编辑推荐：
本文聚焦人工智能(AI)在精神健康治疗，特别是心理治疗领域应用缓慢的现状。为探索其深层原因，研究人员基于NASSS框架，对患者和治疗师进行了焦点小组访谈。研究识别出包括技术要素有用性、个性化定制、成本覆盖在内的16个促进因素，以及缺乏人际接触、资源限制、AI依赖在内的11个障碍因素，另有9个因素则具有双重性。该研究揭示了AI在心理治疗领域采纳的复杂性，强调了在技术开发早期解决采纳障碍的重要性，为相关技术的设计、评估和推广提供了关键洞见。
心理健康问题正困扰着全球数亿人，然而，能够提供专业帮助的治疗师数量却远远不够。想象一下，在全球范围内，每10万人中仅有约13位精神卫生专业人员，平均每位专业人员理论上需要负责超过7000人，其中包括约960名需要治疗的患者。这种供需的严重失衡导致患者在德国平均需要等待14.5周才能获得初次咨询，其他国家也面临着类似漫长的等待。与此同时，治疗的可及性还受到诸如交通成本、对污名化的恐惧以及对症状的误解等多重阻碍。这就是当前精神卫生领域面临的严峻“治疗缺口”。
数字健康技术的浪潮，特别是人工智能的飞速发展，似乎为弥补这一缺口带来了新的曙光。AI赋能的工具能够在筛查、诊断、预测、治疗等多个环节辅助精神健康服务，甚至个性化定制治疗方案，有望减轻治疗师负担，并为患者提供更及时、更精准的支持。然而，前景虽然光明，现实却有些“骨感”。无论是治疗师还是患者，都对在心理治疗中使用AI工具表现出明显的保留态度。治疗师，特别是对以患者为中心的治疗工具，使用意愿较低；而患者在使用AI心理教育应用时的退出率可高达5-34%。这不禁让人深思：问题出在哪里？究竟是技术本身不够成熟，还是我们未能充分理解使用者的真实需求和顾虑？
为了深入探究这些阻碍AI在心理治疗中落地的核心因素，一支研究团队在《npj Mental Health Research》上发表了一项研究。他们没有聚焦于某个具体应用，而是采用了一种“自下而上”的视角，直接倾听一线用户——患者和治疗师——的声音。研究者们使用了一个在医疗创新领域广受认可的NASSS框架作为理论透镜，这个框架包含了从疾病本身、技术特性、价值主张，到使用者、组织机构、更广阔的政策环境，乃至技术长期嵌入与适应等七个维度，旨在系统性地剖析技术采纳的复杂性。
为了回答核心问题，研究人员主要采用了以下关键技术方法：首先，基于NASSS框架设计了半结构化讨论指南。其次，在德国招募了32名参与者（19名治疗师和13名被诊断为抑郁或焦虑症的患者），并分成了6个在线焦点小组进行访谈，以确保同质性并促进深入讨论。数据收集后，采用结合了演绎与归纳的主题分析法对转录文本进行编码分析，最终形成了包含36个类别的代码本。
结果
- •
条件：研究识别了两个混合因素。一是精神健康状况的类型，AI被认为对惊恐障碍、睡眠障碍等可能有用，对抑郁和焦虑症看法不一，而对社交恐惧症、精神病和偏执症则持怀疑态度。二是精神健康状况的严重程度，AI普遍被认为适用于轻度状况，对重度状况的应用则需谨慎，建议采取逐步推进的方式。
- •
技术：识别了五个促进因素和一个混合因素。促进因素包括有用的技术元素（如心理教育内容、情绪追踪、日记、自助练习）、定制化以满足用户个体需求、辅助性使用（强调AI是补充而非替代）、用户友好性以及支持有效性的证据。混合因素涉及适用于多用户群体，需考虑年龄、社会经济地位、文化语言背景的差异。
- •
价值主张：识别了两个促进因素和三个障碍。促进因素包括增加可及性（地点和时间上的灵活性）和提高效率（自动化任务）。障碍包括治疗元素深度的转移（可能简化复杂的治疗动态）、AI作为第三元素（可能干扰治疗关系）以及商业利益冲突。
