智能健康（iHealth）：人工智能和大数据对精神卫生保健的影响和挑战

互联网干预28（2022）100518iHealth：人工智能和大数据在精神卫生保健乔瓦尼·鲁贝卡尔·兰德施泰纳健康科学大学生物医学和公共卫生伦理学系一般健康研究，博士- Karl-Dorrek-Straße 30，3500 Krems，AustriaA R T I C L EI N FO保留字：人工智能大数据生态瞬时评估伦理学心理健康自我监测A B S T R A C T智能健康（iHealth）在精神卫生保健中的概念整合了人工智能（AI）和大数据分析。这篇文章是一个尝试，以概述与iHealth的伦理方面的重点已在文献中定义的三个关键要素：自我监测，生态瞬时评估（EMA），和数据挖掘。通过数据库检索获得用于分析的材料。分析了为这三个要素中的每一个提供结果数据的研究和综述。对结果进行了伦理框架分析，显示了iHealth的机遇和挑战。自我监测、EMA和数据挖掘之间的协同作用可能有助于预防精神疾病、预测其发作、个性化治疗以及患者参与治疗过程。当涉及到用户的自主权、用户的隐私和数据安全以及潜在的偏见时，挑战就会出现。1. 介绍在过去的十年中，电子健康已经成为精神卫生保健的一个主要话题。智能手机和平板电脑等移动设备的应用程序以及互联网提供的服务已经被用作治疗选择。数字解决方案可用于诊断和风险评估、治疗干预或预防复发。有一些经验证据表明，电子精神健康应用程序在预防等各种终点方面的有效性（Sander等人，2016）、症状减轻（Firth等人，2017）、依从性（Pihlaja等人，2017），减少住院和总住院日（Bell等人，2017）和成本效益（Massoudi等人，2019年）。这一发展的最新一步是引入人工智能（AI）和大数据分析，这些技术仍处于治疗应用的探索阶段。根据一些评论员的说法，基于人工智能和大数据的电子心理健康方法在心理健康方面创造了一种新的范式，称为智能健康或iHealth（Berrouiguet et al.，2018; Briffault等人，2018年）。iHealth通过结合患者自我监测和自我报告、通过传感器（可穿戴设备或工作站）监测以及数据挖掘技术，提供来自患者个人环境的更多上下文数据。因此，iHealth被视为增强实时自我监测、将评估整合到患者环境中以及数据挖掘以支持决策制定和治疗个性化的机会（Berrouiguet等人，2018年）。iHealth利用电子心理健康的既定技术，并将其与数据挖掘工具相结合。创新的方面是整合和处理来自不同来源的数据。来自患者自我监测和自我报告的数据可以与生态瞬时评估（EMA）提供的患者环境的实时数据以及来自电子健康记录（EHR）和临床医生观察的数据相结合。iHealth可用于更好地进行风险评估、分层和预测，根据每个病人的个人需要量身定制治疗，预防发作或症状的发作，并增强病人的自我管理能力。通过关注个体症状和行为与特定情况和患者环境之间的复杂联系，iHealth可用于克服患者在日常生活中面临的一些问题（Briffault等人，2018年）。收集和处理个人数据还可以帮助了解具有复杂求助行为的群体和个人的具体需求，否则这些群体和个人的需求将无法得到充分的服务。然而，必须指出的是，关于具体的iHealth和一般的数字干预措施的证据基础往往不清楚。这导致一些评论员认为这些技术被过度炒作，其好处和有效性是没有根据的（Carr，2020;Foley和Wollard，2019）。在下文中，将对2011年的iHealth范式进行伦理分析。进行心理保健。在这一早期阶段进行道德分析是重要的，以便为评估这一方法提供一个框架电子邮件地址：giovanni. kl.ac.at。https://doi.org/10.1016/j.invent.2022.100518接收日期：2021年8月17日;接收日期：2022年1月11日;接受日期：2022年2022年3月2日在线发布2214-7829/© 2022作者。由Elsevier B. V.发布，这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表互联网干预期刊主页：www.elsevier.com/locate/inventG. 鲁贝互联网干预28（2022）1005182在广泛实施之前。这可能有助于制定指导方针在临床实践中实施iHealth2. 