Aplicación de la Inteligencia Artificial en Intervenciones y Diagnósticos Psicológicos:

Una Visión General

Las tecnologías innovadoras, como el aprendizaje automático, los macrodatos y la

inteligencia artificial (IA), son enfoques adoptados para la medicina personalizada, y las
intervenciones psicológicas y el diagnóstico se enfrentan a grandes cambios de
paradigma. En esta revisión de la literatura, nuestro objetivo es resaltar las posibles
aplicaciones de la IA en las intervenciones y el diagnóstico psicológico.

Métodos
Esta revisión de la literatura manifiesta estudios que discuten cómo la tecnología
innovadora como el aprendizaje profundo (DL) y la IA están afectando la evaluación
psicológica y la psicoterapia, realizamos una búsqueda en PUBMED y Web of Science
utilizando los términos "intervenciones psicológicas", "diagnóstico sobre trastornos de salud
mental". ”, “inteligencia artificial” y “aprendizaje profundo”. Solo se consideran los estudios
que consideran conjuntos de datos de pacientes.
Resultados
Nueve estudios cumplieron los criterios de inclusión. En estos estudios se mostraron
efectos beneficiosos sobre los síntomas clínicos o la predicción, pero se necesitan estudios
futuros para determinar los efectos a largo plazo.
Limitaciones
La principal limitación para el estudio actual es el pequeño tamaño de la muestra y radica
en la falta de estudios controlados de seguimiento a largo plazo para un síntoma
determinado.
Conclusiones
Las aplicaciones de IA, como DL, mostraron resultados prometedores en la práctica clínica,
lo que podría tener un impacto profundo en la medicina personalizada para las condiciones
de salud mental. Los estudios futuros pueden mejorar aún más aumentando el tamaño de
las muestras y centrándose en las aprobaciones éticas y la adherencia a la terapia en línea.
Palabras clave: inteligencia artificial, aprendizaje profundo, máquina, intervención,
diagnóstico
Ir a:
Introducción
Los problemas mentales cada vez más prevalentes, incluidos los trastornos depresivos, la
ansiedad y los trastornos relacionados, están afectando negativamente las condiciones de
salud de la población. 
La frecuencia de las publicaciones sobre salud mental e inteligencia artificial (IA) se
está expandiendo dramáticamente en los últimos años ( 1 ). Los métodos de aprendizaje
profundo (DL) serían importantes para manejar conjuntos de datos médicos
complicados, creando conjuntos de datos vigorosos para compartir entre
instituciones. 
Estudios recientes de IA sugirieron direcciones prometedoras para emplear
tecnología, incluido el aprendizaje profundo, para mejorar nuestra comprensión del
diagnóstico y tratamiento de la salud mental ( 2 , 3). 

Las interacciones robóticas ayudan a proporcionar la disponibilidad de información

