《Computers in Human Behavior Reports》：Digital technologies and artificial intelligence in eating disorders: A scoping review of prevention, screening, and treatment approaches
编辑推荐：
进食障碍（EDs）普遍存在且常被漏诊，数字干预（digital interventions）可能减少预防、早期检测和照护的障碍。本项范围综述（scoping review）梳理了2015–2025年间发表的关于数字健康（digital health）和人工智能
进食障碍（EDs）普遍存在且常被漏诊，数字干预（digital interventions）可能减少预防、早期检测和照护的障碍。本项范围综述（scoping review）梳理了2015–2025年间发表的关于数字健康（digital health）和人工智能（AI）在进食障碍（ED）预防、筛查/评估、预测/监测及治疗中应用的研究。检索于2025年12月29日通过卡塔尼亚大学Primo VE发现服务进行，覆盖Scopus、PubMed、PsycArticles等数据库。研究人员采用人在回路（human-in-the-loop）工作流程对记录进行去重和筛选，大语言模型（Large Language Model, LLM）仅用于排序引文以供人工筛选；研究数据通过标准化表格提取并进行描述性综合。检索获得9390条记录，去除1845条重复后，剩余7545条唯一记录。筛选集中于前500条优先引文，评估191篇全文，最终纳入40项研究。纳入证据在数字技术（digital technologies, n=20；主要为网页/应用认知行为项目、筛查/分诊平台及虚拟现实干预）和人工智能（AI, n=20；主要为用于风险检测和预测的机器学习与自然语言处理方法，以及新兴的基于聊天机器人的支持）之间平分。证据异质性高且多处于早期阶段，外部验证有限，安全性和实施报告不均衡。未来工作应强调工作流整合评估、参与度和公平性，以及自动化工具的治理框架。
**1. 引言（Introduction）**
进食障碍（EDs）是一类以功能障碍性进食行为为特征的精神疾病，在DSM-5-TR中归类于“喂养与进食障碍”（FEDs）。这些障碍是影响青少年的最常见精神健康问题之一，且在COVID-19大流行后病例显著增加。EDs对身体健康和社会心理功能产生深远影响，常伴有显著的精神共病。尽管存在这些挑战，EDs仍常被漏诊和未治疗，患者等待治疗的时间较长。自我报告问卷可以低成本实施（包括在线方式），但依赖临床医生访谈和专科服务的路径可能受时间和资源限制。早期检测对改善结局至关重要，数字自我筛查工具为及时识别和转诊提供了有前景的途径。传统心理治疗仍是ED管理的基石，但常导致不一致的结局（如高脱落率和复发率）。数字健康（digital health）领域近年来取得显著进展，包括人工智能（AI）、虚拟现实（VR）和聊天机器人的发展。在ED背景下，数字干预有潜力减少寻求帮助的障碍、增强传统治疗、减轻症状并预防复发。本项范围综述旨在综合近期研究，提供对数字健康和AI干预措施在进食障碍中应用的广泛分析。
**2. 方法学（Methodology）**
**2.1 设计（Design）**：本研究采用范围导向的叙述性综合（scoping-oriented narrative synthesis）方法，以映射和描述数字技术与人工智能在ED背景下应用的相关文献。聊天机器人系统被视为AI领域内的一个独立子类别。报告遵循PRISMA-ScR建议。
**2.2 资格标准（Eligibility criteria）**：遵循PCC（Population, Concept, Context）框架。纳入2015–2025年发表的英文同行评审期刊文章和会议论文。纳入标准包括：针对ED相关人群（如临床ED样本、高风险个体等）；涉及数字技术（如eHealth/mHealth、应用、网页程序、VR、生态瞬时评估EMA、可穿戴设备等）或人工智能（如机器学习/深度学习ML/DL、聊天机器人、自然语言处理NLP、计算机视觉等）；技术在ED相关的预防、筛查、诊断、治疗、监测或复发预测中使用。排除标准包括：传统治疗的远程交付（如视频会议CBT）、非ED焦点、无技术成分、无ED背景等。
**2.3 信息来源（Information sources）**：通过卡塔尼亚大学发现服务（Primo VE）同时检索多个索引数据库，包括Scopus、PubMed、Health & Medical Collection、Wiley、PsycArticles和arXiv。
