Wstęp

Psychiatria należy do tych dziedzin medycyny, w których istnieje szczególnie duże zapotrzebowanie na nowe narzędzia wspomagające proces diagnostyczny i terapeutyczny. W przeciwieństwie do wielu specjalności internistycznych i zabiegowych, w psychiatrii nadal brakuje szeroko stosowanych, jednoznacznych biomarkerów o wysokiej czułości i swoistości. Rozpoznania opierają się przede wszystkim na kryteriach klinicznych, a przebieg choroby bywa zmienny, niejednorodny i trudny do przewidzenia (Cruz-Gonzalez i wsp. 2025; Quinn i wsp. 2024). Ta złożoność sprawia, że psychiatra musi integrować informacje pochodzące z wielu źródeł: wywiadu, obserwacji zachowania, skal psychometrycznych, danych socjodemograficznych, historii leczenia, współchorobowości, a coraz częściej także danych cyfrowych (Cruz-Gonzalez i wsp. 2025; Leaning i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024). Właśnie w tym miejscu sztuczna inteligencja (artificial intelligence – AI) wydaje się szczególnie przydatna, ponieważ umożliwia wykrywanie wzorców w danych wielowymiarowych, których analiza metodami klasycznymi byłaby trudna lub niemożliwa (Cruz-Gonzalez i wsp. 2025; Leaning i wsp. 2024; Quinn i wsp. 2024).

Rozwój AI w psychiatrii wpisuje się jednocześnie w szersze zjawisko transformacji opieki psychiatrycznej w kierunku psychiatrii precyzyjnej i psychiatrii cyfrowej (Quinn i wsp. 2024; Sidani i wsp. 2024). Pierwszy nurt zakłada coraz lepsze dopasowanie interwencji do biologicznego i klinicznego profilu pacjenta, drugi natomiast wykorzystanie technologii cyfrowych do monitorowania, komunikacji i wspomagania decyzji terapeutycznych (Leaning i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024). Aktualne przeglądy wskazują, że AI nie jest już jedynie narzędziem badawczym, ale stopniowo staje się elementem infrastruktury klinicznej zdrowia psychicznego, szczególnie w zakresie monitorowania objawów, analizy dokumentacji oraz rozwiązań opartych na przetwarzaniu języka naturalnego (natural language processing – NLP) i generatywnej AI (Cruz-Gonzalez i wsp. 2025; Kolding i wsp. 2024; Sidani i wsp. 2024; Teferra i wsp. 2024). Jednocześnie zdecydowana większość autorów podkreśla, że potencjał tych technologii nadal wyprzedza jakość dostępnych dowodów klinicznych (Cruz-Gonzalez i wsp. 2025; Kolding i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024).

Warto podkreślić, że rozwój AI w psychiatrii nie dotyczy wyłącznie piśmiennictwa anglojęzycznego. W ostatnich latach pojawiły się również polskie prace odnoszące się zarówno do praktycznych aplikacji klinicznych, jak i do szerszej refleksji nad zastosowaniem dużych modeli językowych w psychiatrii (Barański 2026; Sokół-Szawłowska i Sochacka 2025a, 2025b; Więckiewicz 2025). Szczególnie istotne są publikacje dotyczące systemu MoodMon, opracowanego w Polsce rozwiązania wykorzystującego parametry głosu i algorytmy AI do monitorowania pacjentów z zaburzeniami afektywnymi (Sokół-Szawłowska i Sochacka 2025a, 2025b). W polskim piśmiennictwie zwracano także uwagę na możliwości i ograniczenia ChatGPT oraz innych modeli językowych w praktyce psychiatrycznej, w tym na potrzebę ostrożności klinicznej, konieczność badań skuteczności i ryzyko dezinformacji (Więckiewicz 2025).

Cel pracy

Celem pracy jest przedstawienie współczesnych zastosowań sztucznej inteligencji w psychiatrii ze szczególnym uwzględnieniem diagnostyki, oceny ryzyka, personalizacji leczenia, analizy języka naturalnego, digital phenotyping, zastosowań generatywnej AI oraz terapeutycznych chatbotów (Barański 2026; Blease i Rodman 2025; Cruz-Gonzalez i wsp. 2025; Deneault i wsp. 2024; Gashkarimov i wsp. 2023; Heinz i wsp. 2025; Kolding i wsp. 2024; Leaning i wsp. 2024; Pan i wsp. 2025; Pigoni i wsp. 2024; Plencler i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024; Sokół-Szawłowska i Sochacka 2025a, 2025b; Teferra i wsp. 2024; Więckiewicz 2025; Zhang i wsp. 2025). Dodatkowym celem jest krytyczna ocena ograniczeń metodologicznych i klinicznych obecnych badań oraz omówienie wyzwań etycznych i organizacyjnych, które warunkują odpowiedzialne wdrażanie tych rozwiązań do praktyki medycznej (Blease i Rodman 2025; Kolding i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024; Więckiewicz 2025; Zhang i wsp. 2025). W pracy uwzględniono również wybrane polskie publikacje dotyczące praktycznych zastosowań AI, w tym systemu MoodMon, personalizacji terapii w schizofrenii i zastosowania modeli językowych w psychiatrii (Barański 2026; Sokół-Szawłowska i Sochacka 2025a, 2025b; Więckiewicz 2025).

Podstawy technologiczne AI w psychiatrii

W psychiatrii wykorzystuje się przede wszystkim metody uczenia maszynowego nadzorowanego i nienadzorowanego, algorytmy ensemble, sieci neuronowe oraz modele deep learning (Quinn i wsp. 2024). Uczenie nadzorowane służy najczęściej do klasyfikacji diagnostycznej lub do przewidywania określonego wyniku klinicznego, na przykład odpowiedzi na leczenie, ryzyka samobójstwa czy hospitalizacji (Cruz-Gonzalez i wsp. 2025; Pigoni i wsp. 2024; Quinn i wsp. 2024). Uczenie nienadzorowane jest natomiast wykorzystywane do poszukiwania ukrytych struktur i podtypów w populacjach pacjentów (Quinn i wsp. 2024). Quinn i wsp. (2024) podkreślają, że w biologicznej psychiatrii AI odgrywa nie tylko rolę predykcyjną, lecz także odkrywczą, pomagając porządkować złożone relacje między danymi klinicznymi, neuroobrazowymi, genetycznymi i środowiskowymi.