方法我遵循Berrouiguet等人（2018）定义的iHealth的三个关键方面：增强的实时自我监测，将评估整合到患者环境中，以及数据挖掘，以增强决策，从而个性化治疗。因此，伦理分析的重点是自我监测，EMA和数据挖掘的背景下，心理健康和indefits的每一个程序或方法的具体伦理影响。为了获得用于分析的材料，进行了检索使用在线数据库Pubmed/MEDLine、PsycINFO和Cochrane图书馆，搜索词“数据挖掘”，“自我监测”和“生态瞬时评估”与（AND）“精神病学”和“心理健康”相结合。由于该领域的快速发展，只有过去五年的论文被包括.排除研究方案、仅提供干预或应用程序描述的论文以及无结局数据的方法学或理论论文。没有语言限制。删除了二重峰和错误结果。扫描其余论文的摘要共纳入29篇论文（表1）。Morley et al.（2020）确定了关于人工智能在心理健康方面的认识，规范和总体伦理问题。认知关注集中在不确定的，不可理解的，或误导的证据，导致误诊或漏诊。规范性关切与监视和隐私问题以及对自主权的威胁有关。过度关注的目标是将特定群体框定为对自己的心理健康在道德上不负责任。在下文中，我将集中讨论作为伦理分析背景的规范性问题。这些规范性方面中的几个已经在关于人工智能和电子精神健康的伦理学的一般研究中得到了解决，例如对自我的威胁（Fiske等人，2019; Morley等人，2020），隐私问题（Martinez-Martin和Kreitmair，2018; Wykes等人，2019）和偏倚（Fiske等人，2019;Martinez-Martinand Kreitmair，2018）。以下伦理分析将建立在现有的研究基础上，并将其结果应用于iHealth的特定星座，即自我监测，EMA和数据挖掘的组合。本文的目的是分析与这些做法中的每一种有关的具体伦理含义（图10）。①的人。3. 结果3.1. 自我监测自我监测，即用户主动收集数据（Bartels等人，2019年），是一个既定的方法在精神卫生。它提供的数据允许研究情绪调节，预测疾病的发作或发作，或为患者选择最适合的情绪稳定剂（Ortiz和Grof，2016）。一致，有效和及时的自我监测也被认为是有效的自我管理，自我洞察和行为改变的启动的关键（Bakker和Rickard，2018; Bartels等人，表1数据库搜索的结果。检索词Pubmed PsycInfo Cochrane library自我监测和精神病学225 - 134 6自我监测心理健康186 - 258 172数据挖掘iHealth自我监控EMAFig. 1. 根据Berringuet等人的iHealth。2019; van Os等人， 2017年）。应用程序和可穿戴传感器实现了实时数据收集和传输，这避免了通常与回顾性患者自我报告相关的回忆偏差（Bartels等人， 2019; van Os等人，2017年）。典型地，使用经验采样方法（ESM），其中患者每天得到几次提示，提醒他们评估他们的情绪、饮食、活动、可能的酒精或药物消耗、药物、自杀想法、症状或压力（van Os等人，2017年）。这些数据对于促进和预防心理健 康以 及临床 决策至 关重 要， 例如： 找到 正确的药 物剂 量（Bartels等人，2019; van Os等人，2017年）。这里的一个关键方面是诊断和治疗的人内方法，其允许随着时间的推移分析个体症状和模式，而不是将其与平均病例进行比较（van Os等人， 2017），从而实现更个性化的治疗。有一些经验证据表明数字化的有效性-增强对各种疾病，如抑郁症的自我监测（Dogan等人，2017）、双相情感障碍（Faurholt-Jepsen等人，2016）、边缘性障碍（Tsanas等人， 2016），或进食障碍（Tendon thenet al.，2019），以及不同的结果，如症状减轻（Bakker和Rickard，2018）和药物依从性（Kassianos等人，2017年）。然而，当涉及到用户体验时，结果是混合的。在他们的调查研究中，Hartmann等人。（2019）。发现自我监控工具的使用时间有限，整体使用情况不佳。特别是长时间重复和单调的数据输入会对动机和参与产生Dogan等人（2017）在他们的系统性综述中发现，对一些用户来说，永久性监控意味着获得对自己生活的控制，改善自我管理和全面赋权。然而，其他人发现自我监测的责任压倒一切，并认为这是一个不断提醒他们的疾病。