**2.4 检索策略（Search strategy）**：设计了三个互补检索字符串，分别针对数字技术、AI（排除聊天机器人）和聊天机器人。
**2.5 记录管理与去重（Record management and deduplication）**：对检索得到的引文进行聚合和去重，初始采用规则算法，随后导入Rayyan进行二次去重。
**2.6 筛选与优先排序策略（Screening and prioritization strategy）**：采用大语言模型（LLM）辅助的两步筛选过程。离线LLM对去重后的语料库进行相关性评分，仅用于排序引文以供人工筛选，不自动排除研究。对排名前500的引文进行标题/摘要级人工筛选，并由两位共同作者独立双盲复筛，争议由第三位共同作者裁决。通过全文评估后，纳入40项研究。对非优先集合进行了两项盲法质量审核，确认未优先集合中符合条件的文献比例极低。
**2.7 数据提取与综合（Data charting and synthesis）**：使用标准化表格提取数据，包括书目细节、人群/背景、技术类型、研究目的和主要结局。纳入研究分为数字技术和人工智能两大类别，聊天机器人作为子类别。以描述性方式综合发现。
**3. 结果（Results）**
**3.1 证据来源选择（Selection of sources of evidence）**：系统检索共获得9390条记录，去除1845条重复后，剩余7545条唯一记录。对前500条优先引文进行筛选，191篇全文评估后，40项研究纳入最终综合。两项盲法审核显示非优先集合中符合条件的文献比例极低（约1%和0%）。
**3.2 纳入研究特征（Characteristics of included studies）**：40项研究分为数字技术（n=20）和人工智能（n=20）两大领域，其中聊天机器人系统是AI域内的一个显著子群。研究覆盖预防、预测、筛查、治疗等多个使用场景，技术类型包括ML/NLP、VR/沉浸式、网页/应用、平台、聊天机器人等。
**3.3 证据来源中的批判性评估（Critical appraisal within sources of evidence）**：未进行单个证据来源的批判性评估，因为本范围综述旨在映射和描述文献，而非评估偏倚风险或证据确定性。
**3.4 预防、筛查与早期检测（Prevention, screening, and early detection）**：包括四个子领域：
- **3.4.1 机器学习（ML）用于风险预测（Machine learning for risk prediction）**：ML模型在利用丰富的个体内纵向数据（如生态瞬时评估EMA）时表现出较高准确性（如预测暴食、限制、催吐，准确率高达0.90），但依赖基线自我报告预测因子时性能有限（如预测暴食发作和持续性的AUC约0.61）。随机森林（random forest）等模型在纳入更广泛特征集后表现更好。
- **3.4.2 社交媒体分析与早期检测（Social media analysis and early detection）**：通过分析社交媒体文本（如Reddit中支持ED的论坛）进行主题建模和情感检测，识别出社会支持和体重讨论等主题。NLP分类器可标记需要即时支持的ED相关帖子。
- **3.4.3 AI辅助筛查工具（AI-assisted screening tools）**：通过特征选择或简版工具减少回答负担，如基于ML的三项列线图（FAST）用于快速筛查情绪性进食和食物成瘾。NLP框架可从用户生成文本中提取信息。
- **3.4.4 筛查与干预平台（Screening and intervention platforms）**：整合筛查、分诊和干预的在线平台（如大学范围的实施）可支持人群水平早期检测，并操作化转诊路径。
**3.5 数字与AI增强治疗干预（Digital and AI-enhanced treatment interventions）**
- **3.5.1 认知行为数字干预（Cognitive-behavioral digital interventions）**：基于网络的指导性自助（GSH）增强认知行为疗法（CBT-E）在暴食障碍（BED）中显著减少客观暴食（Cohen’s d=1.0），48%达到戒断；对于神经性贪食（BN），无指导网络CBT自助减少了暴食和整体ED症状，但对代偿行为影响有限；手机辅助CBT-GSH相比传统方式显著减少暴食发作，并提高进餐依从性。
- **3.5.2 针对高体重的联合数字干预（Combined digital interventions for high body weight）**：联合CBT与行为减重（BWL）内容减少了ED精神病理学，但未产生优于单独CBT的体重结局。