Dane wejściowe dla modeli psychiatrycznych mogą mieć charakter klasyczny lub cyfrowy (Cruz-Gonzalez i wsp. 2025; Leaning i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024). Do pierwszej grupy należą wyniki skal objawowych, historia leczenia, rozpoznania współistniejące, dane neuropsychologiczne, elektroencefalografia (EEG), rezonans magnetyczny, informacje farmakologiczne czy profile laboratoryjne (Quinn i wsp. 2024). Do drugiej grupy zalicza się dane pasywne i aktywne zbierane przez smartfony, urządzenia ubieralne i systemy telemedyczne, w tym wzorce aktywności ruchowej, snu, komunikacji, używania urządzenia, geolokalizacji czy języka (Leaning i wsp. 2024; Sidani i wsp. 2024; Teferra i wsp. 2024). Takie podejście zwiększa szansę na uchwycenie dynamicznych zmian stanu psychicznego, ale zarazem rodzi trudności związane z jakością sygnału, zgodnością międzyplatformową, selekcją cech i bezpieczeństwem danych (Leaning i wsp. 2024; Sidani i wsp. 2024).

AI we wspomaganiu diagnostyki psychiatrycznej

Jednym z najlepiej rozwiniętych obszarów badań pozostaje wykorzystanie AI do wspomagania rozpoznawania zaburzeń psychicznych (Cruz-Gonzalez i wsp. 2025; Quinn i wsp. 2024). W przeglądzie systematycznym dotyczącym ogólnego zastosowania AI w zdrowiu psychicznym Cruz-Gonzalez i wsp. (2025) wykazali, że znacząca część prac koncentruje się na zastosowaniach diagnostycznych, zwłaszcza w depresji, schizofrenii, zaburzeniach lękowych i zaburzeniach afektywnych. Najczęściej używanymi metodami były support vector machine i random forest, a źródłami danych – skale objawowe, dokumentacja medyczna, mowa, obrazowanie mózgu i dane cyfrowe. Autorzy zwrócili jednak uwagę, że większość wyników pochodzi z badań proof-of-concept, a nie z dużych badań pragmatycznych prowadzonych w warunkach rutynowej opieki (Cruz-Gonzalez i wsp. 2025; Quinn i wsp. 2024).

W schizofrenii i psychozach AI była rozwijana zarówno jako narzędzie do klasyfikacji diagnostycznej, jak i do przewidywania określonych cech przebiegu choroby (Cruz-Gonzalez i wsp. 2025; Gashkarimov i wsp. 2023). Przegląd Gashkarimova i wsp. (2023) wskazuje, że do najczęściej analizowanych typów danych należą neuroobrazowanie, wyniki testów poznawczych i dane kliniczne. Autorzy ocenili, że narzędzia machine learning (ML) osiągają obiecujące wyniki w odróżnianiu pacjentów ze schizofrenią od osób zdrowych oraz w przewidywaniu wybranych charakterystyk klinicznych, jednak duża różnorodność zbiorów danych i strategii modelowania utrudnia porównania między badaniami. Oznacza to, że nawet wysoka trafność w pojedynczych pracach nie przekłada się automatycznie na gotowość do użycia klinicznego (Cruz-Gonzalez i wsp. 2025; Quinn i wsp. 2024).

W polskim piśmiennictwie zagadnienie to zostało podjęte między innymi w kontekście schizofrenii. Barański (2026) omówił potencjalne zastosowania AI w personalizacji terapii i predykcji nawrotów, wskazując na możliwość wykorzystania danych behawioralnych, biometrycznych, językowych i środowiskowych do bardziej dynamicznego monitorowania pacjentów. Znaczenie tej pracy polega nie tylko na przedstawieniu potencjału technologicznego, lecz także na osadzeniu problemu w realiach leczenia schizofrenii, gdzie nawrotowość, trudności w przestrzeganiu zaleceń i ograniczony dostęp do stałej obserwacji są istotnymi problemami klinicznymi.

Równie interesujące są dane dotyczące choroby afektywnej dwubiegunowej. Według metaanalizy Pan i wsp. (2025) modele ML wykazywały wysokie zbiorcze parametry diagnostyczne w rozpoznawaniu zaburzenia afektywnego dwubiegunowego, przy czym autorzy zaznaczyli, że liczba badań była ograniczona, a ich metodologiczna różnorodność znaczna. W praktyce sugeruje to, że AI może wspierać różnicowanie zaburzeń afektywnych, ale wymaga lepszej walidacji zewnętrznej i porównania z realnym procesem diagnostycznym prowadzonym przez klinicystę (Pan i wsp. 2025; Quinn i wsp. 2024).

Przetwarzanie języka naturalnego w psychiatrii

Przetwarzanie języka naturalnego zajmuje w psychiatrii miejsce szczególne, ponieważ język jest jednym z podstawowych nośników objawów psychopatologicznych. Zmiany w strukturze wypowiedzi, spójności narracji, doborze słów, ekspresji afektywnej czy płynności mowy mogą odzwierciedlać depresję, manię, psychozę, zaburzenia lękowe lub ryzyko pogorszenia stanu psychicznego (Deneault i wsp. 2024; Teferra i wsp. 2024). W przeglądzie dotyczącym depresji Teferra i wsp. (2024) opisali szeroki zakres zastosowań NLP – od analizy transkrypcji wywiadów klinicznych po analizę wpisów w mediach społecznościowych i tekstów generowanych spontanicznie przez pacjentów. Autorzy podkreślają, że NLP umożliwia wykrywanie subtelnych cech językowych niewidocznych w zwykłej analizie klinicznej, ale jednocześnie jest wyjątkowo wrażliwe na jakość danych, różnice kulturowe i językowe oraz na problem przenoszenia modeli między populacjami.

W schizofrenii i zaburzeniach psychotycznych NLP bywa wykorzystywane do analizy dezorganizacji myślenia i formalnych zaburzeń toku wypowiedzi. Deneault i wsp. (2024) wykazali, że narzędzia NLP są stosowane do oceny spójności semantycznej, cech składniowych, tangencjalności, ubóstwa treści i innych wykładników językowych związanych z psychopatologią psychotyczną. Ich przegląd podkreśla jednak, że chociaż technologia ta jest obiecująca, nadal nie istnieją jednolite standardy pozyskiwania próbek językowych, ich anotacji i interpretacji klinicznej. W efekcie NLP pozostaje bardziej narzędziem badawczym i translacyjnym niż gotowym testem wspierającym decyzję lekarską w codziennej praktyce (Deneault i wsp. 2024; Teferra i wsp. 2024).

