编辑推荐：
围产期心理健康仍然是一个关键的全球性挑战，孕产妇死亡率、早产以及护理中的持续性差异导致了母亲的不良结局。此外，围产期心理健康问题与幼儿较差的发育结局相关，并给社会带来经济负担。解决这些问题需要创新的方法，以补充传统的临床实践。人工智能（AI）已成为一种强大的工
围产期心理健康仍然是一个关键的全球性挑战，孕产妇死亡率、早产以及护理中的持续性差异导致了母亲的不良结局。此外，围产期心理健康问题与幼儿较差的发育结局相关，并给社会带来经济负担。解决这些问题需要创新的方法，以补充传统的临床实践。人工智能（AI）已成为一种强大的工具，通过实现早期风险预测、个性化干预和可扩展的支持系统，有潜力改变围产期护理。然而，目前尚无关于AI在不同围产期心理健康阶段应用的综述。研究人员最后呼吁临床医生、研究人员、政策制定者和技术开发人员合作，制定一个共识框架，确保AI在围产期护理中的伦理、安全和公平整合。
**1. 引言**
围产期健康是一个关键的全球优先事项，涵盖从孕前到产前、产时、产后和新生儿护理的连续过程。尽管母婴健康取得了进展，但仍存在持续挑战，包括许多地区不可接受的高孕产妇死亡率、早产导致的大量发病率和死亡率，以及优质护理获取方面的显著不平等。围产期心理健康障碍，尤其是抑郁和焦虑，显著加重了这一负担，并受到社会经济差异和系统性差距的影响，这些差异不成比例地影响弱势群体。围产期抑郁和焦虑在全球普遍存在，产后第一年内，超过10%的母亲会经历抑郁，约15%会经历焦虑。仅使用诊断性访谈的荟萃分析发现，产后第一年内重度抑郁障碍（MDD）的时期患病率为7%，所有抑郁为12.1%。相比之下，系统性综述的综述报告，基于自我报告测量的估计值（27.4%）高于结构化访谈（17%）。世界卫生组织估计，全球10%的孕妇和13%的产后妇女经历精神障碍，主要是抑郁障碍，患病率在低收入和中等收入国家（约20-30%）以及农村、移民和较低社会经济群体中往往更高。产后抑郁影响女性的身体、情感和精神健康，并损害其与伴侣和婴儿的关系。此期间母婴互动的中断可能损害最佳发育，并对儿童结局产生长期影响。更广泛地说，围产期护理与多种风险交织，包括发病率和死亡率、早产、妊娠并发症以及严重精神健康状况（如精神病），强调了及时检测和有效支持的必要性。然而，由于污名化、资源有限以及传统筛查方法的不足，围产期心理健康状况仍然未被充分识别和治疗。这往往延长了母亲健康不良、亲子依恋受损和儿童发育不良结局的循环。解决这些挑战可能需要超越传统临床实践的创新方法。人工智能（AI）已成为一种变革性工具，有潜力解决围产期护理中的许多这些差距。AI可以更早地识别风险因素，对患者进行分层以进行个性化干预，并支持精准医学方法。AI应用在预测不良结局（如子痫前期和早产）、自动化工作流程以缓解劳动力短缺、增强不同护理环境中的决策以及改善依从性方面显示出前景。然而，这些机会伴随着几个挑战，包括临床医生和用户对AI方法的理解不足、算法偏差、伦理使用、患者安全以及临床环境中缺乏实施。最近的一项范围综述绘制了基于AI检测和预测产后抑郁（PPD）方法的文献，但未涉及AI在围产期心理健康中的更广泛潜力和风险。本综述涵盖了所有阶段的围产期心理健康，包括产前、产时、产后和新生儿阶段，并考虑了AI模式，包括机器学习、深度学习、生成式AI和临床决策支持。本综述的目标是综合AI在围产期心理健康中应用的证据，突出新兴机会和未来AI创新的潜力，识别关键挑战，并提供未来研究方向以解决实施挑战。
