AI-система для психического здоровья
Депрессию диагностируют в среднем через 4.2 года после первых симптомов. 50% людей с психическими расстройствами не обращаются за помощью из-за стигмы, стоимости или недоступности специалистов. AI не заменяет психиатра и психотерапевта — он масштабирует поддержку, ускоряет скрининг и улучшает мониторинг между сессиями.
Скрининг и ранняя диагностика
NLP-анализ речи и текста
Депрессия, тревожность, маниакальные эпизоды оставляют лингвистические следы: изменение словарного запаса, длины предложений, использования негативных конструкций, тематики высказываний, просодических характеристик речи.
Валидированные NLP-паттерны:
- Депрессия: рост first-person singular pronouns ("я", "мне"), снижение третьего лица, рост absolute terms ("всегда", "никогда")
- Мания: увеличение скорости речи (+40%), рост word diversity, flight of ideas (резкие тематические переходы)
- PTSD: avoidance паттерны в нарративе, fragmented timelines
RoBERTa fine-tuned на Danish Depression Corpus + DAIC-WOZ dataset: F1 0.79 для детекции депрессии в интервью vs. PHQ-9 ground truth. Речевые фичи (через openSMILE): MFCC, pitch variance, speech rate → SVM классификатор добавляет 6 п.п. к F1 при мультимодальной комбинации.
Пассивный мониторинг через смартфон
Digital phenotyping: пассивные датчики без активного ввода данных. GPS (social isolation index — сколько уникальных локаций посетил за неделю), accelerometer (sleep disruption, activity level), phone usage (screen time, number of interactions). Privacy-first: все вычисления on-device, на сервер уходят только агрегированные фичи.
LSTM на временных рядах пассивных данных: предсказание депрессивных эпизодов за 7–14 дней. На датасете StudentLife (Dartmouth): AUROC 0.81 для предсказания PHQ-9 > 10.
Conversational AI для поддержки
CBT-based чат-агент
Когнитивно-поведенческая терапия (CBT) имеет структурированные протоколы: выявление automatic thoughts, когнитивное переструктурирование, поведенческая активация. LLM (Claude 3.5 Sonnet или GPT-4o) с системным промптом по протоколу CBT + safety guardrails.
Критически важно: guardrails для safety. Детекция суицидальных мыслей (suicide risk keywords + intent classifier) → немедленная эскалация к живому специалисту + ресурсы помощи. Модель не продолжает терапевтический диалог при обнаружении risk indicators.
Woebot (коммерческий аналог): RCT показал снижение симптомов депрессии (PHQ-9) на 2.3 балла за 2 недели vs. 0.4 у контрольной группы (waitlist). AI как дополнение к лечению, не замена.
Техника дневника настроения
Структурированный дневник: пользователь ежедневно оценивает настроение + вводит 2–3 предложения. Sentiment analysis + topic extraction → паттерны триггеров. LLM генерирует персонализированные рефлексивные вопросы (Socratic questioning техника CBT). Adherence к дневнику с AI-поддержкой: 61% за 30 дней vs. 23% у классического paper diary.
Поддержка клинической практики
Автодокументирование сессий
Транскрипция сессии (Whisper) → LLM структурирование: SOAP note (Subjective, Objective, Assessment, Plan). Предварительный черновик документации за 3 минуты vs. 25 минут ручного написания. Психотерапевт редактирует, не пишет с нуля. Клинический workflow: пациент даёт consent → запись → автодокументация → review + sign → EHR.
Мониторинг лечения и early warning
Между сессиями пациент использует мобильное приложение. Тревожные сигналы в данных пассивного мониторинга или дневнике настроения → автоматический alert терапевту: «Пациент 7 последних дней показывает нарастающие признаки депрессивного эпизода по данным пассивного мониторинга. Рекомендована внеплановая сессия.»
Privacy и этические ограничения
HIPAA (США) / GDPR (ЕС) + специальные требования к mental health data (особо чувствительные персональные данные). Federated Learning: модели обучаются локально на устройстве, no raw data transmission. On-device inference для пассивного мониторинга. Explicit informed consent для каждого типа данных.
AI-система не ставит диагнозы DSM-5/МКБ-11, не назначает медикаменты, не ведёт психотерапию в юридическом смысле. Продукт квалифицируется как wellness application или, при более широких клинических claims, как SaMD (Software as Medical Device) с соответствующей регуляторной процедурой (FDA 510(k) или CE marking Class IIa).
Срок разработки: 4–8 месяцев для скрининг + мониторинг приложения. Клинический инструмент с регуляторным сопровождением: 12–20 месяцев.