Digital phenotyping i monitorowanie objawów

Jednym z najbardziej dynamicznych kierunków rozwoju współczesnej psychiatrii cyfrowej jest digital phenotyping, rozumiane jako ciągłe, zwykle pasywne, gromadzenie danych z urządzeń cyfrowych w celu opisu zachowania i funkcjonowania psychicznego pacjenta (Leaning i wsp. 2024; Sidani i wsp. 2024). W praktyce obejmuje to analizę aktywności ruchowej, rytmu dobowego, wzorców snu, zmienności lokalizacji, liczby kontaktów społecznych czy intensywności używania telefonu. Systematyczny przegląd dotyczący depresji, który przeprowadzili Leaning i wsp. (2024), wykazał, że modele oparte na danych smartfonowych uzyskują najczęściej umiarkowaną skuteczność predykcyjną, a najlepsze wyniki osiąga się przy łączeniu wielu strumieni danych, a nie przy poleganiu na pojedynczych wskaźnikach. Jednocześnie autorzy bardzo mocno akcentują brak standaryzacji, niewystarczającą walidację zewnętrzną i trudność w przełożeniu wyników na użyteczne decyzje kliniczne.

Znaczenie digital phenotyping jest szczególnie duże w psychiatrii ambulatoryjnej, gdzie klasyczna obserwacja objawów poza wizytami jest ograniczona (Leaning i wsp. 2024; Sidani i wsp. 2024). Dane cyfrowe mogą wykrywać pogarszanie się nastroju, zaburzenia snu, wycofanie społeczne lub narastające rozregulowanie rytmu dobowego jeszcze przed pełnoobjawowym nawrotem (Leaning i wsp. 2024). Z drugiej strony, ich interpretacja pozostaje trudna, ponieważ podobne wzorce behawioralne mogą odpowiadać bardzo różnym stanom klinicznym (Leaning i wsp. 2024; Sidani i wsp. 2024). Sidani i wsp. (2024) podkreślają, że rozwój digital psychiatry powinien iść w parze z opracowaniem praktycznych standardów integracji danych, zasad nadzoru klinicznego i modeli odpowiedzialności za decyzje podejmowane na podstawie sygnałów cyfrowych.

Predykcja ryzyka samobójczego

Ocena ryzyka samobójczego należy do najtrudniejszych i jednocześnie najważniejszych zadań psychiatrii klinicznej. Zainteresowanie zastosowaniem AI w tym obszarze wynika z potrzeby wyjścia poza statyczne, punktowe oceny ryzyka i włączenia do analizy bardziej złożonych kombinacji czynników klinicznych i środowiskowych (Pigoni i wsp. 2024). Systematyczny przegląd obejmujący badania prowadzone w populacjach psychiatrycznych wykazał rosnącą liczbę prac wykorzystujących ML do przewidywania prób samobójczych i innych zachowań suicydalnych. Autorzy zauważyli jednak, że badania te różniły się pod względem definicji punktów końcowych, typów danych wejściowych, metod uczenia i raportowanych miar skuteczności, co znacznie utrudnia porównywanie wyników (Pigoni i wsp. 2024).

Z klinicznego punktu widzenia AI może pomóc w integracji rozproszonych informacji: wcześniejszych prób samobójczych, rozpoznań psychiatrycznych, wzorców hospitalizacji, danych z dokumentacji medycznej czy języka pacjenta (Pigoni i wsp. 2024; Teferra i wsp. 2024). Mimo to aktualny stan dowodów nie uzasadnia traktowania modeli predykcyjnych jako narzędzi autonomicznych (Kolding i wsp. 2024; Pigoni i wsp. 2024). Wysoka czułość kosztem swoistości mogłaby prowadzić do nadmiernej liczby wyników fałszywie dodatnich, natomiast nadmierne zaufanie do modelu mogłoby paradoksalnie obniżać czujność kliniczną (Pigoni i wsp. 2024). Dlatego większość autorów rekomenduje traktowanie AI jako dodatkowego komponentu oceny, a nie zamiennika kompleksowej oceny psychiatrycznej (Kolding i wsp. 2024; Pigoni i wsp. 2024).

Predykcja nawrotów, hospitalizacji i przebiegu choroby

Kolejnym ważnym zastosowaniem AI w psychiatrii jest przewidywanie przebiegu choroby (Cruz-Gonzalez i wsp. 2025; Leaning i wsp. 2024; Quinn i wsp. 2024). Dotyczy to zwłaszcza zaburzeń o charakterze nawrotowym i epizodycznym, takich jak choroba afektywna dwubiegunowa, depresja nawracająca czy przewlekłe zaburzenia psychotyczne (Leaning i wsp. 2024; Pan i wsp. 2025). Modele predykcyjne są rozwijane w celu oceny ryzyka dekompensacji, ponownej hospitalizacji, pogorszenia funkcjonowania lub niekorzystnej odpowiedzi na leczenie (Cruz-Gonzalez i wsp. 2025; Leaning i wsp. 2024; Quinn i wsp. 2024). Przeglądy z ostatnich lat pokazują, że największe nadzieje wiąże się z modelami multimodalnymi, łączącymi dane kliniczne, neuroobrazowe i cyfrowe (Leaning i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024). Podobnie jak w innych obszarach dominują jednak badania o ograniczonej liczebności prób i niejednolitej metodologii (Cruz-Gonzalez i wsp. 2025; Leaning i wsp. 2024; Quinn i wsp. 2024).

Znaczenie takich modeli byłoby potencjalnie ogromne. Możliwość przewidzenia nawrotu przed wystąpieniem pełnych objawów mogłaby pozwolić na wcześniejszą interwencję farmakologiczną, psychoterapeutyczną lub środowiskową (Leaning i wsp. 2024; Sidani i wsp. 2024). W praktyce jednak przydatność kliniczna zależy nie tylko od miar statystycznych modelu, lecz także od tego, czy jego wynik rzeczywiście zmienia decyzję terapeutyczną i poprawia efekt leczenia (Quinn i wsp. 2024; Sidani i wsp. 2024). To właśnie na tym etapie – oceny realnego wpływu na proces kliniczny – literatura wciąż jest najsłabsza (Cruz-Gonzalez i wsp. 2025; Quinn i wsp. 2024; Sidani i wsp. 2024).