**2. 材料与方法**
研究人员进行了叙述性文献综述，综合了关于AI在围产期心理健康中应用的同行评审研究、系统性综述以及政策和标准文件。就本综述而言，围产期心理健康包括抑郁（产前和产后）、焦虑障碍、精神病、创伤后应激障碍（PTSD）以及妊娠期或产后12个月内发生的其他情绪障碍。
**2.1. 检索策略**
进行了针对性检索，以识别2015年至2025年12月期间的出版物，该时间段旨在捕捉临床AI和AI驱动的健康应用的出现和增长。在稿件修订期间，识别并纳入了2026年初发表的少量额外关键论文，以确保综述反映最新和最相关的证据。该检索方法旨在支持全面的叙述性综合，而非正式的系统性综述，并不旨在产生符合完整PRISMA报告要求的详尽证据图谱或荟萃分析。检索了以下数据库：PubMed/MEDLINE、Embase、CINAHL、PsycINFO、Scopus、Web of Science和IEEE Xplore。使用Google Scholar扩大覆盖范围。灰色文献和预印本来源包括medRxiv、bioRxiv和arXiv。还咨询了与安全、公平和部署相关的国际指导文件（如WHO AI伦理指南和FUTURE-AI共识声明）。检索词结合了受控词汇（如MeSH和Emtree标题）与自由文本关键词，使用布尔运算符、邻近运算符和截词。AI相关术语包括：人工智能、机器学习、深度学习、神经网络（卷积、循环和基于Transformer的网络）、自然语言处理（NLP）、生成式AI、大语言模型（LLMs，如ChatGPT、Copilot和Claude）、临床决策支持系统、电子健康记录（EHRs）、被动感知、可穿戴设备和数字表型。围产期心理健康术语包括：围产期、妊娠、产前、产前、产后、产后、母亲、抑郁、MDD、心境恶劣、焦虑障碍、情绪障碍、精神病和PTSD。在补充材料中提供了代表性的PubMed检索字符串。为确保全面覆盖，研究人员通过手动检索参考文献列表、前向和后向引文追踪以及筛选会议摘要和论文集来补充电子检索，以捕捉尚未在主要数据库中索引的新兴应用。
**2.2. 纳入标准**
如果研究是实证定量、定性或混合方法研究；系统综述、范围综述或叙述性综述；或官方政策和标准报告，检查AI或机器学习在妊娠期或产后12个月内围产期心理健康中的应用，则纳入研究。符合条件的AI应用涵盖筛查和风险预测（例如，使用EHR数据的模型）、监测（例如，可穿戴设备或智能手机传感）、对话代理和基于应用程序的干预、临床决策支持以及自适应或简化筛查工具。如果研究关注非围产期人群且未提供分层围产期结果，解决产科结局但无心理健康成分，是非分析性观点文章或评论，或同一数据的重复报告，则被排除。
**2.3. 数据提取与综合**
从每篇纳入记录中提取以下信息：人群和背景；数据来源（例如，EHR数据、患者报告结局、社交媒体、音频数据、可穿戴设备和智能手机信号）；AI方法（例如，机器学习和深度学习模型类别、大语言模型和可解释AI技术）；任务和结局（例如，受试者工作特征曲线下面积（AUROC）、曲线下面积（AUC）、校准、症状变化、用户参与度）；实施考虑因素（例如，公平性指标、透明度和隐私）。使用主题综合整合发现。鉴于叙述性综述设计以及研究设计、人群和终点的异质性，未进行正式荟萃分析。研究人员也未使用MINORS、PROBAST或类似工具进行正式的研究质量评估或偏倚风险评估。相反，对研究局限性进行了叙述性综合，关注研究设计、样本代表性、验证、报告透明度和临床适用性等问题。
