人工智能辅助分诊在荷兰精神卫生保健中的瓶颈与机遇协同制图

《Proceedings of the Design Society》：Collaborative mapping of bottlenecks and opportunities for AI-supported triage in Dutch mental healthcare

　　

本研究探讨人工智能在减轻资源负担和支持荷兰全科二级精神卫生保健服务提供服务流程中的作用。通过半结构化访谈（semi-structured interviews）领域专家并以服务蓝图（service blueprinting）作为刺激材料，研究人员识别了精神卫生保健路径中的挑战与瓶颈，以及干预机遇。研究人员提出四个干预方向，供设计研究人员和开发人员原型化与评估人工智能技术如何缓解精神卫生保健中的容量问题。

本研究聚焦于荷兰精神卫生保健领域，旨在探索人工智能（AI）技术如何通过优化分诊与引导流程来缓解当前系统面临的资源压力。研究背景源于荷兰精神卫生保健可及性危机：每年约五分之一的人口经历精神健康问题，且常呈现共病模式；抑郁症治疗获取率在高收入地区仅为51%，而荷兰本土仅33%的患者能在政府规定的4周内接受首次 intake 访谈（Nederlandse Zorgautoriteit, 2024）。与此同时，全科医生（GPs）、市政府及二级精神卫生保健提供者均观察到精神卫生投诉的持续上升（Ministerie van Volksgezondheid, Welzijn en Sport et al., 2022）。据预测，若不改变现状，2041年荷兰四分之一的劳动力需从事医疗保健工作，故单纯扩充人力资源不可持续。现有文献多关注个体层面福祉干预以协助专业人员管理压力，但组织层面的减负干预开发有限。

研究人员选取一家提供中等复杂度患者全科二级精神卫生保健服务的荷兰机构为情境，采用服务设计方法，以整合保健路径（ICPs）理念为框架，聚焦AI辅助分诊与 patient signposting 的机遇。研究问题包括：当前高效获取二级全科精神卫生保健服务的瓶颈为何？以及可通过哪些AI辅助服务流程原型探索挑战、提出设计问题？

研究方法上，研究人员开展描述性研究，对6名领域专家进行半结构化访谈，包括3名该机构研发与管理关键决策者，以及3名具有荷兰全科或专科精神卫生服务经验的外部专家。访谈遵循生成式设计研究的"表达路径"（path of expression），首先引导参与者反思患者旅程（如GP转诊、 screening、治疗及进一步转诊阶段），进而探讨劳动密集型流程及当前瓶颈，最后讨论AI解决方案的采纳愿景。访谈过程中，服务上下文关于护理旅程图表被用作激发工具——该图表最初基于公开信息构建，包含四类卡片：橙色照护阶段卡片、蓝色利益相关者卡片、棕色数据来源卡片与绿色接触点卡片，经参与者迭代修正后用于标注各阶段瓶颈与挑战。录音转录后采用归纳式编码，聚焦服务蓝图修改与挑战/瓶颈两类引用，经聚类后推导出"设计要求"，进而形成四个干预方向。最终，干预方向在包含区域保险公司与该精神卫生机构利益相关者的多学科会议上呈现并整合反馈。

研究结果呈现四个干预方向。第一，"精神卫生路径导航"（Mental wayfinding），针对转诊与 intake 流程中的挑战，包括转诊信质量参差不齐、排除标准识别低效导致等待时间过长，以及部分患者经长时间等待后实际需社会保健或更专科精神卫生服务而非全科精神病学。该方向要求标准化转诊质量、识别潜在问题或向筛查专员反馈适当转诊建议，例如探索自然语言处理（NLP）模型综合分类GP咨询记录以识别社会保健或精神科治疗需求的系统特征?????。

第二，"优化筛查"（Optimised screening），聚焦手动行政筛查负担过重，以及GP因时间压力倾向于不确定状态下转诊的问题。标准筛查问卷未能全面捕捉患者生活情境，需与GP转诊信等其他数据来源整合。未来研究可探索结合GP转诊信与精神卫生问卷等现有数据来源的机器学习方法，为适当保健路径提供推荐，同时需确保机器学习模型建议对医疗专业人员的可解释性（explainability）。