- **3.5.3 虚拟现实（VR）与沉浸式技术（Virtual reality and immersive technologies）**：VR干预通过全身体错觉（Full Body Illusion）改善体型估计失真，通过“身体交换”方法更新扭曲的身体表征。随机试验显示VR身体暴露减少了体重增加恐惧和身体形象障碍。VR线索暴露可减少渴求，用于治疗抵抗性BN/BED时显示优于额外CBT的戒断率。VR“慢跑”暴露用于习惯化运动冲动，VR联合眼动追踪用于注意力偏倚修正（ABMT），以及基于化身的治疗（AVATAR therapy）用于处理ED声音相关的痛苦。
- **3.5.4 AI驱动的个性化与预测（AI-powered personalization and prediction）**：AI在ED照护中整合多模态数据以支持精准方法（风险建模、治疗计划、复发预测）。实证比较表明ML相对于传统回归的增量增益较小。基于规则的聊天机器人（ED ESSI）单次干预在等待名单人群中减少了ED病理和痛苦，并提高了后续治疗接受率。生成式AI（如DALL·E 3）用于视觉引发以支持情绪外化。
- **3.5.5 专门数字应用（Specialized digital applications）**：基于技能的手机程序（如辩证行为疗法DBT技能应用）在重复暴食中减少了暴食发作，但存在高脱落率。在神经性厌食（AN）中，基于手机的趋近-回避偏倚修正训练未优于虚假训练或常规治疗。ML聚类用于推导多维“进食者剖面”，以匹配跨诊断模式的数字组件。
**3.6 社交媒体（Social media）：风险放大与干预机会**：社交媒体暴露是饮食失调的上下文风险因素，外观相关的社会比较与饮食失调精神病理学密切相关。Instagram与饮食限制特别相关。社交网络分析显示节食限制和暴食相关动态是核心节点。支持恢复的社区（如TikTok）结合了同伴支持与叙事，AI方法可从用户生成内容检测风险信号。
**3.7 方法学考虑与比较有效性（Methodological considerations and comparative effectiveness）**：AI/ML模型复杂性不自动带来临床上有意义的增益，与回归模型相比性能相当。早期响应和心理社会变量是最有信息的预测因子。在数字干预中，纳入使用变量显著改善了参与度预测，支持数字表型分析。
**3.8 伦理、安全与偏倚考虑（Ethical, safety, and bias considerations）**：大语言模型（LLMs）可能再现评估输出中的偏倚（如性别偏倚）。健康相关聊天机器人的安全故障需要健壮的保护措施，提出模块化安全中间件结合确定性过滤器和LLM策略检查。数字干预在整合到临床路径时可能支持持续照护，但效果不保证（如数字后护理增强未显著改善结局，且成本效益低）。
**4. 讨论（Discussion）**
**4.1 证据总结与解读（Summary of evidence and interpretation）**：预防和早期检测方面，NLP模型用于风险识别和筛查基础设施整合。预测和监测方面，EMA和纵向建模显示短期症状预测的潜力，但数据质量和特征丰富性比算法复杂性更重要。治疗方面，数字交付保留核心循证机制（如结构化CBT成分）时证据最强，VR范式在身体形象和线索暴露目标上显示临床相关信号。患者面对自动化在聊天机器人和生成式AI协议中正在兴起，但应在明确安全约束下进行。
**4.2 设计与实施启示（Implications for design and implementation）**：参与度是反复出现的挑战，支持混合模式（数字组件与临床医生或教练支持配对）。整合接受度和参与度框架（如TAM和说服性设计原则）可能有助于对齐可用性与临床目标。可扩展筛查平台操作化分诊和转诊，但将瓶颈转移到下游照护能力。
**4.2.1 生活经验与共同生产（Lived experience and co-production）**：数字和AI工具的部署应纳入与有进食障碍生活经验的人的共同生产，以及临床医生、研究人员、数字专家和监管者。这对定义可接受风险阈值、安全特征（如危机升级和内容审核）和公平敏感的设计选择至关重要。共同设计的评估结果（如感知安全、自主性和信任）可提高参与度指标的可解释性。
**5. 结论（Conclusions）**：数字和AI驱动的进食障碍方法现在覆盖预防、筛查、预测、监测和治疗，但许多技术先进工具缺乏转化为连贯的端到端照护路径。下一步重点是加强外部验证和报告，在工作流整合的实用研究中评估这些工具，并为自动化系统实施明确的安全和治理，同时进行纵向评估。
