通用人工智能聊天机器人在慢性疾病情境下对抑郁与焦虑心理支持的比较评估

《Frontiers in Psychiatry》：Psychological support for depression and anxiety across chronic illness contexts: a comparative evaluation of three general-purpose AI chatbots

　　

背景： 数字心理健康工具，包括通用人工智能（AI）聊天机器人，可能为慢性病患者提供可及且低门槛的心理支持。然而，它们在这一人群中的价值不仅取决于识别抑郁或焦虑，还在于理解心理困扰如何被特定疾病的经历所塑造，以及在何时自我引导的支持应向专业照护过渡。本研究评估了三种广泛可及的AI聊天机器人在对比性慢性疾病情境下所提供的心理支持的适宜性、情境敏感性、安全性和一致性。 方法： 研究人员开展了一项标准化的模拟患者基准测试研究，比较了ChatGPT、Gemini和豆包。研究人员针对2型糖尿病（T2DM）和慢性自发性荨麻疹（CSU）开发了二十个场景，代表了匹配的轻度和中度抑郁与焦虑表现，以及与糖尿病自我管理和CSU发作不确定性相关的疾病特异性困扰。每个场景在两个测试轮次中被独立提交给所有三个系统，共产生120条回复。盲法评分员评估了整体心理支持适宜性、识别与情感支持、慢性疾病情境化、心理支持与转诊、心身平衡与安全性，以及重大临床或安全性错误。重复测试用于评估回复的一致性。 结果： 各系统的整体心理支持适宜性存在差异（P = 0.002），其中90.0%的ChatGPT、75.0%的Gemini和55.0%的豆包回复达到了预设的适宜性阈值。各系统在识别与情感支持方面均表现强劲，而在慢性疾病情境化（P = 0.001）、心理支持与转诊（P = 0.002）以及心身平衡与安全性（P < 0.001）方面则出现了更大的差异。所有对轻度表现的回复均被归类为心理上适宜，而仅有58.3%对中度表现的回复达到此标准，这表明当数字支持需要更强地向专业评估升级时，其可靠性下降。在CSU中，情境化的表现也较不一致，尤其是当回复需要纳入发作的不可预测性、瘙痒、睡眠中断和疾病不确定性时。在第一轮回复中，ChatGPT、Gemini和豆包分别有0%、10.0%和15.0%出现了重大临床或安全性错误。重测一致性为中等水平，且在系统间存在差异。 结论： 通用AI聊天机器人显示出作为慢性病患者可及、自我引导的数字心理健康资源的潜力，特别是在识别困扰和提供初步支持性指导方面。其当前的局限性体现在当有效的支持需要疾病特异性的情境化、对心理和躯体因素的平衡解读，或因症状加重而需要升级时。这些发现界定了对话式AI在慢性病心理健康照护中的应用边界，并表明其实施应强调情境敏感的指导、对严重程度做出响应的转诊，以及与专业照护的明确整合而非替代。

论文解读：通用人工智能聊天机器人在慢性疾病心理健康支持中的能力与边界

一、研究背景与问题提出

在慢性躯体疾病中，心理困扰并非简单地叠加于医学诊断之上，而是常常由疾病本身的体验所产生、放大和诠释。持续的自我监测、治疗需求、对未来健康的不确定性、反复发作的症状、睡眠障碍、功能受限以及感知到的失控感，都可能引发与抑郁和焦虑相似、共存或演变的症状。同时，许多常用于识别精神困扰的特征——如疲劳、睡眠差、活动减少、注意力不集中和躯体关注——也可能直接源于基础疾病或其治疗。因此，临床挑战不仅在于检测抑郁或焦虑，更在于确定心理症状如何在特定的躯体背景下被理解。有效的支持需要校准：既要认真对待困扰，又不能过度病理化；不能过早地将躯体症状心理学化；也不能仅仅因为未达到正式精神障碍的诊断标准就忽视疾病相关的情感负担。