一些用户报告说，由于持续的监视，他们的焦虑和被监视的感觉增加了3.2. EMAEMA已成功用作评估患者在日常环境中的症状和行为模式的工具（Moore例如，2016年）。由于精神障碍是高度异质性的，动态结构在个体之间变化并随时间波动，EMA可用于针对动态个体差异并改善治疗（Smith和Juarascio，2019）。关于瞬间情绪、情绪、活动、睡眠模式或行为的数据可以从 自然环境，在某些情况下可能优于回顾性自我报告（Li等人，2019; Moran等人，2017; Russell和Gajos，2020;vanBoggten等人， 2020年）。自我报告可能对某些人来说很难生态瞬时评估与精神病学生态瞬时评估心理健康419 269 5219 308 34患者组，例如患有双相情感障碍的患者（Li等人，2019）或精神分裂症（Moran等人，2017），因为情绪，功能或工作记忆往往是不稳定的。在某些情况下，EMA被用作评估工具，尽管证据有限（Moran et al.，2017年）。来自日常生活的实时数据可以检测动态关系数据挖掘与精神病学258690数据挖掘与心理健康2041625G. 鲁贝互联网干预28（2022）1005183并且可以用于症状评估、复发或治疗效果的监测指标、管理日常功能、促进学习技能和增强自我管理（Bell等人，2017; Moore等人，2016年）。由于数据是在给定的时间段内收集的，因此可以检测影响行为的时间模式和瞬时过程，这增加了生态有效性和普遍性（Engel等人， 2016年）。数字增强型EMA可能包括可穿戴传感器，如用于睡眠的活动传感器和用于身体活动的加速度计、通过皮肤电导进行生理唤醒的皮肤活动（EDA）和GPS数据（Russell和Gajos，2020）。这使得能够检测神经认知、神经生物学和生理功能作为调节因子或预测因子（Smith和Juarascio，2019）。EMA的临床结局在不同终点的各种精神障碍中得到了充分的记录 Bell et al. （2017）和Bos et al. （2015）表明，EMA可能导致更好的结局预测、复发预防、降低住院率和总住院日、更好的临床医生依从性、低脱落率、更好的自我管理和心理社会日常功能以及成本降低。然而，必须指出的是，与数字干预的大多数情况一样，证据基础有限。3.3. 数据挖掘数据挖掘是指通过检测模式和采用学习算法来探索和建模大量数据（Dipnall等人， 2016年;Go'ngoraAlonsoet al.， 2018年）。 数据挖掘工具可用于组合来自EHR的信息、来自自我监测和EMA的数据、个体遗传数据、重要功能、疾病相关的分子生物学数据以及来自研究或临床药物试验的科学数据（Becker等人，2018年; Berrouiguet等人，2019; Schubert等人，2018年）。基于来自各种来源的数据，算法检测精神疾病的早期症状并预测其发作或疾病进展（Go'ngoraAlonso等人，2018; Wang等人，2019年）。应用领域是风险评估和不同风险组的识别、情绪轨迹的确定、自杀预防以及治疗结果和复发风险的预测（Becker等人，2018年; Berrouiguet等人，2019年; Go'ngoraAlonso等人， 2018年）。心理健康中的数据挖掘旨在基于个人健康指标并将其与科学数据结合起来进行更个性化的治疗（Wang et al.，2019年）。基于预测模型的早期干预也可以减少住院治疗、费用和用户的心理负担（Go'ngoraAlonsoet al.， 2018年）。4. 讨论iHealth提供了改善心理健康治疗和提高患者生活质量的机会。通过自我监测、EMA和数据挖掘之间的协同作用，可以实现精神疾病的预防、发病预测、治疗的个性化以及患者在治疗过程中的参与。然而，对这三个要素中的每一个要素的分析都显示了几个伦理问题（表2）。4.1. 自主性的矛盾心理：用户的需求和资源iHealth的一个关键方面是通过自我监测赋予用户自主权。然而，自我管理方法可能不会使某些用户组受益。精神障碍的类型或个人表现可能严重限制自我指导行动的能力。在这些情况下，必须确保自我监测和其他自我管理任务的应用程度与患者的个人需求和资源相匹配。另一个方面是数字素养，这不能简单地以同样的方式归因于所有用户（Morleyet al.，2020年）。因此，必须确保技术适合用户，而不是用户必须适应技术。作为用户的患者应该能够控制自己的心理健康，并积极参与为他们量身定制的治疗方案。