Personalizacja leczenia i psychiatria precyzyjna

Jednym z najczęściej przywoływanych argumentów na rzecz wykorzystania AI w psychiatrii jest jej potencjał wspierania psychiatrii precyzyjnej (Quinn i wsp. 2024). Chodzi przede wszystkim o możliwość przewidywania, który pacjent z większym prawdopodobieństwem odpowie na określoną farmakoterapię, u którego ryzyko działań niepożądanych będzie większe, a u którego korzystniejsze okaże się określone połączenie interwencji biologicznych i psychoterapeutycznych (Pan i wsp. 2025; Quinn i wsp. 2024). Quinn i wsp. (2024) wskazują, że biologiczna psychiatria coraz częściej operuje na danych wielowarstwowych, a ML może pomóc przekształcić je w wiedzę praktyczną. Aby tak się stało, potrzebne są jednak duże, dobrze scharakteryzowane kohorty i bardziej rygorystyczne projekty walidacyjne.

Najbardziej realnym krótkoterminowym zastosowaniem wydaje się wspomaganie decyzji, a nie automatyczny dobór terapii. W praktyce klinicznej psychiatra potrzebuje narzędzia, które uporządkuje złożoność danych i wskaże warianty postępowania, pozostawiając ostateczną decyzję człowiekowi (Quinn i wsp. 2024; Sidani i wsp. 2024). Taki model współpracy człowiek–algorytm jest spójny z obecnym stanem wiedzy i lepiej odpowiada rzeczywistym potrzebom klinicznym niż wizja pełnej automatyzacji (Kolding i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024).

Polskie doświadczenia i prace dotyczące AI w psychiatrii

Uwzględnienie polskiego piśmiennictwa jest istotne, ponieważ pokazuje, że zastosowanie AI w psychiatrii nie jest wyłącznie zagadnieniem teoretycznym ani problemem odległym od lokalnej praktyki klinicznej. Przykładem praktycznej aplikacji AI jest system MoodMon, stworzony w Polsce dla pacjentów z zaburzeniami afektywnymi (Sokół-Szawłowska i Sochacka 2025a, 2025b). W badaniu skuteczności systemu analizowano fizyczne parametry głosu u pacjentów z chorobą afektywną dwubiegunową i depresją nawracającą, łącząc dane z aplikacji mobilnej, ocen klinicznych oraz modułu AI/ML. Autorki wykazały, że wybrane parametry głosu mogą pełnić funkcję biomarkerów cyfrowych zmian stanu psychicznego, a system osiągał wysokie wartości czułości i swoistości w detekcji zmian klinicznych (Sokół-Szawłowska i Sochacka 2025b).

Druga praca dotycząca MoodMon koncentrowała się na wstępnej ocenie aplikacji z perspektywy pacjentów z chorobą afektywną dwubiegunową i nawracającymi zaburzeniami depresyjnymi (Sokół-Szawłowska i Sochacka 2025a). Jest to szczególnie ważne, ponieważ skuteczność narzędzia cyfrowego zależy nie tylko od parametrów algorytmu, lecz także od akceptacji użytkowników, prostoty obsługi, poczucia bezpieczeństwa i gotowości do długotrwałego korzystania z aplikacji. Takie badania uzupełniają klasyczne prace walidacyjne, pokazując bardziej praktyczny wymiar wdrażania AI do opieki psychiatrycznej.

Polskie publikacje odnoszą się także do zastosowania dużych modeli językowych i ChatGPT w psychiatrii. Więckiewicz (2025) zwrócił uwagę na potencjalne zastosowania modeli językowych w dokumentacji medycznej, psychoedukacji, analizie wypowiedzi pacjentów oraz wspieraniu procesu decyzyjnego, jednocześnie podkreślając ryzyko błędnych informacji, brak wystarczających badań klinicznych i potrzebę ostrożności przy używaniu tych technologii. Z kolei Barański (2026) przedstawił możliwość zastosowania AI w leczeniu schizofrenii, zwłaszcza w zakresie personalizacji terapii i przewidywania nawrotów, co wpisuje się w szerszą koncepcję psychiatrii precyzyjnej.

Włączenie tych prac pozwala lepiej zrównoważyć obraz literatury. Pokazuje, że obok dużych badań anglojęzycznych i przeglądów międzynarodowych istnieją również polskie próby projektowania, oceny i krytycznej analizy narzędzi AI w psychiatrii (Barański 2026; Sokół-Szawłowska i Sochacka 2025a, 2025b; Więckiewicz 2025). Z perspektywy praktyki klinicznej ma to znaczenie, ponieważ lokalne rozwiązania mogą być lepiej dopasowane do języka, organizacji systemu ochrony zdrowia, realiów ambulatoryjnych i oczekiwań pacjentów w Polsce.

Generatywna AI i terapeutyczne chatboty w zdrowiu psychicznym

Osobne miejsce w dyskusji zajmuje generatywna AI, zwłaszcza chatboty oparte na dużych modelach językowych (Blease i Rodman 2025; Heinz i wsp. 2025; Kolding i wsp. 2024; Więckiewicz 2025; Zhang i wsp. 2025). Wcześniejsze generacje chatbotów w zdrowiu psychicznym opierały się często na sztywnych regułach, scenariuszach psychoedukacyjnych lub ograniczonych modułach poznawczo-behawioralnych. Obecnie coraz większe znaczenie zyskują systemy generatywne, które potrafią prowadzić bardziej naturalną rozmowę, dopasowywać treść odpowiedzi do słów użytkownika oraz podtrzymywać dłuższą interakcję (Heinz i wsp. 2025; Kolding i wsp. 2024; Zhang i wsp. 2025). W literaturze określa się je niekiedy jako terapeutyczne chatboty lub teraboty, choć samo nazewnictwo może być mylące, ponieważ nie każdy system konwersacyjny spełnia kryteria interwencji terapeutycznej (Blease i Rodman 2025; Heinz i wsp. 2025; Kolding i wsp. 2024; Zhang i wsp. 2025).

Kolding i wsp. (2024) w systematycznym przeglądzie zastosowań generatywnej AI w psychiatrii i opiece nad zdrowiem psychicznym wykazali, że obszar ten rozwija się bardzo szybko, ale nadal cechuje go ograniczona i nierówna baza dowodowa. Badane zastosowania obejmowały wsparcie psychoedukacyjne, wstępne odpowiadanie na pytania pacjentów, generowanie podsumowań klinicznych, pomoc w dokumentacji oraz tworzenie konwersacyjnych interfejsów terapeutycznych. Autorzy podkreślają jednak, że dynamika wdrażania tych narzędzi wyprzedza ich rzetelną ocenę naukową.