**3. 结果**
**3.1. 围产期心理健康中使用的AI方法**
本综述识别出越来越多的证据，证明AI在解决围产期心理健康护理关键差距方面的潜力。尽管使用了不同的AI方法，但更有意义的区别通常在于所分析的数据类型，例如结构化临床记录、非结构化文本、智能手机衍生的行为数据和可穿戴生理信号，这些数据塑造了预测、监测和干预任务。从妊娠到产后时期的连续过程中，几种AI方法显示出有希望的结果，包括以下内容。机器学习（ML）是AI的一个子集，算法从数据中学习模式以进行预测或决策，无需显式编程。最近的研究表明，ML模型可以分析EHRs、人口统计学变量和可穿戴传感器数据，以预测围产期抑郁和焦虑的风险，从而更早地识别弱势母亲。Wong及其同事报告称，基于常规收集的EHR数据训练的ML算法能够预测美国医院环境中的产后抑郁，从而促进对高风险个体的及时随访。在一项回顾性队列研究中，Shin等人使用人口统计学、产科和社会心理变量评估了九种算法以分类PPD状态，得出结论称，从妊娠风险评估监测系统数据开发的预测模型可作为可扩展的筛查工具，以识别PPD风险升高的女性。Huang及其同事应用ML技术，使用主要为低收入黑人和拉丁裔女性服务的医院的EHR数据构建了产前抑郁预测模型。他们的发现识别了已确定和未充分探索的风险因素，重要的是，揭示了模型性能中的种族差异，黑人和拉丁裔女性的预测准确性低于白人女性。自然语言处理（NLP）是AI的一个跨学科领域，使计算机能够以有意义和有用的方式理解、解释和生成人类语言。NLP通过自动化非结构化文本（如临床笔记和社交媒体帖子）的分析，扩展了AI在围产期心理健康中的范围，以揭示可能未被检测到的微妙语言困扰标志。Bartal等人评估了ChatGPT和textembeddingada002（ADA）模型在识别产后创伤后应激障碍方面的性能。通过分析1295名女性的叙述特征，包括故事长度、负面情感语言和死亡相关术语，作者证明这些模型能够可靠地对患有PTSD的女性进行分类，从而为早期干预提供机会，并可能规避症状的低估。类似地，Allen等人分析了2062名女性的妊娠应用程序数据，包括每日情绪追踪和书面笔记。使用NLP提取语言特征，他们的模型在EPDS筛查前30-60天预测抑郁，准确率高达83%。最近一项关于生成式AI治疗聊天机器人（“Therabot”）的随机试验报告，与等待名单对照组相比，治疗后4周抑郁和焦虑症状显著减少。参与度很高（平均使用：4周内超过6小时），参与者评价治疗联盟与人类治疗相当。因此，NLP支持的临床笔记和患者生成内容的文本分析能够实现可扩展的筛查和母亲心理困扰的早期检测。数字表型收集主动数据（来自用户的调查和应用程序输入）和被动数据（GPS移动性、加速度计活动、睡眠模式、社交媒体使用、通话/短信频率和心率），以实现实时行为和生理监测。它利用智能手机和可穿戴设备捕获行为和生理信号，提供母亲情绪和功能的连续监测。Bilal及其同事开发了Mom2B应用程序，该应用程序在瑞典女性中收集整个妊娠期和产后时期的心理和身体健康、生活方式、社交环境、语音记录和智能手机活动（基于GPS的移动性、社交媒体使用和认知模式）。该应用程序使用ML模型从妊娠早期数据预测妊娠晚期围产期抑郁风险。初步报告表明，基于应用程序的数字表型对于监测健康以及提供一般和个性化围产期信息是可行且可接受的。Krohn及其同事在美国26名抑郁高风险产后女性中试点基于应用程序的生态瞬时评估。通过移动应用程序收集每日自我报告情绪，同时通过Apple Watch收集加速度计、心率和睡眠模式。两种数据收集方法都是可接受的，参与者重视实时自我监测的洞察。