心理健康状况在医疗保健中常常未被充分识别和忽视，尤其是在初级医疗以及患有原发性躯体疾病且伴有心理健康障碍共病的患者中。初级保健医生经常遇到出现心理健康问题的患者，无论是作为独立病症还是身体疾病的共病，这使他们在早期发现和管理中处于关键角色。心理障碍筛查已被认识到非常重要，然而其实施仍存在若干障碍，包括人员不足、时间限制、可及性限制以及服务可用性。此外，由于记忆重构、注意力不集中的应答、社会期望以及依赖认知启发，内部状态自我报告的质量可能会下降。
随着大数据、人工智能和技术进步，在筛查和支持诊断心理健康状况方面出现了令人兴奋的新可能性。在初级医疗中，可解释人工智能提供了解决方案，可以通过提供可访问且可解释的工具来简化心理健康评估，这些工具与医生的工作流程相一致。这类方法有潜力克服识别心理健康障碍患者方面的至少部分障碍，因为它们具有成本效益、高效，并且可以提供一种无侵入性的评估方式，也可用于对风险人群的定期监测。
在可解释的、基于证据的方法中可以发现特别有趣的潜力，这些方法可以将现有知识转化为技术支持的心理健康状况筛查和诊断。可解释人工智能工具还可以通过解构复杂算法、使初级保健提供者能够基于AI生成的见解做出明智决策来赋能他们。此外，这些工具可以促进初级保健医生与心理健康专家之间的跨学科合作，弥合整体护理中的差距。
在本研究专题中，我们旨在收集关于可解释人工智能方法在筛查和/或支持诊断心理健康障碍领域最新进展的论文。本专题欢迎从基础研究到此类解决方案在医疗保健中实施的研究，领域包括但不限于：
- 可用于筛查的标记评估
- 算法构建及其验证
- AI筛查和诊断在实践中的应用
- 将AI整合到初级医疗工作流程中以增强心理健康的早期发现和管理
- 基于AI的方法与标准心理测量工具的验证或比较
- 用于处理慢性躯体疾病患者心理健康共病的AI工具
- AI在改善服务不足或资源受限环境中护理公平性的作用
我们欢迎各种文章类型：原创研究、综述研究、政策与实践综述和政策简报、假设与理论论文、方法论文、观点论文、临床试验、案例研究、技术与代码报告以及简要研究报告。
【全文结束】