sobre los cambios emocionales individuales y mantienen registros diarios sobre los
cambios cognitivos ( 4 ). Se ha implementado tecnología como Machine Learning para
solucionar problemas de salud mental; Los datos emergentes en este campo han brindado
información sobre la aplicación de tecnologías de IA en tratamientos psicológicos ( 5 ). La
investigación sobre el aprendizaje profundo y su aplicación en el terreno médico es
clínicamente cada vez más relevante para las aplicaciones terapéuticas en el tratamiento
de los trastornos mentales, lo que conduce al objetivo de esta revisión.
La innovación del aprendizaje automático respalda un enfoque basado en datos en
el que un programa de propósito general aprende automáticamente elementos de los datos
( 6 ), sin necesidad de experiencia previa ( 7 ). Los métodos desarrollados basados en el
aprendizaje profundo en el campo del aprendizaje automático han mejorado efectivamente
el estado actual de la psicoterapia y se han aplicado en una amplia gama de aplicaciones,
como identificar objetos en imágenes (8), reconocer el habla (9) , traducir idiomas ( 10 ) ,
comprender los determinantes genéticos de las enfermedades ( 11 ) y predecir el estado de
salud utilizando registros de salud electrónicos ( 12). Con la tecnología actual que cubre los
tratamientos en línea y la atención robótica para la demencia y el trastorno del autismo
( 13 , 14 ), las aplicaciones de IA en la salud mental pueden aportar información sobre
nuevos enfoques de tratamiento, Hilty et al. ( 15 ) proporcionaron evidencia de que la IA
brinda oportunidades para involucrar áreas rurales que tienen recursos médicos
insuficientes, mejor respuesta del paciente y ahorro de tiempo para los médicos en los EE.
UU. Además, DL se utiliza en intervenciones para la esquizofrenia y se sugiere que es
eficaz para reducir la ansiedad al ayudar a los pacientes a detectar cambios emocionales y
patrones de pensamiento y mejorar estilos de pensamiento flexibles. Fiske et al. ( 16)
ofrecen evidencia de que los algoritmos de DL como Tess, diseñados específicamente para
el uso práctico y accesible de la psicoterapia en Internet. Aunque la IA psicológica
integradora no está diseñada para reemplazar el papel de un terapeuta capacitado, surge
como una opción factible para brindar apoyo a los pacientes que lo necesitan. La gente
diseñó a Tess para marcar expresiones que indican angustia emocional; el estudio
encontró que ayudó a reducir los síntomas de depresión y ansiedad entre los
usuarios. Tess interpreta términos psicológicos como distorsiones cognitivas y brinda
consejos detallados para determinar y abordar situaciones difíciles, que pueden emplearse
en áreas que tienen menos recursos clínicos. No obstante, una revisión reciente de Horn y
Weisz ( 17) argumentó que la mayoría de los tratamientos psicológicos se enfocan en los
aspectos de la cognición, el comportamiento y la emoción de una persona mucho más que
en las características biológicas. Estas características del cliente, que pueden variar
adecuadamente entre individuos, además de las interacciones entre estas características y
el entorno, tendrían que ser mejoradas por la IA para que sea tan precisa y útil como lo es
la IA para la intervención médica y farmacéutica. El objetivo de la revisión es resaltar las
aplicaciones potenciales de la IA en intervenciones y diagnósticos psicológicos, junto con la
búsqueda de nuevos tratamientos o formas complementarias para mejorar los efectos de la
evaluación de escalas o el tratamiento farmacológico.
El aprendizaje profundo es una categoría de aprendizaje automático que
permite técnicas avanzadas de resolución de problemas de reconocimiento de
patrones no lineales complicados de muestras espaciales. La propuesta es emplear redes
neuronales (NN) para aprender una representación estratificada de los datos y producir
continuamente resultados interpretables ( 18 ). El diagnóstico de trastornos de salud mental
como la depresión incluye obtener y extraer datos relevantes de las bases de datos de DL
para analizar a los pacientes que muestran síntomas clásicos de depresión, como
sentimientos de tristeza, vacío, pérdida de interés o placer y trastornos del sueño.  Estudios
recientes ( 19 , 20) revisó la literatura aplicando métodos basados en Deep Learning para
analizar datos de neuroimagen y EEG para trastornos psiquiátricos (incluidos ASD, SZ,
ADHD), la tecnología DL sería una herramienta prometedora para el diagnóstico y la
clasificación de pacientes con trastornos de salud mental.
Ir a:
Métodos
Para esta mini revisión, se buscaron artículos publicados en inglés desde enero de 2010
hasta diciembre de 2020 en Pubmed ( https://www.ncbi.nlm.nih.gov/pubmed/ ) y Web of
Science usando los términos "intervenciones psicológicas". “diagnóstico de trastornos de
salud mental”, “inteligencia artificial” y “aprendizaje profundo”. Hemos basado los criterios
de selección en varios componentes, el beneficio de este enfoque es que pudimos reducir
una gama más precisa de artículos. Las publicaciones solo se incluyeron en el análisis si
los conjuntos de datos de los pacientes contenían información clínica, genética o
médica. Nueve estudios, que se han resumido entabla 1, cumplió con estos criterios de
inclusión. Incluimos estudios que mostraron resultados positivos para discutir las influencias
constructivas de diferentes aplicaciones de IA cuando se implementan en intervenciones y
diagnósticos psicológicos.
tabla 1
Resumen de estudios de tecnología de inteligencia artificial en intervenciones psicológicas
y diagnóstico.
Autores Objetivo forma de Tamaño de la Conclusiones
entrega muestra

