| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.66 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Mental health disorders affect nearly one billion individuals worldwide, with a growing prevalence over year, caused in part due to stigma and lack of treatment causing a high burden for healthcare systems. In this context, Large Language Models (LLMs), such as GPT-4, have emerged as transformative tools with the potential to improve mental health care. This master thesis conducts a scoping review of research published from 2023 onwards to explore the current applications of LLMs within the realm of mental health, with the objective of offering a thorough overview of their existing and prospective applications in clinical practices and data analysis. While LLMs hold promise in improving mental healthcare through early diagnosis, treatment planning, and the communication between patients and clinicians, this review has also pointed out the limitations the current models have, such as the high-risk mental health crisis, an inability to understand emotional subtleties which are crucial in the treatment of mental health, and concerns about ethics and data privacy in relation to the inherent biases of the training data. For future research, key areas include enhancing LLMs' skills in recognizing crises, creating tailored models for mental health for higher sensibility, and addressing significant ethical issues like bias and data privacy, which are essential for the gradual integration into the mental health field. LLMs integration in the mental health sector require a careful integration in order ensure patient safety and maintaining trust. It is imperative to have human oversight while using these tools, especially in high-risk clinical environments.
Perturbações de saúde mental afetam cerca de um bilião de pessoas mudialmente, com uma prevalência anual crescente, em parte devido ao estigma e insuficiência dos tratamentos, representando um elevado encargo para os sistemas de saúde. Neste contexto, os grandes modelos de linguagem (GMLs), como o GPT-4 surgiram como ferramentas inovadoras com potencial de melhorar os cuidados de saúde mental. Esta dissertação realiza uma revisão de escopo de estudos publicados a partir de 2023 que exploram as aplicações atuais de GMLs no domínio da saúde mental, com o objetivo oferecendo uma visão geral completa das suas aplicações atuais no contexto de práticas clínicas e análise de dados. Embora os GMLs demonstrem potencial para melhorar a saúde mental, em áreas como diagnóse prévia, planeamento clínico e promoção da comunicação paciente-médico, aponta também aponta algumas limitações, como a dificuldades em lidar com crises de alto risco, não compreender as subtilezas emocionais essenciais às conversas sobre saúde mental, questões éticas relacionadas com a privacidade dos dados e enviesamentos presentes nos dados de treino. Para investigação futura, as área principais incluem o reforço das competências dos GMLs no reconhecimento de crises, criação de modelos adaptados à saúde mental e abordagem de questões éticas, como o enviesamento e a privacidade dos dados, que são essenciais para a integração gradual no domínio da saúde mental. A integração dos GMLs neste setor exige uma integração cuidadosa, garantindo a segurança dos pacientes e a sua confiança. É imperativo que exista supervisão humana, especialmente em ambientes clínicos de alto risco.
Perturbações de saúde mental afetam cerca de um bilião de pessoas mudialmente, com uma prevalência anual crescente, em parte devido ao estigma e insuficiência dos tratamentos, representando um elevado encargo para os sistemas de saúde. Neste contexto, os grandes modelos de linguagem (GMLs), como o GPT-4 surgiram como ferramentas inovadoras com potencial de melhorar os cuidados de saúde mental. Esta dissertação realiza uma revisão de escopo de estudos publicados a partir de 2023 que exploram as aplicações atuais de GMLs no domínio da saúde mental, com o objetivo oferecendo uma visão geral completa das suas aplicações atuais no contexto de práticas clínicas e análise de dados. Embora os GMLs demonstrem potencial para melhorar a saúde mental, em áreas como diagnóse prévia, planeamento clínico e promoção da comunicação paciente-médico, aponta também aponta algumas limitações, como a dificuldades em lidar com crises de alto risco, não compreender as subtilezas emocionais essenciais às conversas sobre saúde mental, questões éticas relacionadas com a privacidade dos dados e enviesamentos presentes nos dados de treino. Para investigação futura, as área principais incluem o reforço das competências dos GMLs no reconhecimento de crises, criação de modelos adaptados à saúde mental e abordagem de questões éticas, como o enviesamento e a privacidade dos dados, que são essenciais para a integração gradual no domínio da saúde mental. A integração dos GMLs neste setor exige uma integração cuidadosa, garantindo a segurança dos pacientes e a sua confiança. É imperativo que exista supervisão humana, especialmente em ambientes clínicos de alto risco.
Description
Keywords
Large language models (LLMs) Mental health Applications Clinical data analysis Generative pre-training (GPT) Screening Risk detection Treatment Recommendations Ethical challenges Data privacy Communication Therapeutic interventions Natural language processing (NLP) Artificial intelligence Grandes modelos de linguagem (GMLs) Saúde Mental Aplicações Análise de dados clínicos Pré-treino generativo (GPT) Rastreio Deteção de risco Tratamento Recomendações Desafios éticos Privacidade dos dados Comunicação Intervenções terapêuticas Processamento de linguagem natural (PLN) Inteligência artificial