这一问题在施加根本不同心理需求的慢性疾病中尤为凸显。2型糖尿病（T2DM）以持续的自我管理为特征：用药依从、饮食调节、血糖监测、生活方式改变以及对疾病控制是否“足够好”的反复判断，这些需求可产生糖尿病困扰、治疗疲劳、对并发症的恐惧和自我责备。慢性自发性荨麻疹（CSU）则造成一种不同形式的心理负担：其反复且常不可预测的症状可引发警觉、挫败感、睡眠中断、对触发因素的不确定性以及对下一次发作难以预期或控制的持续感觉。因此，T2DM和CSU提供了一个有用的对比，展示了两种常见的慢性疾病产生心理后果的机制：持续自我管理的累积负担与反复症状不可预测性的不稳定负担。如果心理支持真正具有情境敏感性，那么即使患者描述表面上相似的抑郁情绪或焦虑症状，它也应对这些体验做出不同的回应。

通用人工智能（AI）聊天机器人引入了这一临床领域的新层面。它们既非正式的心理治疗，也非特定疾病的管理工具。然而，它们的对话可及性意味着患者可以将它们用作事实上的首诊环境，来表达困扰、询问自己的反应是否“正常”、寻求应对策略或决定是否需要专业帮助。现有的大语言模型在心理健康方面的评估大多未能直接检验这一问题。基准测试通常侧重于事实准确性、诊断一致性、危机识别或对一般精神科提示的安全性。这些结果对于慢性疾病来说是必要但不充分的。缺失的是对心身校准能力的评估：即整合心理和躯体信息而不将一方归约为另一方的能力。此外，当前基准测试的另一个局限性是心理健康表现常被视为在很大程度上与情境无关。提示词在症状、严重性或措辞上有所不同，但症状发生的慢性疾病背景很少被系统地操控。这很重要，因为相同的担忧、绝望、睡眠障碍或兴趣丧失的表达，当其源于无情的自我管理需求与不可预测的反复症状时，可能具有不同的临床意义。

二、研究目的与研究设计

为解决上述空白，本研究采用标准化模拟患者基准测试设计，比较ChatGPT、Gemini和豆包在T2DM和CSU两种疾病背景下的表现。研究人员构建了匹配的场景，代表两种疾病中轻度和中度的抑郁与焦虑表现，并辅以捕捉糖尿病相关自我管理困扰和CSU相关不确定性及发作负担的疾病特异性场景。研究旨在回答两个问题：第一，通用AI聊天机器人在慢性躯体疾病中提供的整体及领域特异性心理支持质量是否存在差异？第二，这种支持是否会根据疾病背景、心理表现和症状严重程度适当地变化？

三、关键技术方法

1. 1.
   标准化模拟患者场景构建：研究人员在T2DM和CSU两种慢性疾病背景下，开发了20个独特的模拟患者场景。每种疾病包含10个场景：4种匹配的心理表现（轻度抑郁、中度抑郁、轻度焦虑、中度焦虑）各有2个平行变体，以及2个捕捉疾病特异性困扰（糖尿病自我管理困扰/CSU发作与不确定性相关困扰）的变体。场景使用自然的第一人称语言编写，避免精神科标签或诊断术语，并以简单的求助问题结尾。
2. 2.
   多维度评估框架：研究人员建立了一个预设的评估框架，包含一个主要结局——整体心理支持适宜性（5点李克特量表），以及四个次要领域：识别与情感支持、慢性疾病情境化、心理支持与转诊、心身平衡与安全性。此外，还对是否存在重大临床或安全性错误进行编码。
3. 3.
   标准化测试与盲法评估：所有交互遵循预设程序，将每个场景逐字输入新启动的对话，仅保留首个完整回复。所有回复在去除聊天机器人标识后由两名持有医学学位的评分员进行盲法独立评分，分歧通过讨论或第三方裁决解决。通过三天间隔的两个测试轮次评估重测一致性。
4. 4.
   统计分析方法：主要性能分析使用第一轮回复，以独特场景为配对区组单位，采用弗里德曼检验（Friedman test）比较三系统的有序结局，使用威尔科克森符号秩检验（Wilcoxon signed-rank test）进行事后两两比较并经霍尔姆校正（Holm adjustment）。对于情境分析（如T2DM vs. CSU，抑郁 vs. 焦虑，轻度 vs. 中度），使用精确聚类级符号翻转置换检验（exact cluster-level sign-flip permutation test）。