Tang及其同事报告了日本一项试点的早期发现，使用iOS智能手机传感器追踪位置变化（GPS）、身体活动（加速度计）、睡眠模式、通话/短信频率和应用程序使用情况，以检测21名女性的PPD。他们的初步数据表明，ML模型显示活动性和活动水平降低以及睡眠中断与抑郁评分相关。Hurwitz及其同事探讨了是否可以使用Fitbit数据检测PPD，使用了16个被动生物标志物（心率指标、步数、活动分钟数和包括基础代谢率在内的卡路里）。变量重要性显示，基础代谢率（BMR）是PPD最具预测性的数字生物标志物，其次是心率测量和轻度活动分钟数。早期研究表明，数字表型对女性是可接受的，并可用于促进早期干预的风险分层。类似地，移动传感技术和可穿戴设备追踪睡眠、活动和沟通模式，以识别与围产期抑郁相关的变化，提供可扩展的实时监测解决方案。Van Heerden及其同事将智能手机被动感知与儿童佩戴的蓝牙信标整合到24名接受抑郁治疗的尼泊尔产后女性中。这些作者报告，抑郁症状改善更大的女性表现出每日移动距离增加、与婴儿近距离接触时间减少，同时语音活动增加。图1展示了围产期心理健康中AI方法、输入和临床用途的模型。综上所述，这些进展标志着围产期心理健康护理的范式转变，从偶发的、自我报告的筛查转向动态的、数据驱动的个性化支持模型。如补充表S1所示，模型性能因数据源、人群和方法而异，报告的AUC值范围约为0.61至0.89。然而，许多研究使用了回顾性或单中心数据集，且外部验证有限。来自特定文化和未充分服务人群的研究表明，应评估各亚组的性能，关注校准、公平性和样本多样性。
**3.2. AI在围产期心理健康中的新兴工作**
AI整合到围产期心理健康中是一个新兴研究领域，有潜力显著改善妊娠期和产后时期心理健康挑战的识别、预防和治疗。证据基础可能仍被视为新兴，因为以下引用的许多研究是试点或可行性研究、观察性或预测建模研究、方案、预印本或综述，而非大规模确定性随机对照试验，仅少数充分有力的RCT在下面讨论。AI工具正在被探索以满足围产期个体的独特心理健康需求，利用高级分析、个性化干预和连续监测。该领域的最新进展集中在几个关键领域，包括早期风险检测、虚拟咨询、情绪和情感分析、个性化支持、健康监测和决策支持（图2）。早期风险检测：AI驱动的早期风险检测模型正在彻底改变妊娠期和产后时期心理健康风险的识别。预测分析和风险评估模型正在开发中，以识别PPD、焦虑和精神病等疾病风险较高的个体。这些AI工具利用来自EHRs、调查、问卷、可穿戴传感器和数字足迹的数据，分析趋势和模式，在潜在心理健康问题变得严重之前标记出来。AI在围产期心理健康中的前景得到了预测PPD和焦虑风险的强大预测性能（AUC 0.61至0.89）的支持。如补充表S1所示，早期风险检测研究通常报告有希望的区分能力，但许多仍受限于单中心设计、回顾性数据、有限的外部验证以及跨人群公平性的不完整评估。重要的是，开发以公平为中心的偏差缓解模型可以减少风险识别中的文化差异。早期检测可以导致及时干预并增强现有干预，减少心理健康问题的严重性并改善整体母亲健康。情绪和情感分析：基于AI的情绪识别和情感分析工具正在开发中，以评估和监测妊娠个体的情绪状态。NLP通过患者生成的文本（如论坛帖子和社交媒体）在检测围产期抑郁方面显示出前景。通过分析文本、语音和面部表情，AI工具可以检测情绪波动、压力水平和情绪困扰，这些可能表明心理健康问题的早期迹象。语音生物标志物已引起兴趣，作为低负担、语言无关的抑郁筛查工具。