但仔细观察就会发现，自主权在这里是一个矛盾的概念。这种矛盾心理产生于两个方面：首先，自我监督可能会模糊自主和自律之间的界限（Lupton，2013）。Lupton（2013）指出，自我监测可以理解为赋权，因为它使患者能够参与并促进更好地获得医疗服务。患者感觉自己被纳入了医疗过程，了解自己的病情，并能积极地为治疗做出贡献。与此同时，自我监测可以产生纪律效应，迫使患者按照技术设备的要求进行一定的日常工作（Lupton，2013）。这与个性化相矛盾，个性化是iHealth的主要优势之一。当用户不得不适应技术，而不是根据他们的个人需求和资源应用技术时，个性化和自主性就会受到破坏。其次，在许多精神障碍中，（重新）建立患者自主神经系统，omy是治疗的目标而不是先决条件。不能在任何情况下都以自主为前提。一些用户可能在自主决策或行动的能力方面受到限制。自我监控或自我报告可能会使这个特定的用户组过度紧张。自主性虽然是一个理想的特征，但可能因用户而异，因此必须仔细评估。评估这种风险是精神卫生专业人员的核心任务，这就是为什么能力和责任是iHealth环境中治疗联盟的关键方面（LuX ton，2014）。考虑到患者的情感脆弱性，移情是治疗联盟的另一个重要方面。治疗过程涉及情感互动和代表患者表达经验和情感。处理这些强烈情绪的表现不仅对治疗成功很重要。未能对强烈的情绪做出反应甚至可能导致对患者的伤害（Lu X ton等人， 2016年）。目前尚不清楚技术系统是否足够复杂，可以检测到情绪的微妙表现，以及患者是否愿意以与人类治疗师相同的方式与这些系统互动。存在一种风险，即技术不能以治疗师能够做到的方式解决患者的具体需求和资源。人类接触的日益替代通过人机交互可能因此具有负面影响，特别是当决策制定被框定为简单地意味着数据分析的直接活动时（Morley等人， 2020年）。此外，数字健康技术的赋权潜力取决于所提到的自主性概念。表2iHealth不同要素的伦理机遇和挑战要素机会和挑战自我监控·更个性化治疗的潜力·自主性的矛盾性：自主性EMA数据挖掘• 患者的积极参与• 整体、个性化、动态的精神卫生保健方法·个人隐私：医疗化• 数据隐私：大数据鸿沟• 整合不同来源• 将个人数据与科学数据• 数据化• 偏置G. 鲁贝互联网干预28（2022）1005184（Schmietow和Marckmann，2019）。自主的概念在范围和程度上各不相同，因此很难在一般意义上使用“授权“这一标签。一些评论家放弃了这个词为了避免产生错误的期望，我们必须完全增强权能。Morley和Floridi（2020）拒绝了关于移动健康的赋权概念框架，因为缺乏赋权效应的经验证据。医生必须确保根据病人的需要和资源选择合适的治疗方案。因此，重要的是，治疗联盟伴随着旨在自我管理的技术的使用。此外，通过遵循承认个人需求和资源的参与式设计方法，可以将患者观点整合到AI设计中（Carr，2020）。开放式设计作为专家与公民之间的包容性对话，可以使用户的经验知识得以纳入，这反过来又可以赋予用户自主权。4.2. 个人私隐根据Mittelstadt和Floridi（2016），侵入性监控技术的隐私风险可以分为两种类型。在用户的日常环境中对数据的永久监视、监视和收集一个结果是家庭环境的医疗化，因为无所不在的监测设备是用户的心理健康状况的持续提醒 这可能是用户的严重负担（van Boggten等人，2020年）。与此同时，数据挖掘和监控技术也会影响用户的数据隐私。大数据工具本质上是数据饥渴型的，需要大量的数据集才能提供有用的结果。所收集数据的范围之广构成了一种风险，即用户无法监督哪些数据用于何种目的。由于数据理论上可以无限期存储，因此对自己数据的控制权的丧失变得更加严重。有时用户也不清楚哪些人可以访问数据，什么原因或目的。与传统的“在位”-situa-相比在面对面治疗的情况下，数据泄漏或丢失的可能性更大（Lu X ton等人，2016年）。此外，可用的数据来自各种背景，更加复杂，以定性的方式加剧了隐私和数据安全问题。由于立法往往落后于技术发展，可能存在漏洞和灰色地带，助长不道德的数据使用，例如未经用户明确同意的商业用途。失去对数据的控制被定义为大数据鸿沟，它存在于控制数据收集、存储和使用手段的实体与提供数据的实体之间（Mit-telstadt和Floridi，2016）。后者可能对所涉及的过程没有足够的了解，也没有足够的机会获得自己的数据。这可能会在精神卫生领域造成新的不平等。