Trên toàn cầu, các rối loạn tâm thần kinh, chẳng hạn như trầm cảm và lo âu, gây gánh nặng kinh tế đáng kể cho các hệ thống chăm sóc sức khỏe. Gánh nặng tài chính của các bệnh về sức khỏe tâm thần ước tính lên tới sáu nghìn tỷ đô la Mỹ hàng năm vào năm 2030.

Nhiều MHI, bao gồm hành vi, tâm lý xã hội, dược xử lý và y tế từ xa, tỏ ra hiệu quả trong việc thúc đẩy phúc lợi của những cá nhân bị ảnh hưởng. Tuy nhiên, các vấn đề mang tính hệ thống cố hữu đã hạn chế tính hiệu quả và khả năng đáp ứng nhu cầu ngày càng tăng của họ.

Hơn nữa, lực lượng lao động lâm sàng còn khan hiếm, cần được đào tạo chuyên sâu để đánh giá sức khỏe tâm thần, chất lượng điều trị hiện có rất khác nhau và các biện pháp đảm bảo chất lượng hiện tại không thể giải quyết được mức độ ảnh hưởng giảm sút của MHI phổ biến.

Do chất lượng MHI thấp, đặc biệt là ở các nước đang phát triển, cần có nhiều nghiên cứu hơn về phát triển các công cụ, đặc biệt là các công cụ dựa trên ML, hỗ trợ chẩn đoán và điều trị sức khỏe tâm thần.

NLP tạo điều kiện thuận lợi cho việc nghiên cứu định lượng bản ghi cuộc trò chuyện và hồ sơ bệnh án cho hàng nghìn bệnh nhân một cách nhanh chóng. Nó biến các từ thành các biểu diễn bằng số và đồ họa, một nhiệm vụ trước đây được coi là không thể hiểu được. Quan trọng hơn, nó có thể kiểm tra đặc điểm của nhà cung cấp và bệnh nhân để phát hiện các xu hướng có ý nghĩa trong các tập dữ liệu lớn.

Các nền tảng sức khỏe kỹ thuật số đã làm cho dữ liệu MHI sẵn có hơn, giúp các công cụ NLP có thể thực hiện nhiều phân tích liên quan đến nghiên cứu độ trung thực trong điều trị, kết quả của bệnh nhân, các thành phần điều trị, liên minh trị liệu và đánh giá nguy cơ tự tử.

Cuối cùng, NLP có thể phân tích dữ liệu mạng xã hội và hồ sơ sức khỏe điện tử (EHR) trong bối cảnh liên quan đến sức khỏe tâm thần.

Trong khi NLP đã cho thấy tiềm năng nghiên cứu, sự tách biệt hiện nay giữa các nhà nghiên cứu khoa học máy tính và lâm sàng đã hạn chế tác động của nó đối với thực hành lâm sàng.

Do đó, mặc dù việc sử dụng máy học trong lĩnh vực sức khỏe tâm thần đã tăng lên, các bác sĩ lâm sàng vẫn chưa đưa vào các bản thảo được trình duyệt từ các hội nghị AI báo cáo những tiến bộ trong NLP.

Trong nghiên cứu hiện tại, các nhà nghiên cứu đã phân loại các phương pháp NLP được triển khai để nghiên cứu MHI, xác định các lĩnh vực lâm sàng và sử dụng chúng để tổng hợp các phát hiện NLP.

Họ đã kiểm tra các tính năng chính của quy trình NLP trong mỗi bản thảo, bao gồm các cách biểu diễn ngôn ngữ, gói phần mềm, phân loại và phương pháp xác thực. Tương tự như vậy, họ đã đánh giá bối cảnh lâm sàng, mục tiêu, nguồn gốc bảng điểm, các biện pháp lâm sàng, sự thật cơ bản và người đánh giá.

Hơn nữa, các nhà nghiên cứu đã đánh giá các nghiên cứu NLP-MHI để xác định các lĩnh vực chung, thành kiến ​​và lỗ hổng kiến ​​thức trong việc áp dụng NLP vào MHI nhằm đề xuất một khung nghiên cứu có thể hỗ trợ các nhà nghiên cứu máy tính và lâm sàng cải thiện tiện ích lâm sàng của những công cụ này.

Họ đã sàng lọc các bài báo trên cơ sở dữ liệu Pubmed, PsycINFO và Scopus để xác định các nghiên cứu chỉ tập trung vào NLP về MHI giữa người với người để đánh giá sức khỏe tâm thần, ví dụ: tâm lý trị liệu, đánh giá bệnh nhân, điều trị tâm thần, tư vấn khủng hoảng, …

Hơn nữa, các nhà nghiên cứu đã tìm kiếm các hội nghị AI được kiểm duyệt (ví dụ: Hiệp hội Ngôn ngữ học tính toán) thông qua ArXiv và Google Scholar.

Họ biên soạn các bài viết đáp ứng năm tiêu chí:
i) là những nghiên cứu thực nghiệm ban đầu
ii) xuất bản bằng tiếng Anh
iii) được bình duyệt
iv) tập trung vào MHI
v) phân tích dữ liệu văn bản do MHI truy xuất (ví dụ: bản ghi)

Bộ mẫu cuối cùng bao gồm 102 nghiên cứu, chủ yếu liên quan đến các thử nghiệm ngẫu nhiên có đối chứng trực tiếp (RCT), các phương pháp điều trị thông thường và các liệu pháp trị liệu được thu thập.

Gần 54% các nghiên cứu này đã được xuất bản từ năm 2020 đến năm 2022, cho thấy sự gia tăng đột biến các phương pháp dựa trên NLP cho các ứng dụng MHI.