一项大型众包研究发现，25秒的自由语音预测抑郁（PHQ-9 ≥ 10）的敏感性约71%，特异性约74%，表明对围产期护理的潜力。这些工具可以整合到移动应用程序或可穿戴设备中，以提供实时洞察和干预。例如，由AI驱动的应用程序可以监测语音语调或书面沟通，以检测抑郁或焦虑的迹象，促使医疗保健提供者及时干预。监测和可穿戴设备：智能手机和消费级可穿戴设备能够被动、连续地监测与压力、焦虑和情绪变化相关的睡眠、身体活动、心率变异性（HRV）、移动性和屏幕使用行为。使用Fitbit等设备的研究表明，静息心率和睡眠的妊娠相关轨迹，强调了跨妊娠期和产后时期纵向、居家监测的可行性。可穿戴设备生成的生理信号提供了一种非侵入性方法，监测妊娠相关的生理和行为变化，这些变化与激素变化一致。使用智能手机衍生的行为数据进行数字表型在精神病学研究中已取得显著进展。补充表S1显示，可穿戴设备和被动感知研究仍大多处于早期阶段，可行性和可接受性数据强于临床有效性或现实世界实施的证据。新兴的围产期研究表明，智能手机活动模式可能有助于识别情绪失调并支持早期风险分层，尽管精确的实时情绪预测仍然有限。数字表型、移动感知和自我报告情绪数据的ML分析可以提供母亲情绪和功能的连续实时洞察，从而实现主动、动态的支持，而非仅依赖偶发筛查。决策支持：AI可以支持围产期心理健康中的临床决策，提供实时决策辅助和治疗建议，例如检测异常胎儿心率和管理分娩。AI算法可以分析大型数据集，包括患者病史、医疗记录和症状追踪，以协助临床医生就治疗方案和抑郁症状做出基于证据的决策。在围产期环境中，新兴工具包括Maternity Case-finding Help Assessment Tool，该工具使用PHQ-2进行电子筛查，阳性病例随后使用PHQ-9，而其他聊天机器人显示出高用户满意度和重新参与度。更先进的系统，如研究人员的“围产期识别、转诊和综合管理改善抑郁”（PIRIMID），超越了筛查，结合了结构化案例制定并提供了定制的管理建议，与国家最佳实践指南一致。个性化支持：AI通过整合个体临床病史、社会心理背景和实时行为数据，实现了更个性化的围产期心理健康护理，以定制干预措施。预测模型可以支持与个体风险概况、文化背景和治疗偏好一致的精准护理路径。AI驱动的心理健康应用程序越来越多地提供定制的治疗内容，如认知行为疗法（CBT）练习、正念策略和适应用户情绪状态的自我护理指导。随着传感和建模能力的进步，正在开发及时适应性干预，以在脆弱性增加的时期（如睡眠中断或产后早期调整）提供上下文感知支持，正在进行的试验评估有效性和最佳交付时机。偏差缓解策略已增强了跨种族群体的公平性，而简化的筛查方法，如筛查工具的简化简短版本，在不牺牲准确性的情况下显示出提高可扩展性的一些前景。虚拟咨询：由AI驱动的虚拟咨询平台，包括聊天机器人和基于应用程序的CBT，正在成为围产期心理健康支持的可扩展方法，特别是对于面临地理、劳动力或后勤障碍的个体。这些工具提供心理教育、情感支持以及应对妊娠期和产后时期压力、焦虑和抑郁的策略。早期研究显示出混合效果：在低症状人群中临床益处有限，而在高参与度下症状改善更大，表明可能存在剂量反应效应。然而，AI在围产期心理健康中的潜力可能超越独立的聊天机器人咨询。一个更有前景的方向是使用AI来补充和增强现有的循证数字干预。证据表明，额外的支持（如辅导）可改善数字心理健康项目的参与度和结果。例如，MumMoodBooster试验的最新发现表明，在数字CBT基础上接受辅导支持的女性比仅使用该项目的女性参与度显著更高。