此外，Martinez-Martin和Kreitmair（2018）指出，失去对数据的控制可能会影响患者对保密性的信任，并对治疗联盟产生严重后果隐私问题应通过实施透明和普遍适用的法规（Wykes等人，2019年）。这主要是政策制定的问题（Martinez-Martin和Kreitmair，2018），但还有其他方法来处理隐私问题。一种方法是颗粒同意（Kim等人，2017），这是在数字环境中重新制定知情同意。通常，用户同意某个应用程序或系统作为一个整体的复杂和不透明的数据策略。颗粒同意意味着产品的隐私政策必须定义数据收集和处理的目的，并使哪些人可以访问哪些数据变得透明。然后，用户可以决定他们同意使用哪些类型的数据以及在多大程度上同意使用。这种方法可以让用户对自己的健康数据进行一些控制，从而降低与隐私相关的道德风险。4.3. 数据化和偏倚伦理问题出现在两个主要的数据要求的背景下挖掘首先，数据挖掘通常需要减少、简化和编码（Abbe等人，2016年）这种解释可能会破坏患者体验的独特性。其次，必须对数据进行预处理，这意味着必须定义变量，以便系统可以从数据中导出它们（Becker等人，2018年）。在这方面，产生了偏见的风险。数据化可能会迫使心理健康专业人员将患者信息转化为预先配置的方案，从而将个人特征减少到标准化类别。将复杂的关系和健康叙述减少到可量化的数据点可能是被迫的，以便使医疗干预更具成本效益（Dillard-Wright，2019）。收集和处理数据不仅可以用于对个人进行分类，还可以用于规范行为（deLaat，2019）。当基于人工智能的技术和大数据应用程序用于风险评估和预测时，情况尤其如此。通过根据标准化分类将个体分为不同的群体，并针对他们进行特定治疗，重点从个体转移到群体（de Laat，2019）。因此，个性化 作为iHealth的主要目标可能会受到破坏。偏见在人工智能和大数据（Boddington，2017; Challen等人，2019年; Mittelstadt和Floridi，2016年）。数据使用增加可能导致的一种偏见是确认偏见，即心理健康专业人员过分强调支持其初步诊断的证据。自动化偏见意味着对自动化系统的依赖越来越大，对机器决策的非关键性接受。这两种类型的偏见可能会抵消预期的准确性和个性化的诊断以及治疗预期的iHealth。此外，数据处理机制中存在固有的偏差风险，因此更难检测。将科学数据更多地纳入治疗过程，使治疗更依赖于所述数据的质量。众所周知，在大型队列研究中，少数群体的代表性不足（Carr，2020）。鉴于泛化是数据挖掘的一个关键因素，算法可能主要建立在对多数群体研究的数据上（Carr，2020）。这为歧视打开了大门，并扩大了为不同患者群体提供心理健康服务的现有差距（Fiske等人，2019年）。这方面的一个重要方面是去语境化（Mittelstadt和Floridi，2016）。在许多情况下，由于需要标准化所述内容， 数据，包括生成数据的社会背景。因此，语境因素往往被忽视或丢失，由于分类数据处理框架这被称为“信号探测器”lem来自特定社区或群体的数据缺失（Mittelstadt和Flo-ridi，2016）。去语境化可能导致本体闭塞，即由于使用特定的解释框架，现象的某些方面被过度强调，而其他方面被忽视。因此，个性化治疗这一iHealth的主要目标受到了破坏。当谈到iHealth时，出现了双重担忧不仅存在歧视和排斥若干社会群体的风险。这些问题也破坏了所涉技术的潜力。数据挖掘可以是应对精神障碍的复杂性的重要工具，其中遗传、表观遗传、行为、环境和社会决定因素相互作用（Schubert等人， 2018; Tai等人， 2019年）。通过处理所涉及的数据的复杂性，数据挖掘可以提供支持卫生专业人员临床决策的模型。但为了实现这一点，必须关注这些决定因素，以避免本体闭塞。这在处理个体患者的数据时是重要的，但对于这些系统所基于的训练数据也是至关重要的。训练数据往往是有偏见的，由于社会或机构的背景下，他们来自（卡尔，2020年）。当某些群体在训练数据中没有表现出来时，系统可能会对他们产生偏见，或者根本无法处理这些群体。因此，社会，G. 鲁贝互联网干预28（2022）1005185性别和种族决定因素在这方面发挥着关键作用。当选择训练数据时，评估其质量的关键标准应该是这些决定因素是否透明（Walshet al.，2020年）。另一个办法是使解释性框架以及数据列入或排除的参数透明化。