Fitzpatrick La eficacia del aybot 70 estudiantes Woebot es una

et programa de universitarios forma accesible,
al. ( 21 ) autoayuda atractiva y
Woebot para efectiva de
estudiantes ofrecer TCC.
universitarios que
se autoidentifican
Autores Objetivo forma de Tamaño de la Conclusiones
entrega muestra

con síntomas de
ansiedad y
depresión

Mohr et Descubriendo el Métodos de Modelo jerárquico Integración en

al. ( 7 ) potencial de la detección en capas para modelos
salud móvil y su personal, traducir datos de existentes de
efecto en la incluidos sensores sin atención,
investigación y el teléfonos procesar en tecnologías de
tratamiento de la inteligentes, marcadores de intervención
salud mental dispositivos comportamientos y conductual
portátiles, redes estados
sociales y relacionados con la
computadoras. salud mental

Kuang y Predicción del IRMf 449 Sujetos DL utilizado para

él ( 22 ) estado del TDAH la discriminación
de TDAH con
datos de fMRI.

Geraci et Predicción de la DFNN 366 pacientes Se detectaron

al. ( 23 ) depresión juvenil individuos que
cumplieron con
los criterios de
inclusión-
exclusión para la
investigación de
la depresión.

Navarro- Los beneficios de Realidad Virtual 44 participantes Participants

Haro et la técnica de (VR) y DBT reported less
al. ( 24 ) entrenamiento de sadness, anger,
Autores Objetivo forma de Tamaño de la Conclusiones
entrega muestra

habilidades de and anxiety after

atención plena de VR
la terapia
conductual
dialéctica (DBT)
de realidad virtual

Gosling et Internet delivery Online CBT-I 1,600 community- Program showed

al. (25) of fully automated dwelling adults significant results
self-help CBT-I
designed to
reduce insomnia
and prevent
depression

Spence et The study Online CBT 15 clinically anxious Minimal

al. (26) examined the adolescents aged differences
relative efficacy 12 to 18 between NET and
of online (NET) CLIN, both
vs. clinic (CLIN) showed
delivery of effectiveness
cognitive
behavior therapy
(CBT) in the
treatment of
anxiety disorders
in adolescents

Ewbank et Quantifying and Internet-enabled 17.572 pacientes Modelo de

al. (27) measuring the CBT for the (90.934 aprendizaje
delivery of treatment of a transcripciones de profundo aplicado
Autores Objetivo forma de Tamaño de la Conclusiones
entrega muestra

psychotherapy mental health sesiones de terapia) al conjunto de

using deep disorder from datos clínicos a
learning 2012 to 2018 gran escala de
transcripciones de
sesiones de TCC
y generar una
medida
cuantificable