由AI驱动的工具可以在规模上发挥类似的辅助作用，提供及时的提示、个性化鼓励和进度监测，而无需给已经紧张的劳动力增加额外负担。ML算法可以通过根据个体症状轨迹和参与模式定制内容和交付，进一步优化这些项目，优化治疗强度并识别有脱离风险的个体。提示工程是医疗保健和数字心理健康中大语言模型输出准确性、一致性和安全性的重要但常被低估的决定因素。来自健康应用的证据表明，精心构造和迭代优化的提示可以提高与临床意图的一致性，增加模型生成响应的有用性，并减少不可靠或偏离目标的输出。这对于围产期心理健康聊天机器人和虚拟咨询工具尤为重要，因为不明确的提示可能增加不适当、不具体或潜在不安全响应的风险。最近关于系统提示优化的研究，包括几何提示优化框架，表明提示设计可以以更高效和可重复的方式改进，尽管此类方法在临床使用前仍需要领域特定的护栏、独立评估和人类临床监督。AI在围产期心理健康中的其他新兴应用：除了筛查和治疗交付，AI正在推动围产期心理健康护理中的系统级创新。ML和NLP支持诊断分类和表型分析，帮助基于症状模式、社会心理背景和纵向轨迹识别临床有意义的心理健康亚型。AI还被用于整合心理健康指标与产科和新生儿数据，推进与母亲和婴儿结局一致的整体模型。生成式AI和LLMs可以简化临床文档、患者教育和工作流程优化；可能减少行政负担并加强护理连续性。将AI与心理治疗相结合的混合方法已实现焦虑症状的显著减少（54.5%对比独立组），且增益在三个月时持续，有潜力与现有循证数字围产期心理健康治疗相结合。会话间对用户情绪与自身首选策略相关的实时反馈可通过AI技术实现。未来围产期心理健康中的多模态AI系统可能超越链接EHRs和可穿戴数据，包括整合文本、语音、行为、生理和上下文信息的跨模态平台，以提供更个性化的支持。其他领域的比较研究，包括基于DeepSeek的自闭症谱系障碍平台，表明跨模态系统可能有助于为有沟通或感觉需求的个体定制干预措施。在围产期护理中，此类方法可能适用于面临心理、社会、语言或获取障碍的女性，尽管围产期特异性的验证和安全监督将至关重要。总体而言，这些方法有助于构建可扩展、始终可用的数字生态系统，扩大心理教育、同伴支持和自我管理资源的获取，特别是在面临劳动力和服务能力限制的环境中。尽管应用仍处于早期阶段，但不断增长的证据基础突出了AI在实现更早风险检测、个性化干预和支持连续监测方面的潜力，从而改善获取和结局，同时减少妊娠期和产后时期的疾病负担。仍需要严格的研究来确立现实世界环境中的有效性、安全性、公平性和伦理保障。
**4. 讨论**
本综述表明，AI在围产期心理健康中显示出前景，抑郁和焦虑症状有轻微至中度的减少。然而，当前证据受限于小样本量、短随访期以及缺乏现实世界验证。最近的《柳叶刀》委员会和系统性综述建议，AI工具最适合作为循证干预和人类提供支持的补充，而非独立解决方案。补充表S1显示，预测模型通常报告了比聊天机器人或被动感知研究更强的性能，但往往缺乏外部验证和校准报告。聊天机器人和AI-人类混合研究显示出良好的可接受性，但持续临床益处的证据仍然有限。常见挑战包括普适性、文化公平性、数据质量、可解释性和常规临床整合。AI驱动的围产期心理健康中的挑战尽管AI在围产期心理健康中前景广阔，但必须解决几个挑战，以确保安全、公平和有效的实施。当前AI应用在围产期心理健康中的一个核心局限性是缺乏外部验证，反映了该研究领域的早期阶段。文化和地域偏差进一步限制了普适性，因为许多研究依赖于特定文化样本。数据质量仍然是一个持续挑战，严重依赖自我报告、回顾性数据集和有限的纵向数据，这阻碍了预测模型的稳健性和可扩展性。