Istotnym uzupełnieniem tej literatury jest randomizowane badanie Heinza i wsp. (2025), w którym oceniano Therabota, czyli specjalistycznie dostrojonego chatbota generatywnego przeznaczonego do interwencji w zakresie zdrowia psychicznego. Badanie objęło osoby dorosłe z klinicznie istotnymi objawami dużej depresji, uogólnionego zaburzenia lękowego lub wysokiego ryzyka zaburzeń odżywiania, a uczestników randomizowano do interwencji z użyciem Therabota albo do grupy oczekującej. Wyniki wskazywały na istotną redukcję nasilenia objawów w grupie korzystającej z chatbota oraz na relatywnie dobrą akceptację narzędzia przez uczestników. Praca ta jest ważna, ponieważ stanowi jeden z pierwszych przykładów randomizowanej oceny w pełni generatywnego chatbota terapeutycznego w populacji z klinicznie nasilonymi objawami.

Wyniki tego typu badań należy jednak interpretować ostrożnie. W badaniu Heinza i wsp. (2025) grupą kontrolną była lista oczekujących, a nie aktywna psychoterapia prowadzona przez terapeutę ani aktywny chatbot – placebo. Dlatego nie można na tej podstawie wnioskować, że chatbot jest równoważny psychoterapii prowadzonej przez człowieka. Można natomiast stwierdzić, że dobrze zaprojektowany, nadzorowany i klinicznie dostrojony terabot może istotnie redukować objawy w porównaniu z brakiem aktywnej interwencji oraz może stanowić obiecujące narzędzie wspierające dostępność pomocy psychologicznej (Heinz i wsp. 2025; Zhang i wsp. 2025).

Najnowsza metaanaliza wskazuje, że generatywne chatboty zdrowia psychicznego mogą przynosić mały do umiarkowanego, ale statystycznie istotny efekt w redukcji negatywnych wskaźników zdrowia psychicznego (Zhang i wsp. 2025). Autorzy objęli analizą 26 badań w syntezie narracyjnej i 14 badań randomizowanych w metaanalizie, wskazując, że efekty były szczególnie widoczne w odniesieniu do objawów depresyjnych. Zwrócili również uwagę, że chatboty bardziej społecznie zorientowane, budujące poczucie wsparcia i relacyjności, mogą działać korzystniej niż programy wyłącznie zadaniowe. Wnioski te są dalej idące niż wcześniejsze, bardziej zachowawcze oceny literatury, ale jednocześnie autorzy podkreślili umiarkowane lub wysokie ryzyko błędu systematycznego w wielu badaniach oraz potrzebę dalszych badań klinicznych.

Największą zaletą generatywnej AI jest zdolność do szybkiego przetwarzania i formułowania informacji w języku naturalnym. W zdrowiu psychicznym może to ułatwiać tworzenie materiałów psychoedukacyjnych, tłumaczenie złożonych pojęć, wspieranie dokumentacji oraz organizację informacji klinicznej (Kolding i wsp. 2024; Więckiewicz 2025). Z drugiej strony systemy te są narażone na zjawisko konfabulacji, niekonsekwencji odpowiedzi i reprodukcji błędów obecnych w danych treningowych (Blease i Rodman 2025; Kolding i wsp. 2024; Więckiewicz 2025). W etycznej ocenie Blease i Rodmana (2025) podkreślono, że generatywna AI może wspierać zadania kliniczne, ale wiąże się z ryzykiem błędnych informacji, subtelnych uprzedzeń, niejasności odpowiedzialności oraz naruszeń autonomii pacjenta, jeśli nie jest stosowana w sposób przejrzysty i nadzorowany.

W psychiatrii problem ten jest szczególnie istotny, ponieważ relacja terapeutyczna ma wymiar nie tylko informacyjny, lecz także emocjonalny, egzystencjalny i etyczny (Blease i Rodman 2025; Zhang i wsp. 2025). Chatbot może imitować empatię i prowadzić uporządkowaną rozmowę, lecz nie ponosi odpowiedzialności klinicznej, nie dysponuje pełnym rozumieniem sytuacji życiowej pacjenta i nie zastępuje badania psychiatrycznego (Blease i Rodman 2025; Więckiewicz 2025; Zhang i wsp. 2025). Z tego powodu współczesne piśmiennictwo coraz częściej akcentuje potrzebę wyraźnego oddzielenia narzędzi wspierających od narzędzi zastępujących kontakt ze specjalistą (Blease i Rodman 2025; Kolding i wsp. 2024; Więckiewicz 2025; Zhang i wsp. 2025).

Ograniczenia metodologiczne badań nad AI w psychiatrii

Najpoważniejszym problemem obecnej literatury nie jest brak obiecujących wyników, lecz ich ograniczona przekładalność kliniczna. W wielu pracach stosuje się małe, jednorodne próby, brakuje niezależnych kohort walidacyjnych, raportowanie zmiennych jest niepełne, definicje punktów końcowych są niejednolite (Cruz-Gonzalez i wsp. 2025; Leaning i wsp. 2024; Pigoni i wsp. 2024; Quinn i wsp. 2024). Często modele są trenowane na danych pozyskiwanych w kontrolowanych warunkach badawczych, które znacząco odbiegają od realiów codziennej praktyki psychiatrycznej (Cruz-Gonzalez i wsp. 2025; Leaning i wsp. 2024; Pigoni i wsp. 2024). W konsekwencji model może osiągać wysoką trafność w badaniu, ale nie zachowywać tej samej jakości po wdrożeniu do zróżnicowanej populacji klinicznej (Cruz-Gonzalez i wsp. 2025; Leaning i wsp. 2024; Pigoni i wsp. 2024; Quinn i wsp. 2024).

Dodatkową trudność stanowi sama natura zaburzeń psychicznych. Kategorie diagnostyczne są heterogeniczne, przebieg chorób zmienny, a granice między jednostkami często nieostre (Quinn i wsp. 2024). To sprawia, że nawet bardzo zaawansowany model może uczyć się uproszczeń obecnych w systemie diagnostycznym, a nie rzeczywistych mechanizmów biologicznych czy psychopatologicznych. Quinn i wsp. (2024) zwracają uwagę, że AI może być potężnym narzędziem odkrywczym, ale bez odpowiedniego osadzenia w teorii i krytycznej interpretacji klinicznej istnieje ryzyko nadmiernej wiary w samą predykcję, bez zrozumienia jej źródeł.