Castro et Evaluar la Un metanálisis Estudios que La psicoterapia

al. ( 28 ) efectividad de la incluyeron ensayos administrada por
psicoterapia controlados teléfono mostró
administrada por aleatorios (ECA) efectos
teléfono para la que examinaron el beneficiosos
depresión en impacto de la sobre la gravedad
adultos psicoterapia de la depresión
administrada por en comparación
teléfono en los con las
síntomas condiciones de
depresivos. control
Abrir en una ventana separada
La IA es la teoría y el desarrollo de sistemas informáticos capaces de realizar tareas que
normalmente requieren inteligencia humana, incluidos componentes como la percepción
visual, el reconocimiento del habla y la toma de decisiones. Machine Learning es un tipo de
inteligencia artificial que incluye sistemas que pueden aprender de los datos, identificar
patrones y tomar decisiones con una mínima intervención humana. Las técnicas de ML
incluyen máquinas de vectores de soporte, árboles de decisión, redes neuronales,
asignación latente de Dirichlet y agrupamiento. ML se enfoca en construir sistemas que
pueden mejorar automáticamente a través de la experiencia utilizando técnicas estadísticas
y probabilísticas avanzadas ( 29 ). La aplicación de ML en salud mental ha demostrado una
amplia gama de ventajas en los campos de diagnóstico, intervenciones y administración
clínica ( 30). Los investigadores han aplicado ML a las redes sociales y la información de la
comunidad en línea para decidir las características individuales, lingüísticas y psicológicas
más predictivas para una abstinencia exitosa del alcohol ( 31 ). Deep Learning es un tipo
de método de aprendizaje automático basado en el aprendizaje de representaciones de
datos. Gkotsis et al. ( 32 ) reveló que el procesamiento del lenguaje natural de los registros
de salud electrónicos en las redes sociales se puede utilizar para analizar el estado de
salud mental de las personas a diario. Al implementar un enfoque de aprendizaje profundo,
Gkotsis et al. ( 32 ) reconoce automáticamente la fuente de publicaciones "en el momento"
en las plataformas de redes sociales y clasifica las publicaciones relacionadas con
enfermedades mentales siguiendo temas de trastornos psicológicos.
Ir a:
Resultados
Identificación y Diagnóstico
El aprendizaje profundo (DL) ha surgido como una forma de examinar grandes conjuntos
de datos para reforzar la detección de riesgos ( 33 ). DL puede filtrar grandes conjuntos de
datos, incluidos archivos clínicos e información de redes sociales, para reconocer factores
que podrían aumentar el riesgo de depresión, incluidos ciertos rasgos de personalidad,
como baja autoestima o ser demasiado dependiente, autocrítico o pesimista, o algunos
eventos traumáticos o estresantes, o familiares con antecedentes de trastornos mentales,
etc.
La recolección y el reconocimiento de datos permite a las instituciones clínicas prevenir los
intentos de suicidio, y el análisis de la predicción ayuda a identificar a los individuos en
crisis para que podamos intervenir con apoyo emocional, recursos psicoeducativos y
alertas de necesidad de asistencia de emergencia ( 34 ) . A nivel de la población, los
algoritmos pueden reducir los riesgos de intento de suicidio al identificar grupos que están
en riesgo o puntos críticos de suicidio, lo que ayuda a la movilización de recursos, la
reforma de políticas o aboga por recursos locales para ayudar e informar. La aplicación de
tecnología avanzada de aprendizaje automático para analizar las relaciones entre
diferentes factores de riesgo puede mejorar las primeras etapas de los trastornos de salud
mental y ayudar a la intervención y detección temprana de pacientes con tendencia a
enfermar antes de tiempo.
Zheng et al. ( 35 ) proporciona una fuerte evidencia de la conexión entre la enfermedad
mental y el intento de conducta suicida. Llegan a la conclusión de que el riesgo de intentos
de suicidio entre las personas con al menos un trastorno mental es más de 10 veces mayor
que las personas que no lo tienen. Las tecnologías de DL son capaces de detectar e
intervenir población que tiene predisposición a intentar el suicidio, por ejemplo, Annette
( 36 ) destacó factores de riesgo sobresalientes como la conducta suicida previa. Se está
