《Behaviour Research and Therapy》:From Innovation to Implementation: Artificial Intelligence in Cognitive Behaviour Therapy Training and Supervision
编辑推荐:
人工智能可提升认知行为疗法(CBT)培训与督导效率,通过模拟患者、实时反馈和跨文化培训实现目标,但面临数据质量、算法伦理、资源分配及研究不足等挑战,需制定未来发展指南。
罗兹·沙弗兰(Roz Shafran)|劳拉·邦德(Laura Bond)|佩尔·卡尔布林(Per Carlbring)|扎卡里·科恩(Zachary Cohen)|托里·A·克里德(Torrey A. Creed)|艾米丽·戴维(Emily Davey)|莎拉·J·伊根(Sarah J. Egan)|丹尼尔·弗里曼(Daniel Freeman)|史蒂文·D·霍伦(Steven D. Hollon)|尼古拉斯·C·雅各布森(Nicholas C. Jacobson)|凯瑟琳·约翰逊(Catherine Johnson)|黛布拉·凯森(Debra Kaysen)|黛博拉·L·麦吉尼斯(Deborah L. McGuinness)|维克拉姆·帕特尔(Vikram Patel)|朱莉娅·R·波苏埃洛(Julia R. Pozuelo)|恩里克·桑托斯(Henrique Santos)|黛西·R·辛格拉(Daisy R. Singla)|香农·威尔特西·斯特曼(Shannon Wiltsey Stirman)|丹尼尔·泰勒(Daniel Taylor)|特蕾西·D·韦德(Tracey D. Wade)
英国伦敦大学学院大奥蒙德街儿童健康研究所(Great Ormond Street Institute for Child Health, University College London, UK)
摘要
人工智能(AI)可以通过提高基于证据的心理治疗(包括认知行为疗法)的培训与监督的效率、一致性、效果和可及性,从而在全球范围内改变心理健康护理。本文描述了AI在临床医生培训与监督中的潜在作用,以及相关的收益、挑战和风险。AI可以通过模拟患者评估和治疗过程、提供实时个性化反馈以及帮助受训者培养文化敏感性来彻底改变培训与监督的方式。然而,仍存在关键挑战,如高质量数据集和算法的识别与整理、伦理考量、在资源匮乏环境中的实施问题以及缺乏严谨的研究。文章最后提出了关于AI在认知行为疗法(CBT)培训与监督中未来发展、评估和实施的指导原则,旨在最大限度地发挥其潜在优势,同时降低相关风险。
引言
人工智能(AI)利用计算机系统执行需要人类智能的任务,标志着一个重大进步,将改变心理治疗的格局。这包括大型语言模型(LLMs)、聊天机器人、机器学习以及日益增多的AI搜索引擎等应用,这些工具为患者和提供者提供信息。AI有潜力改善对有效、高效且质量有保障的心理健康服务的获取(Demszky等人,2023年)。患有焦虑症、情绪障碍或物质使用障碍的人群中,使用任何心理健康服务的比例在尼日利亚为1.6%,而在美国为17.9%(Wang等人,2007年),这反映了全球范围内明显的心理健康差距(Patel等人,2018年)。青少年心理健康问题的空前增加进一步加剧了这一差距(McGorry等人,2024年)。
提供以程序为导向的干预措施(如CBT自助疗法)可能有助于缓解这一治疗差距。然而,即使在指导下,这种“低强度”方法的有效实施仍然依赖于需要适当培训和监督的从业者。他们的培训与监督是扩大基于证据的心理疗法(如CBT)可及性的关键组成部分,而AI在这一领域的角色可能会变得越来越重要。然而,伴随着技术进步而来的也有显著的风险和挑战,需要加以探讨。
我们之所以关注认知行为疗法(统称为CBT),是因为它是一系列针对各种心理障碍的领先基于证据的治疗方法(参见Cuijpers等人,2023年)。首先,它是全球范围内测试最广泛的基于证据的治疗方法。其次,尽管关于AI在心理健康领域的文献迅速增长,但很少有研究探讨其在CBT培训与监督中的应用。鉴于AI有潜力通过优化从业者的培训与监督来改善治疗效果,这是一个关键的空白。第三,尽管针对同一障碍的不同CBT方案可能同样有效,但这些具有相同名称但方法不同的干预措施给AI系统带来了复杂性(例如,社交焦虑症的CBT;Clark等人,2006年;Morrison & Heimberg,2013年)。这些系统必须学会保留理论上的区别性和治疗的忠实度,以便对从业者进行最佳培训与监督。另一种观点是,AI应该基于促成改变的积极因素进行训练,这对培训与监督也有影响。本文旨在为AI在培训、监督和研究中的发展提供方向,并通过CBT来突出相关挑战和机遇。
节选
依从性和能力
几十年来,能力问题一直困扰着CBT领域,概念和测量方面的挑战早已被认识到(Fairburn & Cooper,2011年)。诸如“依从性”和“能力”之类的术语经常与“忠实度”、“质量”、“区分度”和“能力”互换使用。简化来说,培训与监督的目标是确保治疗师“正确地做好事情”(Fairburn & Cooper,2011年,第374页)。
AI驱动的虚拟标准化患者
