人士可以做出更明智的决策，并为学生制定计划。需要注意的是，这些模型并非旨在取代人类医疗提供者的至关重要的作用，而是补充其专业知识，增强心理健康专业人士做出明智决策的能力，同时保持辅导关系的人文性质。”
展望未来，Zhai和他的研究团队希望在此项目的基础上，继续研究，开发旨在识别更广泛心理健康问题（包括物质使用障碍和自杀风险）的机器学习模型，最终目标是将这些工具的应用扩展到K-12教育环境和一般人群中。
“心理健康差异与严重的健康结果相关联，随着技术的快速发展，我们希望继续我们的研究工作，创建协助心理健康专业人士解决心理健康护理差距并改善结果的工具。”
(全文结束)