Ograniczenia organizacyjne i implementacyjne

Nawet najlepszy model nie przyniesie korzyści, jeśli nie zostanie poprawnie zintegrowany z systemem opieki. Sidani i wsp. (2024) podkreślają, że wdrożenie digital psychiatry wymaga odpowiedniej infrastruktury, interoperacyjności systemów, szkoleń personelu, jasnych procedur reagowania na sygnały alarmowe i określenia odpowiedzialności za decyzje podejmowane przy wsparciu algorytmów. Problemem jest również ryzyko przeciążenia klinicystów dodatkowymi danymi, jeśli system nie filtruje ich w sposób klinicznie użyteczny. Narzędzie AI powinno zatem nie tylko być dokładne, lecz także ergonomiczne, interpretowalne i osadzone w realnym przepływie pracy.

Osobnym problemem jest szybka komercjalizacja AI w zdrowiu psychicznym. Wiele narzędzi trafia na rynek szybciej, niż powstają niezależne badania skuteczności, bezpieczeństwa i użyteczności klinicznej (Blease i Rodman 2025; Kolding i wsp. 2024; Więckiewicz 2025; Zhang i wsp. 2025). Może to prowadzić do sytuacji, w której marketing technologiczny wyprzedza realne dowody naukowe, a użytkownik lub klinicysta otrzymuje produkt trudny do oceny pod względem źródeł danych, sposobu trenowania modelu i granic odpowiedzialności (Blease i Rodman 2025; Więckiewicz 2025). W tym kontekście coraz większe znaczenie mogą mieć rozwiązania open source, które sprzyjają transparentności, audytowalności, replikowalności i lokalnej adaptacji narzędzi (Więckiewicz 2025). Nie oznacza to jednak, że otwarty kod sam w sobie gwarantuje bezpieczeństwo. Również systemy open source wymagają walidacji klinicznej, nadzoru prawnego, ochrony danych oraz jasnych procedur odpowiedzialności za ich zastosowanie (Blease i Rodman 2025; Sidani i wsp. 2024; Więckiewicz 2025).

Aspekty etyczne i prawne

Psychiatria operuje na danych szczególnie wrażliwych. Obejmują one nie tylko informacje o chorobie, lecz także treści wypowiedzi, relacje interpersonalne, wzorce zachowania i potencjalnie dane środowiskowe (Blease i Rodman 2025; Kolding i wsp. 2024; Sidani i wsp. 2024; Teferra i wsp. 2024). Digital phenotyping i generatywna AI zwiększają skalę oraz szczegółowość zbieranych informacji, a tym samym podnoszą stawkę etyczną (Blease i Rodman 2025; Kolding i wsp. 2024; Leaning i wsp. 2024; Sidani i wsp. 2024). Współczesne przeglądy zwracają uwagę na kilka podstawowych ryzyk: naruszenie prywatności, niewystarczająco poinformowaną zgodę, utrwalanie biasów społecznych, błędną klasyfikację pacjentów oraz niejasność co do tego, kto odpowiada za błąd wspomagany przez AI (Blease i Rodman 2025; Kolding i wsp. 2024; Sidani i wsp. 2024).

Szczególne znaczenie ma problem przejrzystości. W psychiatrii decyzja kliniczna bardzo często ma duże konsekwencje – może wpływać na hospitalizację, farmakoterapię, ograniczenia bezpieczeństwa czy ocenę zdolności funkcjonowania. Stosowanie modeli typu black box bez odpowiedniego nadzoru i możliwości krytycznej weryfikacji może być trudne do pogodzenia z zasadami dobrej praktyki medycznej (Blease i Rodman 2025; Sidani i wsp. 2024). Z tego względu literatura konsekwentnie akcentuje potrzebę modelu human-in-the-loop, w którym AI wspiera ocenę, ale nie odbiera odpowiedzialności klinicznej lekarzowi (Blease i Rodman 2025; Kolding i wsp. 2024; Sidani i wsp. 2024).

Integracja AI z praktyką kliniczną – perspektywa wdrożeniowa

Implementacja metod AI w warunkach klinicznych, pomimo ich dynamicznego rozwoju, pozostaje ograniczona (Cruz-Gonzalez i wsp. 2025; Quinn i wsp. 2024; Sidani i wsp. 2024). Z perspektywy praktyki klinicznej szczególnego znaczenia nabiera integracja systemów AI z istniejącą infrastrukturą ochrony zdrowia oraz rzeczywistym workflow lekarza psychiatry (Quinn i wsp. 2024; Sidani i wsp. 2024).

W praktyce klinicznej kluczowe znaczenie ma nie tyle maksymalizacja dokładności modelu, ile jego użyteczność decyzyjna. Oznacza to, że system AI powinien dostarczać informacji możliwych do interpretacji, osadzonych w kontekście klinicznym i wspierających, a nie zastępujących proces decyzyjny lekarza (Blease i Rodman 2025; Quinn i wsp. 2024).

Szczególnym wyzwaniem jest integracja danych multimodalnych, obejmujących dane kliniczne, środowiskowe oraz cyfrowe, co wymaga zarówno rozwiązań technologicznych, jak i nowych modeli organizacyjnych opieki psychiatrycznej (Blease i Rodman 2025; Leaning i wsp. 2024; Sidani i wsp. 2024). W tym kontekście coraz większe znaczenie zyskują koncepcje clinical decision support systems (CDSS), które mogą stanowić pomost między badaniami nad AI a ich rzeczywistym zastosowaniem w praktyce psychiatrycznej (Quinn i wsp. 2024; Sidani i wsp. 2024). W piśmiennictwie podkreśla się, że o powodzeniu wdrożenia decydują nie tylko parametry modelu, lecz także interoperacyjność, ergonomia, nadzór kliniczny i zaufanie użytkowników końcowych (Blease i Rodman 2025; Sidani i wsp. 2024).

Integracja AI z technologiami immersyjnymi i urządzeniami ubieralnymi w psychiatrii

W ostatnich latach obserwuje się rosnące zainteresowanie integracją AI z technologiami immersyjnymi oraz urządzeniami ubieralnymi w psychiatrii. Rozwiązania te wpisują się w koncepcję psychiatrii cyfrowej i precyzyjnej, umożliwiając ciągłe monitorowanie stanu pacjenta oraz dynamiczne dostosowywanie interwencji terapeutycznych (Leaning i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024).