这可以使从业者避免不适当的还原主义，并促进更个性化的治疗（Gianfrancesco等人，2018年）。5. 结论伦理分析表明，虽然iHealth具有实现更个性化和更有效的治疗的巨大潜力，但也存在一些伦理问题。这些主要是自主性的矛盾心理和技术如何适应个体患者的需求和资源的问题，对个人和数据隐私的威胁，以及滥用和偏见的风险。伦理问题必须在几个层面上处理：在政策层面上，必须实施法规，以确保质量标准以及在特定的精神健康背景下对自己的健康数据的控制。这方面的一个重要贡献是加拿大议定书，这是一份关于人工智能在精神健康和自杀预防方面的伦理问题的检查清单（Morch等人， 2020年）。在研究和开发层面，在建立解释框架时，必须考虑到卫生数据的社会决定因素。在治疗师层面上，确保技术的使用符合个体患者的需求和资源至关重要，这需要某种治疗联盟。据作者所知，这是第一次对iHealth作为精神卫生保健中一个连贯概念进行伦理分析。它提供了一个忽视道德方面，但有几个局限性。这种分析使一般性陈述的iHealth技术的精神障碍的结果。需要进一步的研究，重点是不同的患者群体，并分析他们的具体风险和利益。类似的方法已经存在于一般的数字心理健康中，例如Wies等人（2021）的挖掘综述，重点关注青少年。这里不能讨论的另一个方面是技术支持的护理协调的可能性，这意味着iHealth可用于创建跨部门提供心理健康服务和改善护理途径。数字心理健康技术的这种潜力已经得到了测试，需要进一步探索（Iorfino等人， 2021年）。资金这项研究没有从公共、商业或非营利部门的资助机构获得任何具体的竞争利益作者声明，他们没有已知的可能影响本文所报告工作引用Abbe，A.，Grouin，C.，Zweigenbaum，P.，例如，2016年。文本挖掘在精神病学：一个系统的文献综述。Int. J. 方法精神科医师。Res. 25（2），86-100。Bakker，D.，Rickard，N.，2018年 参与手机应用程序的自我监测情绪健康预测心理健康的变化：MoodPrism J. 感情。混乱 227，432-442。Bartels，S.L.，van Knippenberg，R.J.M.，Dassen，F.C.M.，例如，2019.一项关于中老年数字自我监控干预措施的叙述性综合系统综述。互联网访谈18，100283。Becker，D.，van Bred，W.，Funk，B.，例如，2018.电子心理健康预测模型：一个通用语言框架。互联网访谈12，57-67.贝尔，国际刑事法庭林明辉Rossell，S.L.，例如，2017.生态瞬时评估和精神障碍治疗的干预：一项系统性综述。精神病医生Serv. 68，1172-1181。Berrouiguet， S.，Perez-Rodriguez，M.M.， Larsen，M.， 例如， 2018.从eHealth到iHealth ： 过 渡 到 心 理 健 康 的 参 与 式 和 个 性 化 医 疗 。 JMIR 1 ， e2.https://doi.org/10.2196/jmir.7412网站。Berrouiguet，S.，比约河，Larsen，M.E.，例如，2019.自杀风险管理电子健康档案资料之资料探勘方法：临床决策支援之资料库分析。JMIR Ment.健康6（5），e9766。https://doi.org/10.2196/www.example.comBoddington，P.，2017.人工智能的道德准则。SpringerInternational Publishing，Cham.Bos，F.M.，Schoevers，R.B.，aan het Rot，M.，2015年。经验取样与生态学精神药理学中的瞬时评估研究：系统综述。EUR. 神经精神药理学1853-1864年第25期。Briffault，X.， Morg i`eve，M.，Courtet，P.，2018年从电子保健到信息保健：前景在精神卫生保健中使用智能系统的反思。脑科学8，98https://doi.org/10.3390/brainsci8060098。Carr，S.，2020.“人工智能精神”：数据驱动技术对精神健康的参与和道德。 J. 门特 Health 29（2），125-130.查伦河丹尼，J.，皮特，M.，例如，2019.人工智能、偏倚和临床安全性。BMJ Qual.更安全。 28（3），231-237。deLaat，P.B.