considerando el modelo diátesis-estrés de predicción de población más vulnerable a
enfermedades de salud mental ( 37). Los beneficios potenciales que pueden proporcionar
los enfoques de ED incluyen una jerarquía de riesgo precisa, informando a los especialistas
sobre la demanda de intervención de salud mental, como resultado, se pueden desarrollar
planes de atención más integrados. Es probable que el método permita facilitar la
efectividad de las intervenciones para mitigar el riesgo a través de la selección de
proveedores en tiempo real. Por lo tanto, desarrollar y promover planes de atención médica
personalizados mediante el análisis de los datos disponibles de las instituciones clínicas y
registrar el progreso de la intervención puede ayudar a reducir los riesgos de suicidio.
La red neuronal cerebral juega un papel importante en el mecanismo neuropatológico de la
depresión. El aprendizaje de DL sobre neuroimágenes (escaneos fMRI) ayuda a detectar
cambios cerebrales y trastornos mentales posteriores ( 38 ). Además, DL puede aprender
características de los datos sin procesar sin necesidad de una selección previa de
características, lo que da como resultado un proceso que es más objetivo y menos
propenso a sesgos. Kang et al. ( 39) demostraron cómo las aplicaciones de DL
integradoras se usan para diferenciar el trastorno de pánico de otros trastornos de
ansiedad usando HRV (variabilidad de la frecuencia cardíaca), por lo que el uso de
mediciones objetivas para verificar las diferencias biológicas y el ajuste de la química
cerebral puede ser significativo en la detección de trastornos de salud mental, con
tecnologías DL , las identificaciones y la detección podrían ser más completas de varias
maneras.
El diagnóstico de trastornos de salud mental como la depresión incluye obtener y extraer
datos relevantes de las bases de datos de DL para analizar a los pacientes que muestran
síntomas clásicos de depresión, como sentimientos de tristeza, vacío, pérdida de interés o
placer y trastornos del sueño. La evaluación en línea puede ayudar al especialista a
evaluar rápidamente el estado psicológico de los pacientes, ya que los dispositivos móviles
están más disponibles hoy en día y las personas pueden realizar una evaluación
psicológica a su conveniencia. Kalmady et al. ( 40 ) clasificaron a los pacientes con
esquizofrenia mediante resonancias magnéticas funcionales, el mejor algoritmo fue el
modelo Ensemble: precisión = 87 %.
Intervenciones psicológicas
El estado de ánimo deprimido y la pérdida de interés o placer en las actividades diarias son
las principales características de la depresión ( 41 ). El impacto de la depresión puede ser
extenso y perturbar el funcionamiento social, laboral y académico. En China, se estima que
alrededor de 100 millones de personas sufren diversos trastornos mentales y 16 millones
se ven gravemente afectados por sus condiciones. Las investigaciones demostraron que
los asiáticos, especialmente los descendientes de chinos, tienen menos probabilidades de
reportar su estado de ánimo negativo que los individuos de culturas occidentales
( 42 , 43 ). No estar dispuesto a acercarse para pedir ayuda podría conducir a una tasa
más baja de informes de depresión.
La psicoterapia generalmente se denomina tratamiento de la depresión al hablar sobre su
condición y los problemas relacionados con un terapeuta. Las intervenciones
psicoterapéuticas también se conocen como terapia de conversación. La aplicación del
aprendizaje profundo a grandes conjuntos de datos clínicos puede proporcionar
conocimientos significativos sobre la psicoterapia, informar a las personas sobre el
resultado de nuevos tratamientos y ayudar a estandarizar la práctica clínica y arrojar luz
sobre las intervenciones para la prevención de recaídas ( 44 ) . Pastor et al. ( 45 ) indicó
que las herramientas digitales, como los socios robóticos o los dispositivos móviles, pueden
recordar a las personas mayores que deben tomar medidas para reducir el estrés,
comunicarse con familiares y amigos y obtener un tratamiento de mantenimiento a largo
plazo. Nguyen et al. ( 46) utilizó un predictor de aprendizaje profundo con 2 capas ocultas
en DNN para identificar si los pacientes con depresión responderían favorablemente al