新一代沉浸式培训工具正在出现。其中最有前景的是AI驱动的虚拟标准化患者(AI-VSPs),它们能够在受控、低风险的环境中模拟多样化的临床场景。这些工具提供低风险的模拟对话互动(没有真实患者受到风险),可以提高效率(无需等待数周即可完成所有治疗阶段来练习技能),同时提升自我效能感,并降低成本(例如,监督时间)。
其他现实世界中的培训工具
虽然AI-VSPs侧重于通过模拟临床场景来发展技能,但还有其他AI工具正在开发中,以支持治疗师在现实世界环境中的成长——特别是通过增强监督、反思性实践和临床决策。这些工具可以自动化转录和分析,提供有关治疗过程中何时应用基于证据的做法的信息,并整合数据以促进基于测量的护理和数据驱动的监督。
数据整理和算法挑战
只有当用于训练模型的数据是有效、适当且经过评估的,AI在CBT培训与监督中的好处才能得以实现。与更广泛的建模文献一样(Moons等人,2025年),与用于开发基于AI的培训与监督工具的数据性质(例如,观察性 vs 实验性)、来源(例如,代表性、潜在偏见;Kumar等人,2024年)和质量(例如,缺失值、样本量、范围)相关的考虑因素至关重要。
全球考量
虽然公平性指标和高质量数据集对于开发负责任的AI工具至关重要,但当系统在多样化的文化和资源背景下实施时,这些考虑因素变得更加复杂(Andrejek等人,2025年)。AI在全球范围内扩展心理健康护理的潜力必须权衡一系列伦理和实际挑战,包括数据质量和隐私、健康公平性以及可持续性(Chustecki等人,2024年;WHO,2021年)。
对高质量研究的需求
尽管关于基于证据的心理疗法有大量研究,但几乎没有实验性研究比较不同的培训模型以确定最佳的培训与监督方法(Fairburn & Cooper,2011年;Frank等人,2020年;Watkins,2020年)。随机对照试验的数量非常少,在一项系统评价中仅报告了9项(12%)(Frank等人,2020年)。迄今为止进行的研究存在许多方法学问题。
研究、开发和实施的指导原则
有关AI使用的正式和非正式指导原则有很多,包括在行为和心理健康护理中的应用。例如,欧洲委员会AI高级专家小组制定的《可信AI伦理指南》(Pekka等人,2018年)、美国心理学会(APA)发布的《心理健康护理中的人工智能》(APA,2024年)、以及《健康服务心理学专业实践中AI的伦理指导》(APA,2025年)等。
风险
本文指出了与AI相关的多种风险,包括伦理风险、数据风险和实施风险,以及商业公司、临床医生和研究人员之间的潜在矛盾。重要的是要强调,当AI与人类判断结合使用时,其在监督和培训中的效果才能得到优化。最近的评估和广为人知的例子表明,在没有人类监督的情况下使用AI工具可能会造成伤害。例如,一项分析显示……
结论
AI在心理健康领域的应用标志着我们领域的一个分水岭时刻。AI具有高效培训和治疗师的能力,特别是在基于证据的心理治疗(如认知行为疗法)方面。本文既阐述了其潜力,也指出了一些挑战,包括数据整理、伦理问题、全球实施和研究方面的问题。需要持续的跨学科合作、严格的评估和伦理考量,以实现AI的潜力。
CRediT作者贡献声明
黛布拉·凯森(Debra Kaysen):撰写——审阅与编辑、撰写——初稿、方法论。黛博拉·L·麦吉尼斯(Deborah L. McGuinness):撰写——审阅与编辑、撰写——初稿、方法论。劳拉·邦德(Laura Bond):撰写——审阅与编辑、撰写——初稿、方法论、概念化。维克拉姆·帕特尔(Vikram Patel):撰写——审阅与编辑、撰写——初稿、方法论、概念化。佩尔·卡尔布林(Per Carlbring):撰写——审阅与编辑、撰写——初稿、方法论、概念化。罗兹·沙弗兰(Roz Shafran):撰写——审阅
未引用的参考文献
Abràmoff等人,2022年;Carlbring等人,2023年;Chew和Achananuparp,2022年;Chustecki,2024年;Creed等人,2022年;Creed等人,2022年;Ferrario等人,2023年;Holzinger等人,2025年;Kejriwal等人,2024年;Milne等人,2011年;Patel等人,2022年;Singla等人,2014年;Zhu,2025年。
利益冲突
TC:在过去三年中,从Lyssn.io获得了咨询费用。
PC在过去三年中从Angelini Pharma、Koa Health、Lundbeck和OpenAI收到了酬金/演讲费用。
其余作者没有利益冲突。
CRediT声明
所有作者都参与了论文的概念构思、初稿撰写、审阅和编辑工作。他们都为这项工作做出了重要贡献,审查并批准了最终稿件,并符合ICMJE的作者资格标准。
资助
本文未获得任何公共部门、商业部门或非营利部门的特定资助。SWS部分得到了NIMH P50 139450的支持。
利益冲突声明
TC:在过去三年中,从Lyssn.io获得了咨询费用。
PC在过去三年中从Angelini Pharma、Koa Health、Lundbeck和OpenAI收到了酬金/演讲费用。
其余作者没有利益冲突。
致谢
我们要感谢Kimberly Becker教授、Bruce Chorpita教授和David M. Clark教授对这一话题的深思熟虑的贡献。大奥蒙德街医院NHS基金会信托基金和大奥蒙德街儿童健康研究所的所有研究工作都得到了NIHR大奥蒙德街医院生物医学研究中心的支持。本文表达的观点仅代表作者本人,并不一定代表NHS、NIHR或卫生部的立场。