，2019年。预测算法的学科力量：一个福柯主义者perspective. Ethics Inf. Technol. 21，319-329.Dillard-Wright，Jessica，2019.电子健康记录作为一个全景式监狱：在护理实践中的学科仪器。护士Philos.20，e12239. https://doi.org/10.1111/nup.12239.Dipnall，J.，帕斯科，J.A.，Berk，M.，例如，2016.融合数据挖掘，机器学习和传统 统 计 学 来 检 测 与 抑 郁 症 相 关 的 生 物 标 志 物 PLoS ONE 11 （ 2 ） ，e0148195.https://doi.org/10.1371/journal.pone.0148195网站。Dogan，E.，Sander，S.，Wagner，X.，2017.基于智能手机的情感障碍客观和主观数据监测：我们在哪里，我们要去哪里？系统评价。J.Med.因特网资源19（7），e262https://doi.org/10.2196/jmir.7006.Engel，S.G.，克罗斯比，R. D.，托马斯，G.，2016.进食障碍和肥胖研究中的生态瞬时评估：近期文献综述。Curr. 精神病学代表十八，三十七。Faurholt-Jepsen，M.，Munkholm，K.，弗罗斯特，M.，例如，2016.在双相情感障碍成人患者中使用IT平台进行情绪电子自我监测：有效性和证据的系统综述BMCPsychiatry 16，7. https://doi.org/10.1186/s12888-016-0713-0.Firth，J.，Torous，J.，尼古拉斯，J.，例如，2017年。基于智能手机的心理治疗的功效抑郁症状的健康干预：随机对照试验的荟萃分析世界精神病学16，287-298。Fiske，A.，Henningsen，P.，购买X，A.，2019.你的机器人治疗师现在会看到你：体现人工智能在精神病学，心理学和心理治疗中的伦理含义。J.Med. Internet Res. 21（5），e13216https://doi.org/10.2196/13216。Foley，T.，Wollard，J.，2019.心理健康及其劳动力的数字化未来： 关于心理健康利益相关者参与的报告，以告知Topol审查。英国健康教育，伦敦。Gianfrancesco，文学硕士，Tamang，S.，Yazdany，J.，例如，2018.使用电子健康记录数据的机器学习算法的潜在偏差。JAMA Intern. Med. 178（11），1544Go'ngoraAlonso，S.， delaTorre-Díez，I.，Hamrioui，S.， 例如，2018年心理健康中的数据挖掘算法和技术：系统综述。 J. Med. 系统四十二，一百六十一。哈特曼河，Sander，S.，Lorenz，N.，2019.利用通过移动设备收集的患者生成的数据。从对抑郁症的移动自我监测和自我管理应用程序的态度调查的见解。JMIRMent.健康6（4），e11671 doi 10.219611671 10.219611671。Iorfino，F.，Occhipinti，J.一、Skinner，A.，例如，2021.技术支持的护理协调在复杂的精神卫生系统中的影响：局部系统动力学模型。J.Med. Internet Res. 23（6），e25331https://doi.org/10.2196/25331。Kassianos，A.P.，Georgiou，G.，Papaconstantinou，E.P.，例如，2017.智能手机应用程序教育和帮助非激励患者坚持治疗心理健康状况的药物治疗：目的和功能。前面心理学，第8卷，1769年。https://doi.org/10.3389/fpsyg.2017.01769网站。Kim，H.，Bell，E.，金，J.，例如，2017. iCONCUR：临床数据和生物样本用于研究的知情同意书。 J. Am. Med. 告知。Assoc. 24（2），380-387。Li，H.，Mukherjee，D.，Basappa Krishnamurthy，V.，例如，2019.使用生态瞬时评估来检测双相情感障碍患者的情绪、睡眠和压力的变化。BMC Res. Notes 12，791.https://doi.org/10.1186/s13104-019-4834-7网站。