综述：人工智能在青少年心理健康护理中的应用：当前应用与未来方向的系统性范围综述

这篇系统性范围综述全面评估了人工智能（AI）在青少年（10-19岁）心理健康领域的应用现状，涵盖诊断（89%研究）、治疗（11%）、监测（21%）和预后（6%）四大方向。研究揭示机器学习（ML）是主流技术（支持向量机占23%），但存在模型泛化性不足（97%使用现成模型）、报告透明度低（58%研究偏倚风险不明确）及人群代表性缺陷（仅38.6%报告种族信息）等挑战，强调未来需加强终端用户参与和伦理框架（如EDAI）应用。

　　

背景
青春期（10-19岁）作为神经发育关键期，全球约14%青少年存在未被识别的心理健康问题。COVID-19大流行使抑郁/焦虑症状翻倍，自杀成为15-19岁群体第四大死因。人工智能（AI）通过机器学习（ML）、自然语言处理（NLP）等技术，在精神健康领域展现出从早期筛查到个性化干预的全流程应用潜力。

方法学创新
研究采用Arksey-O'Malley框架结合Joanna Briggs研究所方法学，系统检索5大数据库至2024年7月。88篇纳入文献经四重独立筛选，使用预测模型偏倚风险评估工具（PROBAST）评估质量，其中58%存在方法学报告不透明问题。

技术应用图谱
诊断领域
78项研究聚焦AI辅助诊断，自杀行为（n=11）和自闭症谱系障碍（n=7）是主要靶点。美国团队开发的数字表型技术通过可穿戴设备捕捉情绪波动，对抑郁/焦虑障碍识别准确率达75%。中国研究者利用支持向量机（SVM）分析脑结构磁共振成像（sMRI），成功区分ADHD患者灰质体积差异。

治疗创新
10项研究探索治疗优化，如甲基苯丙胺疗效预测模型通过神经影像标记物实现精准用药。值得注意的是，结合谷歌眼镜的AI社交训练使自闭症青少年社交技能提升2.3倍（p<0.01）。

监测与预后
19项监测研究突出社交媒体分析的价值，ML模型通过语言模式预测自杀风险（AUC=0.82）。6项预后研究建立多模态预测体系，整合遗传-影像-临床数据预测物质滥用风险（F₁-score=0.89）。

现存挑战

1. 数据代表性缺陷：34项报告种族的研究中，白人占比超60%，黑人、原住民等群体数据不足
2. 性别盲区：50%研究未区分生物性别与社会性别因素
3. 模型透明度：仅22%研究符合低偏倚标准，38%仅用准确率单一指标
4. 临床转化瓶颈：97%使用现成模型，在真实临床场景中泛化性受限

未来方向

1. 跨学科协作：采用EDAI框架确保算法公平性，建立包含多元种族（如非裔、亚裔）的训练集
2. 技术拓展：从诊断主导（89%）转向治疗-预后全链条开发，探索大语言模型（LLM）在心理危机干预中的应用
3. 人机协同：通过用户中心设计（UCD）将医护人员纳入AI开发闭环，降低临床部署风险

伦理考量
研究揭示所有纳入文献均未提及数据隐私保护方案，凸显急需建立青少年专属的AI伦理指南，特别是在社交媒体数据挖掘（占数据源30%）等敏感领域。

该综述绘制了AI赋能青少年心理健康的技术路线图，强调唯有攻克数据多样性、模型可解释性、临床适用性三大堡垒，才能真正实现技术向临床价值的转化。