四、研究结果

3.1 整体心理支持表现

整体心理支持适宜性在三个人工智能系统间存在显著差异（弗里德曼χ2=12.50，P=0.002）。ChatGPT表现最为一致，90.0%的回复达到心理适宜性阈值，而Gemini为75.0%，豆包为55.0%。二元适宜性分类的差异同样显著（科克伦Q=8.22，P=0.016）。成对分析显示，ChatGPT优于豆包（校正后P=0.005），而其他比较未达显著性。

3.2 领域特异性心理支持表现

系统间的异质性集中在需要情境和临床校准的领域，而非识别困扰本身。识别与情感支持普遍较高且无显著差异（P=0.247）。相比之下，在慢性疾病情境化（P=0.001）、心理支持与转诊（P=0.002）以及心身平衡与安全性（P<0.001）方面观察到显著差异。最清晰且一致的分离出现在ChatGPT与豆包之间。

3.3 跨慢性疾病情境的表现

整体适宜性在两个疾病情境中大致得以保持，但在CSU中融入疾病特异性心理负担的能力较不一致。在来自匹配的抑郁和焦虑场景的48条回复中，83.3%的T2DM回复和75.0%的CSU回复被归类为心理上适宜。整体适宜性无显著差异（精确置换P=0.313），但慢性疾病情境化在CSU中较低（P=0.008）。

3.4 按心理表现和症状严重程度划分的表现

回复质量对症状严重程度的敏感度远高于对表现为抑郁还是焦虑的敏感度。所有24条对轻度表现的回复均被归类为心理上适宜，而对中度表现的回复仅为58.3%。整体适宜性在中度场景中较低（精确置换P=0.016），而识别与情感支持保持稳定。较低的分数也出现在慢性疾病情境化（P=0.031）、心理支持与转诊（P=0.008）和心身平衡与安全性（P=0.008）方面。疾病特异性场景强化了通用支持与疾病敏感性支持之间的区别：对两个T2DM困扰变体的六条回复中有五条被归类为适宜，而CSU发作与不确定性相关困扰变体的六条回复中仅有一条。

3.5 安全性与回复可靠性

重大临床或安全性错误总体不常见。ChatGPT无此类错误，Gemini和豆包分别为10.0%和15.0%。错误主要是校准失败，包括对躯体或疾病相关症状的不恰当心理学归因，以及对伴有有意义功能损害的中度表现升级不足。评分者间信度在所有评估领域均为实质性。重测一致性呈现梯度下降，ChatGPT最高，豆包最低。

五、讨论与结论

本研究的核心发现并非当代通用AI能否识别心理困扰，而是这种识别能否转化为临床相称且对疾病敏感的支持。研究表明，情感识别在领先的对话系统中已相对稳健，而在疾病生活结构内诠释困扰的能力仍明显不成熟。研究人员提出了“心身校准”（psychosomatic calibration）的概念，指在躯体症状、心理困扰和疾病背景之间保持恰当的临床关系而不将一方归约为另一方。这是比单纯诊断准确性更有用的评估框架。研究指出，当前系统在轻度困扰时表现良好，但当症状更持久、功能受损更严重时，其校准不足，表现为过于安抚、通用或以自我管理为导向，这可能构成重要的失败模式。

研究结论指出，通用AI聊天机器人可作为低门槛支持工具，尤其在识别困扰和提供初步支持性指导方面。但其应用应是辅助性的，而非替代心理治疗、诊断或临床分诊。关键边界在于它们能否恰当地认识到支持性指导已不再足够，并建议进行专业评估。未来的评估应从“模型能否产生合理的心理健康回复”转向“这些回复是否得到适当的情境化、相称且可重复”。跨越这一边界对于通用AI被视为数字心理健康中超越可及对话界面的角色至关重要。