Lupton，D.，2013.数字化参与的患者：数字健康时代的自我监测和自我护理。Soc.Theor. Health 11，256-270.卢克斯顿，D. D.，2014年。关于人工智能的道德使用和设计的建议智能护理提供者Artif 内特尔Med. 62 ，1-10。卢克斯顿，D. D.，安德森，S.L.，安德森，M.，2016.行为和精神卫生保健中的伦理问题和人工智能技术。在：LuX ton，D. D. （编辑），人工智能在行为和心理健康护理。学术出版社，伦敦，pp. 255-276等Martinez-Martin，N.，Kreitmair，K.，2018.直接面向消费者的数字心理治疗应用程序的伦理问题：解决问责制，数据保护和同意。JMIR Ment.健康5（2），e32。https://doi.org/10.2196/mental.9423网站。G. 鲁贝互联网干预28（2022）1005186Massoudi，B.，Holvast，F.，Bockting，C.L.H.，例如，2019年。有效性和成本-电子健康干预措施对初级保健中抑郁和焦虑的有效性：系统回顾和荟萃分析。 J. 感情。混乱245，728-743。Mittelstadt，B.D.，弗洛里迪湖2016年。大数据的伦理：当前和可预见的问题。生物医学背景。Sci. Eng. Ethics 22，303-341.摩尔，R.C.，德普，CA， Loebach Wetherell，J.， 例如，2016年。生态瞬时评估与标准评估工具，用于测量老年人的正念，抑郁情绪和焦虑。 J. 精神病医生Res. 75，116-123。Moran，E.K.，Culbreth，A.J.，Barch，D. M.，2017.精神分裂症阴性症状的生态学瞬时评估：与基于努力的决策的关系和强化学习 J. 异常。心理学。 126（1），96-105。Morch，C.M.，古普塔，A.，Misharad，B.L.，2020年。 加拿大协议：在自杀预防和心理健康中使用人工智能的伦理清单。Artif 内特尔108 ，101934https://doi.org/10.1016/j.artmed.2020.101934。Morley，J.，弗洛里迪湖2020.授权的局限性：如何重新定义移动健康工具在医疗生态系统中的作用。Sci. Eng. Ethics 26，1159-1183.Morley，J.，Machado，C.C.V.，Burr，C.，例如，2020.医疗保健中的人工智能伦 理 ： 映 射 审 查 。 Soc.Sci.Med.2020 （ 260 ） ， 113172https://doi.org/10.1016/j。 2020.113172.Ortiz，A.，Grof，P.，2016年。自我报告情绪的电子监测：主观的回归？国际双相情感障碍杂志。四，二十八。https://doi.org/10.1186/s40345-016-0069-X.Pihlaja，S.，Stenberg，J.H.，Joutsenniemi，K.，例如，2017.治疗联盟在指导抑郁症和焦虑症的互联网治疗方案--一项系统性综述。互联网访谈11 ，1-10。拉塞尔，文学硕士，Gajos，J.M.，2020.年度研究回顾：儿童心理学和精神病学的生态瞬时评估研究。 J. 儿童心理学精神病学61，376桑德湖，劳施湖，Baumeister，H.，2016.基于互联网的干预措施对预防精神障碍的有效性：系统回顾和Meta分析。JMIR Ment.健康3，e38.Schmietow，B.，Marckmann，G.，2019.移动健康伦理和自主权的扩大作用。医学保健哲学22 ，623-630。舒伯特，K. O.，Stacey，D.，Arentz，G.，例如，2018.缓解期重性抑郁障碍认知功能障碍的靶向蛋白质组学分析：多组学方法用于预测、预防和个性化精神病学的机会。J. Proteome 188，63史密斯，K.E.，Juarascio，A.，2019.从生态瞬时评估（EMA）到生态瞬时干预（EMI）：饮食失调门诊评估和干预的过去和未来方向。Curr.精神病学报告21，53。Tai，A.M.Y.，阿尔布开克，A.，Carmona，N.E.，例如，2019.机器学习和大数据：对精神病学疾病建模和治疗发现的影响。Artif内特尔99，101704。然后，J.，Paik，J.，Sadeh-Sha