这在围产期护理中更为重要，因为数字工具可能通过分析行为数据来识别风险早期迹象。其他问题包括隐私风险、模型透明度有限以及NLP输出不准确。伦理、安全和隐私考虑因素对于AI在围产期心理健康中的负责任实施至关重要，因为这些工具通常依赖高度敏感的个人、临床和行为数据。安全、公平的使用将需要强有力的数据治理、透明报告、偏差缓解、现实世界验证和临床医生监督。AI幻觉发生在生成模型产生流畅但不忠实的输出时。在医疗环境中，此类幻觉可能扭曲患者摘要、生成不安全指令或再现敏感个人信息，造成安全风险。这在围产期护理中更为重要，因为数字工具可能通过分析行为数据来识别风险早期迹象。针对少数族群的偏差证据进一步强调了需要深思熟虑的以公平为中心的策略，以确保AI系统不会延续或加剧现有差距。这些挑战在表1中进一步详细说明。解决这些挑战需要协调治理和共识框架，为AI在围产期护理中的伦理、公平和临床有意义的整合奠定基础。
**5. 未来方向以解决实施挑战**
AI具有巨大潜力，可通过改善早期检测、监测和干预来转变围产期心理健康护理，但转化为常规实践需要解决关键实施挑战。未来系统可能从概念验证模型发展为整合的、以患者为中心的平台，嵌入常规围产期服务。建立信任和有用性：可解释AI对于通过提高预测和建议生成方式的透明度来建立临床医生和患者信任至关重要。同时，运营/行政工具，例如LLM驱动的文档辅助和患者教育，可以在适当保障措施下减少负担并改善连续性。AI还可以在围产期定制的对话系统中协助参与和协调实际支持（例如，同伴网络和及时资源）。对于生成式AI系统，安全不仅取决于模型本身，还取决于提示的设计和优化方式。在临床环境中，提示工程可以提高模型生成响应的一致性、可靠性和质量。然而，提示优化应与经过验证的知识来源、不确定性警报、临床医生审查以及高风险或临床复杂响应的安全检查相结合。为降低这些风险，AI系统应在开发过程中专门测试幻觉，使用高质量训练数据，考虑缺失数据，并始终在输出用于护理前包括人类临床监督。保障临床整合：为确保AI安全有效地整合到围产期护理中，AI工具应经过严格的安全、有效性和质量验证，并进行持续监测和上市后监督。必须通过在不同、代表性数据集上训练和审计模型来优先考虑公平性，以减轻偏差并确保跨人群的相关性。例如，主要基于城市或多数人群数据训练的AI工具可能误读症状，忽视文化塑造的健康行为，或未能捕捉农村和移民母亲的生活经验。尽管Ding和Zou的研究并非专门针对围产期心理健康，但它为理解城乡迁移如何涉及文化适应、身份重建和心理压力提供了有用的理论支持。这些问题在围产期尤为重要，因为社会支持、身份、归属感以及获取文化适当护理的机会可能塑造心理健康风险。因此，未来的AI系统应在不同文化人群中进行设计和验证，特别关注减少以城市为中心的偏差，并改善对农村、移民和其他未充分服务群体的公平性。数据质量和互操作性应通过遵守国际标准（如HL7 FHIR）来加强，实现无缝整合到临床工作流程中。强有力的治理框架，包括临床医生、技术专家、伦理学家和患者代表，对于指导监管、认证和监督至关重要。以患者为中心必须保持核心地位，系统设计应支持共同决策、知情同意和透明度。最后，对劳动力教育、经济评估和可持续性规划的投资对于确保AI增强而非取代人类判断，为母亲和新生儿结局带来公平改善至关重要。围产期心理健康AI中外部验证的一个主要障碍是隐私敏感数据环境、机构数据孤岛以及跨卫生系统临床信息结构不一致的结合。隐私保护方法（如联邦学习）可能有助于实现多站点模型开发和外部验证，而无需直接共享敏感患者级数据。