bupropión. Squarcina et al. ( 47 ) sugirió que la respuesta de los pacientes al tratamiento
varía entre los estudios, lo que podría deberse a metodologías inconsistentes. Por lo tanto,
los algoritmos de aprendizaje profundo podrían estimular el codificador automático basado
en datos para producir resultados de manera efectiva. Además, DL distingue entre
intervenciones psicológicas y destaca la mejor opción de tratamiento disponible.
La tecnología conversacional se ha integrado cada vez más en la prestación de
intervenciones psicológicas como la terapia social ( 48 ), la terapia cognitiva conductual
( 21 ) y la terapia de trauma ( 49 ). Dado que el programa responde al diálogo presentado,
la ejecución de la intervención se puede adaptar al estado emocional y las necesidades
clínicas del paciente ( 48 ). Se están incorporando tecnologías similares, aunque
preliminares, a los teléfonos inteligentes para permitir que los asistentes de voz reconozcan
y respondan a los problemas de salud mental de los usuarios ( 50 ).
La TCC a través de Internet es efectiva para el tratamiento de la depresión clínicamente y,
por lo tanto, se adopta ampliamente en la actualidad ( 27 ). Horn y Weisz ( 17) indicó que
aún no es factible esperar que las aplicaciones de IA sean tan útiles en psicoterapia en
comparación con el campo médico, considerando la sorprendente diferencia entre la
respuesta al tratamiento de psicoterapia y farmacología. A diferencia de los tratamientos
cuantificables y medibles en la práctica médica (como la dosis de los medicamentos
prescritos), el método de las intervenciones psicológicas consiste en sesiones de
conversaciones confidenciales entre el paciente y el médico. La terapia puede ser en forma
de sesiones en línea, videos o libros de trabajo accesibles a través de descripciones de
Internet y los programas pueden ser guiados por un profesional de la salud mental de forma
independiente. Ewbank et al. ( 27) ilustra la relevancia clínica de la terapia en línea
complementaria; sin embargo, se desconoce si los algoritmos de aprendizaje profundo
podrían o no ser un sustituto de un terapeuta humano.
Los ECA y las revisiones informaron efectos beneficiosos del ejercicio en pacientes
moderadamente deprimidos ( 51 ). Los datos de los registros de salud electrónicos pueden
mostrar la adversidad de la vida temprana, los eventos estresantes de la vida y factores
muy próximos, como el estilo de vida, la nutrición y el deporte. Las computadoras y los
programas basados en Internet tienen un gran potencial para producir evaluaciones y
tratamientos psicológicos más rentables. taylor y luce ( 2) afirmaron que la terapia asistida
por computadora parece ser tan efectiva como un tratamiento cara a cara en el tratamiento
de los trastornos de ansiedad y la depresión, los grupos de apoyo por Internet también
 pueden ser efectivos y tener ventajas sobre la terapia cara a cara. Los resultados sugieren
que la evaluación en línea podría reducir el tiempo de contacto con el terapeuta sin ajustar
ni acomodar los horarios. La RV es un aparato útil para mejorar la terapia de exposición,
Botella et al. ( 52 ) demostraron que la terapia de exposición a la realidad virtual (VRET) es
efectiva para las fobias. Parsons y Rizzo ( 53 ) mostraron grandes disminuciones en los
síntomas de ansiedad después de VRET. La tecnología de IA también ha demostrado ser
eficaz para mejorar las habilidades sociales de los niños con trastorno del espectro autista
( 54). Esto significa que los niños con TEA pueden practicar, imitar y cooperar con sus
compañeros robóticos para que tengan más posibilidades de mejorar sus interacciones con
los adultos. Dicha interacción automatizada tiene como objetivo ayudar a los niños con TEA
que necesitan adquirir habilidades adecuadas, como social, autorreflexión y gestión, con el
objetivo de que los niños puedan aplicar las habilidades aprendidas con el compañero
robot a sus relaciones con sus compañeros humanos.
Ir a:
Discusión
La tecnología de IA tiene grandes promesas para transformar la atención de la salud mental y
no está exenta de posibles escollos. La tecnología de aprendizaje profundo y las
intervenciones en línea tienen un significado significativo para el dominio de la salud mental