第三，"个性化电子健康"（Personalised eHealth），针对电子健康模块中患者分层不足的问题。参与者强调需根据患者偏好提供个性化数字保健，同时专业人员需理解电子健康系统的价值与必要参与度。研究方向包括探索如何为个体患者提供响应性自适应电子健康模块、如何在遵守既定协议前提下进行数字监测的协同设计。具体而言，可研究基于检索增强生成（retrieval augmented generation, RAG）架构的AI智能体，根据患者不同情境和需求调整电子健康模块内容（如睡眠剥夺者推荐睡眠专项模块）。该方向同时引发个性化与标准化保健之间的平衡问题，以及数字保健路径患者资格判定问题。

第四，"预防性辅导"（Preventive coaching），处理与GP护理沟通及转诊回初级保健的挑战，特别是低严重程度状况患者缺乏正式接触点，导致其返回已超负荷的GP处寻求其他全科精神科机构转诊。进一步研究可探索如何为不符合二级精神卫生保健服务资格的患者提供相关应对策略，以及在患者问题根源不明时收集额外数据。具体可研究基于机器学习的推荐系统（recommender systems），利用个体偏好与生活方式数据检索轻度应对策略，并允许个体控制输入系统的数据。

讨论部分，研究人员指出服务蓝图有效支持了多元领域专家参与，以界定质量改进的未竟机遇，但结果受限于小样本量，仅可推广至荷兰其他全科二级精神卫生保健机构，不可推广至专科精神卫生服务，且不能视为系统性挑战的独立解决方案——服务效率低下无法仅通过标准化或自动化流程解决。多学科会议中，利益相关者认同AI算法应通过循证电子健康项目实现"以更少资源提供更多保健"的目标；"个性化电子健康"方向引发最大兴趣，参与者认为其可增强患者参与度和治疗依从性，从而减少检查频次与心理师/治疗师的不必要介入。文献支持利用数字工具收集数据以提升精准精神卫生保健（Bickman et al., 2016; Moggia et al., 2024），数字孪生（digital twins）技术亦展现提供个性化治疗与辅导的潜力（Kamel Boulos & Zhang, 2021）。

尽管初始焦点为数字分诊，研究从更广泛服务视角发现AI技术的重要方向在于根据参与偏好和个人情境调整治疗内容，这可视为将患者引导至特定治疗内容的路径标示。既往研究表明参与模式可影响治疗结局，个性化数字治疗可能带来更好依从性与结局，但最终效果仍需进一步验证。研究人员提出未来研究需探究AI个性化电子健康模块能否减少康复延迟、加速患者流动，以及AI技术整合于在线治疗模块增强患者自我管理能否促进同等人力资源下治疗更多患者。

同时，AI技术在精神卫生治疗路径中的应用引发偏见风险、透明度与问责制关切。AI工具可能基于不准确和偏见数据构建，导致诊断不平等、风险检测偏差及人口学偏见的再生产。例如，基于未经证成刻板印象调整治疗内容可能恶化特定群体的治疗结局。因此，AI支持的数字精神卫生保健路径设计应置于标准化协议框架内，确保临床监督——因从业者更了解情境因素，并纳入健康公平视角以确保个性化机制服务于边缘化群体。未来研究应持续探索开发分诊、筛查和治疗内容个性化策略的设计过程与框架，将算法偏见与健康公平纳入考量。

研究结论部分翻译如下：在本项描述性研究中，研究人员使用基于服务蓝图支持的半结构化专家访谈，初步概述了AI技术如何在考虑现有制度安排和服务流程的前提下，创新荷兰从全科实践到二级全科精神病学服务的服务旅程。从AI辅助分诊与引导的理念出发，研究人员沿服务蓝图映射了瓶颈与挑战，并为关注AI辅助精神卫生服务的设计研究人员以及精神卫生临床实践AI工具开发人员提出了四个干预方向。研究人员发现，AI技术的有前景方向包括：改进需要精神或社会保健支持的患者病例分类、结合不同数据来源以加速筛查流程、研究如何提供个性化治疗模块，以及支持将患者转诊回初级保健的流程。AI开发人员和设计研究人员在探究这些方向时，应同时在开发过程中探索如何保持人工监督、必要的标准化程度以及健康结果的公平性。