Sáu hạng mục lâm sàng đã xuất hiện trong đánh giá: hai và hai hạng mục tương ứng dành cho bệnh nhân và nhà cung cấp dịch vụ, và hai hạng mục dành cho tương tác giữa bệnh nhân và nhà cung cấp dịch vụ.

Đó là trình bày lâm sàng, phản ứng can thiệp (đối với bệnh nhân), giám sát can thiệp, đặc điểm của nhà cung cấp (đối với bác sĩ lâm sàng), động lực quan hệ và chủ đề trò chuyện (tương tác). Tất cả đều hoạt động đồng thời như các yếu tố trong mọi kết quả điều trị.

Trong khi các bác sĩ lâm sàng cung cấp xếp hạng thực tế cơ bản cho 31 nghiên cứu, bệnh nhân đã làm như vậy thông qua các biện pháp tự báo cáo về phản hồi triệu chứng và xếp hạng liên minh điều trị cho 22 nghiên cứu. Nguồn thông tin nhà cung cấp/bệnh nhân phổ biến nhất là Motivational Interviewing Skills Codes (MISC) (MISC).

Nhiều cách tiếp cận NLP đã xuất hiện, phản ánh sự phát triển theo thời gian của các công cụ NLP. Nó cho thấy sự phát triển và biến đổi trong các cuộc trò chuyện giữa bệnh nhân và nhà cung cấp dịch vụ liên quan đến cách trình bày ngôn ngữ. Tính năng nhúng từ (Word Embeddings) được sử dụng nhiều nhất để thể hiện ngôn ngữ, tức là trong 48% nghiên cứu.

Hai tính năng phổ biến nhất của mô hình NLP là từ vựng và phân tích tình cảm, được phản ánh qua việc sử dụng chúng trong 43 và 32 nghiên cứu. Điểm tính năng được tạo sau này cho cảm xúc (ví dụ: niềm vui) bắt nguồn từ các phương pháp dựa trên từ vựng.

Cuối cùng, các mạng nơ-ron sâu nhạy cảm với ngữ cảnh đã thay thế các phương pháp đếm từ và từ vựng dựa trên tần số trong các mô hình NLP. Tổng cộng có 16 nghiên cứu cũng sử dụng mô hình chủ đề để xác định các chủ đề chung trên bảng điểm lâm sàng.

Sau nội dung ngôn ngữ, các đặc điểm âm thanh nổi lên như một nguồn dữ liệu điều trị đầy hứa hẹn, với 16 nghiên cứu kiểm tra điều tương tự từ lời nói của bệnh nhân và nhà cung cấp.

Các tác giả lưu ý rằng nghiên cứu trong lĩnh vực này cho thấy sự tiến bộ to lớn trong chẩn đoán và điều trị sức khỏe tâm thần. Nó cũng xác định đáng kể chất lượng điều trị cho bệnh nhân.

Theo đó, họ đề xuất tích hợp những đóng góp đặc biệt này vào một khuôn khổ (NLPxMHI) để giúp các nhà nghiên cứu tính toán và lâm sàng cộng tác và phác thảo các ứng dụng NLP mới cho những đổi mới trong dịch vụ sức khỏe tâm thần.

Chỉ có 40 nghiên cứu báo cáo thông tin nhân khẩu học cho tập dữ liệu được sử dụng. Vì vậy, các tác giả khuyến nghị các nhà nghiên cứu NLPxMHI ghi lại dữ liệu nhân khẩu học của tất cả các cá nhân tham gia đào tạo và đánh giá mô hình của họ.

Ngoài ra, họ nhấn mạnh việc lấy mẫu quá mức của các nhóm ít được đại diện để giúp giải quyết những thành kiến ​​và cải thiện tính đại diện của các mô hình NLP.

Hơn nữa, họ khuyến nghị coi việc điều trị là các hành động tuần tự để cải thiện tính chính xác của các nghiên cứu can thiệp, nhấn mạnh tầm quan trọng của thời gian và bối cảnh trong việc làm phong phú thêm các tác động có lợi. Việc tích hợp các danh mục lâm sàng đã được xác định vào một mô hình thống nhất cũng có thể giúp các nhà điều tra tăng cường sự phong phú của các khuyến nghị điều trị.

Ít nghiên cứu được xem xét thực hiện các kỹ thuật để nâng cao khả năng giải thích. Nó có thể cản trở các nhà điều tra giải thích hành vi tổng thể của các mô hình NLP (trên các đầu vào).

Tuy nhiên, sự hợp tác liên tục giữa các lĩnh vực lâm sàng và tính toán sẽ dần lấp đầy khoảng cách giữa khả năng diễn giải và độ chính xác thông qua đánh giá lâm sàng, điều chỉnh mô hình và khả năng khái quát hóa. Trong tương lai, nó có thể giúp phác thảo các quy tắc quyết định điều trị hợp lệ và thực hiện lời hứa về y học chính xác.

Nhìn chung, các phương pháp NLP có tiềm năng vận hành MHI. Các ứng dụng chứng minh khái niệm của nó đã cho thấy nhiều hứa hẹn trong việc giải quyết các thách thức mang tính hệ thống.

Tuy nhiên, vì khung NLPxMHI là cầu nối giữa các thiết kế và nguyên tắc nghiên cứu, nên nó cũng cần có sự hỗ trợ của các bộ dữ liệu bảo mật lớn, ngôn ngữ chung và kiểm tra tính công bằng để tiếp tục tiến bộ.

Các tác giả dự đoán rằng điều này có thể cách mạng hóa việc đánh giá và điều trị các bệnh về sức khỏe tâm thần.