Szczególną rolę odgrywają systemy oparte na rzeczywistości wirtualnej (virtual reality – VR), które znajdują zastosowanie zarówno w terapii zaburzeń lękowych, zespołu stresu pourazowego, jak i w rehabilitacji poznawczej oraz wspomaganiu leczenia zaburzeń psychotycznych. Badania wskazują, że immersyjne środowiska mogą wpływać na regulację emocji, poziom stresu i funkcjonowanie poznawcze pacjentów (Plencler i wsp. 2024). Integracja VR z algorytmami AI pozwala dodatkowo na adaptacyjne dostosowanie scenariuszy terapeutycznych do aktualnego stanu psychicznego użytkownika, choć obszar ten nadal wymaga lepszej walidacji klinicznej (Plencler i wsp. 2024; Sidani i wsp. 2024).

Równolegle rozwijają się systemy oparte na urządzeniach ubieralnych, takich jak opaski monitorujące aktywność fizjologiczną, rytm serca czy parametry snu. W połączeniu z metodami uczenia maszynowego dane te mogą być wykorzystywane do wczesnego wykrywania pogorszenia stanu psychicznego, nawrotu choroby lub zwiększonego ryzyka kryzysu psychicznego (Leaning i wsp. 2024; Sidani i wsp. 2024). W szczególności analizowane są zmiany w rytmie dobowym, aktywności ruchowej i wzorcach snu jako potencjalne biomarkery cyfrowe zaburzeń psychicznych (Leaning i wsp. 2024).

Coraz większe znaczenie zyskują także systemy biofeedbacku i neurofeedbacku, w których sygnały fizjologiczne, takie jak EEG, są analizowane w czasie rzeczywistym i wykorzystywane do wspomagania regulacji emocjonalnej i procesów poznawczych (Gashkarimov i wsp. 2023; Quinn i wsp. 2024). Integracja tych systemów z AI umożliwia automatyczną analizę sygnałów i personalizację interwencji terapeutycznych (Quinn i wsp. 2024).

W kontekście klinicznym szczególnie interesujące wydają się rozwiązania łączące wiele modalności – VR, biofeedback oraz monitoring fizjologiczny – w ramach jednego systemu terapeutycznego. Takie podejście może pozwolić na stworzenie kompleksowych środowisk terapeutycznych, które nie tylko reagują na stan pacjenta, lecz także aktywnie go modulują (Gashkarimov i wsp. 2023; Sidani i wsp. 2024).

Wdrożenie tych technologii do praktyki klinicznej, mimo ich dużego potencjału, napotyka na szereg ograniczeń, w tym brak standaryzacji protokołów terapeutycznych, ograniczoną walidację kliniczną oraz wyzwania związane z integracją danych i bezpieczeństwem informacji (Blease i Rodman 2025; Gashkarimov i wsp. 2023; Leaning i wsp. 2024; Sidani i wsp. 2024). Wymaga to dalszych badań prospektywnych oraz opracowania ram regulacyjnych umożliwiających bezpieczne i skuteczne wykorzystanie tych rozwiązań w psychiatrii (Blease i Rodman 2025; Sidani i wsp. 2024).

Perspektywy rozwoju

Najbardziej prawdopodobny scenariusz rozwoju AI w psychiatrii nie polega na zastąpieniu psychiatry, lecz na stopniowej budowie systemów wspomagania decyzji klinicznych (clinical decision support systems – CDSS) zintegrowanych z codzienną praktyką (Blease i Rodman 2025; Quinn i wsp. 2024; Sidani i wsp. 2024). Ich siłą będzie integracja danych wielomodalnych i dynamicznych, obejmujących informacje kliniczne, językowe, cyfrowe i biologiczne, co pozwoli na bardziej kompleksową ocenę stanu pacjenta (Leaning i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024; Teferra i wsp. 2024).

Największy potencjał mają obecnie rozwiązania, które umożliwiają wczesne wykrywanie pogorszenia stanu psychicznego, wspierają proces diagnostyczny i dokumentacyjny oraz poprawiają ciągłość monitorowania pacjentów poza wizytami lekarskimi (Kolding i wsp. 2024; Leaning i wsp. 2024; Sidani i wsp. 2024). Z punktu widzenia praktyki klinicznej kluczowe znaczenie będzie miała nie tylko dokładność modeli, lecz przede wszystkim ich interpretowalność, użyteczność decyzyjna oraz zdolność do integracji z istniejącymi systemami opieki zdrowotnej (Blease i Rodman 2025; Quinn i wsp. 2024; Sidani i wsp. 2024).

Istotnym kierunkiem rozwoju jest również integracja AI z technologiami immersyjnymi, urządzeniami ubieralnymi i systemami biofeedbacku, co może prowadzić do powstania zintegrowanych, adaptacyjnych środowisk terapeutycznych (Leaning i wsp. 2024; Plencler i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024). Takie rozwiązania mogą w przyszłości umożliwić bardziej spersonalizowane i dynamiczne podejście do terapii zaburzeń psychicznych, szczególnie w modelu psychiatrii cyfrowej i precyzyjnej (Leaning i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024).

Jednocześnie dalszy rozwój tej dziedziny będzie zależał nie tyle od postępu technologicznego, ile od jakości badań walidacyjnych, interoperacyjności systemów, akceptacji klinicznej oraz zaufania pacjentów (Blease i Rodman 2025; Kolding i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024). Coraz większe znaczenie będą miały badania prospektywne oceniające zarówno dokładność modeli, jak i ich realny wpływ na decyzje terapeutyczne, bezpieczeństwo oraz wyniki leczenia (Cruz-Gonzalez i wsp. 2025; Quinn i wsp. 2024; Sidani i wsp. 2024). Dotyczy to zwłaszcza generatywnych chatbotów terapeutycznych, których skuteczność w pierwszych randomizowanych badaniach i metaanalizach wydaje się obiecująca, ale nadal wymaga porównań z aktywnymi interwencjami, dłuższej obserwacji oraz oceny bezpieczeństwa w populacjach szczególnie wrażliwych (Heinz i wsp. 2025; Zhang i wsp. 2025).