同时，围产期数据标准的更大协调，包括通用数据模型、注释框架和互操作性标准（如HL7 FHIR），对于提高可重复性、可移植性和跨环境验证至关重要。优先研究议程：AI在围产期心理健康中的未来研究必须优先考虑外部和多站点验证，确保纳入多样化人群，特别是来自低收入和中等收入国家的队列。需要高质量、长期随机对照试验来确定临床有效性，同时仔细考虑文化适应性以增强可接受性和相关性。支持负责任工具开发和保护用户的政策改革对于培养信任和可持续性至关重要。以公平为中心的设计和参与式共同设计方法可以进一步增强临床实用性，确保干预措施反映不同社区的需求和价值观。将AI应用范围扩展到包括目标群体，如父亲、伴侣和孕前阶段的个体，代表了扩大影响和推进整体围产期护理的重要前沿。基于本综述，研究人员概述了基于共识的框架的关键原则，以指导AI在围产期心理健康中的采用，侧重于可信度、公平性、安全性、协作和治理。更详细的框架审查和专门的共识立场文件正在制定中。未来的研究必须在创新与公平、安全和透明度之间取得平衡，以确保AI为全球母婴健康结局带来有意义的改善。AI开发的加速步伐，加上碎片化的指导和持续的证据空白，突显了统一共识框架的迫切需求。虽然现有标准如美国护理学院指南、WHO建议和FUTURE-AI框架提供了宝贵基础，但围产期护理的专门共识至关重要。未来研究应明确解决基于AI的围产期心理健康模型所需的监管和治理框架，包括安全、透明度、隐私、偏差缓解、验证和临床监督的标准——鉴于当前文献将伦理问题和缺乏治理指导识别为该领域的持续空白。这样的框架将协调标准，解决利益相关者关切，并提供跨临床、技术、监管和患者领域的清晰、可操作指导。未来方向还应集中于临床医生和患者可以信任和使用的可解释AI、数据整合、偏差缓解、共同设计以及包含成本评估的大型RCT。
**6. 优势与局限性**
本综述有几个优势。它提供了跨围产期心理健康连续过程中新兴AI应用的广泛综合，包括风险预测、数字表型、可穿戴传感、自然语言处理、聊天机器人和临床决策支持。它还考虑了安全、公平使用核心的实施问题，包括隐私、透明度、算法偏差、文化公平性、临床验证和治理。本综述也有局限性。它被设计为结构化叙述性综述，而非系统性综述或荟萃分析。因此，研究人员未使用MINORS、PROBAST或类似工具进行正式的研究质量评估或偏倚风险评估。纳入的证据是异质的，包括试点研究、可行性研究、回顾性分析、方案和早期预测模型。许多研究还有小样本或非代表性样本、有限的外部验证、不完整的校准报告以及不确定的临床适用性。因此，应谨慎解读发现。未来的系统性综述应应用正式的偏倚风险评估工具，并评估跨不同人群和护理环境的模型性能、校准、公平性和临床实用性。
**7. 结论**
AI的应用为应对围产期心理健康中的长期挑战提供了变革性机会。实现这一潜力需要可信赖、公平且临床有效的系统，其设计中嵌入透明度和公平性。伦理框架、严格验证和公平获取对于确保创新转化为更早的风险检测、个性化干预和可扩展支持至关重要。需要专门的共识框架来协调标准，缩小证据空白，并在临床、技术、监管和患者领域提供可操作指导，与国际框架保持一致。展望未来，临床医生、研究人员、政策制定者、技术专家和患者倡导者之间的合作对于建立强有力的治理并确保支持多样化人群至关重要。最终，将AI整合到围产期护理中必须在创新与责任之间取得平衡；通过共识驱动的治理和对公平的承诺，利益相关者可以利用AI改善全球母亲和新生儿结局，确保技术进步带来有意义且持久的健康收益。将AI整合到围产期护理中可以最大化现有循证治疗的潜力。