en el sentido de que a los pacientes se les da un tiempo limitado durante la psicoterapia real,
en comparación con las horas de terapia que se extienden y acumulan a través de cursos en
línea. Ewbank et al. ( 27 ) sugirieron que un terapeuta puede acumular abundante experiencia
durante su carrera, lo que representa una valiosa experiencia en TCC. El aprendizaje
profundo podría permitirnos hacer uso de este conocimiento para brindar beneficios a las
intervenciones en línea y ayudar a mejorar la eficacia de la psicoterapia. Shatte et al. ( 30)
resumió los métodos y aplicaciones de ML en salud mental y descubrió que surgieron cuatro
dominios de aplicación principales: detección y diagnóstico, tratamiento y apoyo de
pronóstico, salud pública e investigación y administración clínica. Las aplicaciones de DL
también pueden ser relevantes en los estudios de tratamiento en los que se pueden explorar
nuevos modos de métodos de administración de intervenciones. Durstewitz et al. ( 55 )
revisaron las aplicaciones de aprendizaje profundo en psiquiatría y sugirieron que pueden
proporcionar conocimientos similares al aprendizaje automático en psiquiatría.
Otras consideraciones éticas incluyen consecuencias graves para el asesoramiento en
línea ( 56 ). En particular, el asesoramiento en línea y la DL se consideraron inapropiados
para los pacientes suicidas y psicóticos, aunque las operaciones en línea ofrecen a los
médicos la oportunidad de ayudar a las personas que antes no podían participar en
psicoterapia (57) .). Las limitaciones se destacan a medida que los estudios señalan
contraindicaciones para la terapia en línea, y señalan que "la patología grave y el
comportamiento de riesgo, como las condiciones letalesmente suicidas, pueden no ser
apropiados para el trabajo en línea". Existen otras limitaciones de la consejería en línea,
una de las cuales es la incapacidad de leer las señales no verbales. El anonimato visual de
gran parte de la consejería en línea a menudo se percibe como una fortaleza; sin embargo,
dado que el lenguaje corporal juega un papel crucial en la terapia cara a cara, es probable
que su ausencia en línea también suponga desafíos para los profesionales y los clientes
( 58 – 60). A pesar de la realidad de que la consejería en línea se está desarrollando muy
rápidamente, existe una investigación muy limitada centrada en el fenómeno, aunque ha
surgido cada vez más literatura sobre la comunicación en línea en general. La adherencia a
los agentes conversacionales es otro factor a considerar cuando se utiliza IA en
psicoterapia ( 21 ). Tomando los hallazgos de esta investigación más general ( 61 – 64), sin
embargo, problemático porque la consejería tiene muchas características únicas como
forma de comunicación. A la luz de la importancia de la práctica basada en la evidencia en
la industria de la consejería, la investigación que aborde específicamente los problemas de
la práctica de la consejería en línea es esencial para el acceso y la flexibilidad como las
ventajas percibidas más importantes, identificadas por el 85 % de los profesionales como
fortalezas de los servicios de salud mental en línea.
Ir a:
Conclusión
En general, la IA, como las aplicaciones DL, pueden ser útiles para tratar los trastornos
mentales según la conveniencia del cliente. Sin embargo, el campo de la IA y las
intervenciones psicológicas aún deben explorarse, y se necesita más investigación para
abordar las preocupaciones éticas y sociales más amplias de estas tecnologías para
negociar la mejor investigación.
Ir a:
Contribuciones de autor
SZ, LZ y JZ desarrollaron el marco para la mini-revisión. SZ y LZ escribieron el manuscrito
y aprobaron su presentación. LZ editó el manuscrito. Todos los autores contribuyeron al
artículo y aprobaron la versión enviada.
Ir a:
Fondos
Este estudio fue apoyado por subvenciones del Programa de Ciencia y Tecnología de
Guangzhou (Subvención No. 202002030262) y la Fundación de Ciencias Naturales de la
Provincia de Guangdong (Subvención No. 2017A030313809).
Ir a:
Conflicto de intereses
Los autores declaran que la investigación se realizó en ausencia de cualquier relación
comercial o financiera que pudiera interpretarse como un potencial conflicto de interés.