To właśnie zdolność do przejścia od badań eksperymentalnych do rzeczywistej implementacji klinicznej zdecyduje, czy AI stanie się trwałym elementem praktyki psychiatrycznej, czy pozostanie głównie narzędziem badawczym (Cruz-Gonzalez i wsp. 2025; Kolding i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024).

Podsumowanie

Wykorzystanie AI należy do najważniejszych zagadnień i wyzwań współczesnej psychiatrii. Jej zastosowania obejmują wspomaganie diagnostyki, analizę języka naturalnego, monitorowanie cyfrowe, ocenę ryzyka samobójczego, prognozowanie przebiegu choroby oraz wspieranie personalizacji leczenia (Barański 2026; Blease i Rodman 2025; Cruz-Gonzalez i wsp. 2025; Deneault i wsp. 2024; Gashkarimov i wsp. 2023; Kolding i wsp. 2024; Leaning i wsp. 2024; Pan i wsp. 2025; Pigoni i wsp. 2024; Plencler i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024; Sokół-Szawłowska i Sochacka 2025a, 2025b; Teferra i wsp. 2024; Więckiewicz 2025). Aktualne piśmiennictwo wskazuje, że techniki AI osiągają obiecujące wyniki szczególnie wtedy, gdy analizują dane wielowymiarowe i dynamiczne, pochodzące z różnych źródeł klinicznych, biologicznych i cyfrowych (Barański 2026; Cruz-Gonzalez i wsp. 2025; Leaning i wsp. 2024; Pigoni i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024; Sokół-Szawłowska i Sochacka 2025b).

Istotnym uzupełnieniem literatury międzynarodowej są polskie prace dotyczące praktycznych zastosowań AI w psychiatrii. System MoodMon pokazuje możliwość wykorzystania parametrów głosu i danych cyfrowych do monitorowania pacjentów z zaburzeniami afektywnymi, natomiast prace dotyczące ChatGPT i AI w schizofrenii wskazują na rosnące znaczenie modeli językowych, personalizacji terapii i predykcji nawrotów w lokalnym kontekście klinicznym (Barański 2026; Sokół-Szawłowska i Sochacka 2025a, 2025b; Więckiewicz 2025). Uwzględnienie tych publikacji pozwala lepiej osadzić problem w realiach polskiej psychiatrii oraz wskazuje, że rozwój AI powinien być oceniany nie tylko przez pryzmat globalnych rozwiązań technologicznych, lecz także przez ich dopasowanie do języka, systemu ochrony zdrowia i potrzeb pacjentów (Barański 2026; Sokół-Szawłowska i Sochacka 2025a, 2025b; Więckiewicz 2025).

Coraz większe znaczenie zyskują terapeutyczne chatboty, w tym narzędzia oparte na generatywnej AI. Randomizowane badanie Heinza i wsp. (2025) oraz metaanaliza Zhang i wsp. (2025) wskazują, że tego typu interwencje mogą redukować objawy depresyjne, lękowe i inne wskaźniki obciążenia psychicznego, zwłaszcza gdy są projektowane jako narzędzia relacyjne i wspierające, a nie wyłącznie zadaniowe. Wnioski te są bardziej optymistyczne niż wcześniejsze oceny literatury, jednak nadal wymagają ostrożnej interpretacji ze względu na ograniczenia metodologiczne, rodzaj grup kontrolnych, ryzyko biasu oraz brak wystarczających danych długoterminowych.

Jednocześnie większość dostępnych badań pozostaje na etapie translacyjnym lub wczesno­wdrożeniowym, a ich praktyczna wartość zależy od jakości walidacji zewnętrznej, interpretowalności modeli, standaryzacji danych i bezpieczeństwa stosowania (Blease i Rodman 2025; Cruz-Gonzalez i wsp. 2025; Kolding i wsp. 2024; Leaning i wsp. 2024; Pigoni i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024; Zhang i wsp. 2025). Z perspektywy klinicznej coraz wyraźniej widać, że przyszłość AI w psychiatrii nie polega na zastąpieniu lekarza, lecz na rozwoju narzędzi wspomagania decyzji klinicznych zintegrowanych z rzeczywistym przebiegiem opieki oraz potrzebami pacjenta i zespołu terapeutycznego (Blease i Rodman 2025; Quinn i wsp. 2024; Sidani i wsp. 2024; Więckiewicz 2025).

Szczególnie obiecującym kierunkiem rozwoju pozostaje integracja AI z technologiami immersyjnymi, urządzeniami ubieralnymi oraz systemami biofeedbacku i neurofeedbacku (Leaning i wsp. 2024; Plencler i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024). Rozwiązania te mogą w przyszłości umożliwić bardziej ciągłe, spersonalizowane i adaptacyjne monitorowanie oraz wspomaganie terapii zaburzeń psychicznych, zwłaszcza w modelu psychiatrii cyfrowej i precyzyjnej (Leaning i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024). Jednocześnie ich wdrożenie wymaga dalszych badań prospektywnych, lepszego osadzenia w realiach praktyki klinicznej oraz stworzenia odpowiednich ram organizacyjnych, etycznych i regulacyjnych (Blease i Rodman 2025; Kolding i wsp. 2024; Plencler i wsp. 2024; Sidani i wsp. 2024).

Z perspektywy praktyki psychiatrycznej najbardziej uzasadnione jest obecnie postrzeganie AI jako narzędzia wspierającego pracę klinicysty, a nie zastępującego ocenę specjalisty. Dotyczy to zarówno systemów predykcyjnych, jak i generatywnych chatbotów terapeutycznych, które mogą zwiększać dostępność wsparcia, ale nie powinny być traktowane jako samodzielny zamiennik relacji terapeutycznej (Blease i Rodman 2025; Heinz i wsp. 2025; Więckiewicz 2025; Zhang i wsp. 2025). Dalszy rozwój tej dziedziny będzie zależał od równoczesnego postępu metodologicznego, technologicznego, organizacyjnego i etycznego, a także od zdolności do bezpiecznej integracji nowych rozwiązań z codzienną praktyką opieki nad pacjentem (Blease i Rodman 2025; Kolding i wsp. 2024; Quinn i wsp. 2024; Sidani i wsp. 2024; Więckiewicz 2025; Zhang i wsp. 2025).

Oświadczenia

Badanie nie otrzymało zewnętrznego finansowania.

Zgoda komisji etycznej: nie dotyczy.

Autorzy deklarują brak konfliktu interesów.

Piśmiennictwo