- •
采纳者：识别了四个促进因素和五个障碍。促进因素包括技术亲和力、对AI的信任与开放态度、培训需求以及技术理解。障碍包括控制感缺失、缺乏人际接触、传统心理治疗重要性变化的担忧、技术依赖以及安全寻求和回避行为的持续。
- •
组织：识别了两个促进因素、一个障碍和三个混合因素。促进因素包括使用前测试机会和其他激励措施。障碍是资源与工作量考量。混合因素包括治疗方法差异（如认知行为疗法CBT比心理动力学疗法更易整合）、机构类型差异（诊所与私人诊所各有挑战）以及数字化水平不足。
- •
更广泛的系统：识别了两个促进因素、两个障碍和两个混合因素。促进因素包括成本覆盖和经济可行性。障碍包括责任归属和数据保护措施。混合因素包括法规与监管环境（需要清晰框架但避免过度监管）以及现有结构的转变（需平衡补充治疗与解决供应短缺的关系）。
- •
嵌入与适应：识别了一个促进因素和一个混合因素。促进因素是持续的科学验证。混合因素是AI实施过程的速度，普遍认为通用技术可能较快应用，而专业应用及受系统性问题影响的部分则需更长时间。
- •
NASSS扩展——使用时间：研究发现，在诊断和初步筛查时、等待期或预约延迟期间、治疗疗程之间以及后续护理中使用AI技术被视为有益，其中后两个阶段被视为明确的促进因素。
结论与讨论
该研究通过NASSS框架系统揭示了AI在心理治疗中采纳的复杂图景。研究发现，患者和治疗师的关注点高度重叠，近半数讨论集中在技术特性和使用者角色这两个领域。研究的核心结论可以归纳为几个关键方面：
首先，心理治疗的异质性是影响AI采纳的重要因素。这不仅体现在对不同精神疾病类型和严重程度的适用性判断上，也体现在不同治疗方法（如CBT与心理动力学疗法）以及不同工作机构（如诊所与私人诊所）对AI的兼容性和接纳度差异上。
其次，使用者特有的人性化因素至关重要。其中，缺乏人际接触被视为核心障碍，凸显了在情感敏感的心理健康护理中保留“人性化”元素的极端重要性。这直接关联到另一个关键促进因素——将AI定位为辅助工具而非替代品。同时，适应用户需求的定制化被视为抵消“缺乏人情味”担忧、增强技术相关性和连接感的重要策略，并需扩展至满足不同年龄、社会经济和文化背景用户的需求。
再者，AI技术的可及性是一把双刃剑。其提供的持续支持和灵活访问被视为主要优势，但这也可能引发技术依赖，并可能强化某些患者（如社交焦虑者）的安全寻求或回避行为，从而阻碍暴露于真实治疗挑战的过程。
最后，围绕AI采纳的各类结构性因素扮演着基础性角色。当前数字化基础设施的不足直接加剧了治疗师面临的资源与工作负荷限制，并影响了使用前测试和充分培训等促进措施的实施。在更广泛的系统层面，成本覆盖被认为是确保公平可及的关键，但这可能需要现有报销机制的结构性变革。此外，参与者预见到患者转诊路径等系统结构将发生转变，但也担忧这可能仅仅是一种追求经济效率的“快速修复”，而非提升治疗质量的持久方案。值得注意的是，关于技术嵌入与长期适应的时间维度在现有文献中探讨较少，本研究参与者普遍对采纳速度持不确定态度，并认为专业应用比通用技术需要更长时间。
基于这些发现，研究提出了对技术开发、设计和未来研究的启示：优先开发增强患者自主性（如心理教育、自助练习）且在治疗师无法到场时（如诊断、等待期、疗程间隙、后续护理）最有用的技术功能；使AI的用途与使用者偏好的使用时间点紧密对齐；在解决不同用户群体独特需求的同时，聚焦于他们共同面临的障碍可能更有效地降低采纳复杂性；最后，理解那些在同一NASSS领域中同时扮演障碍和促进者角色的“混合”因素至关重要，这有助于制定最大化其促进潜力、同时最小化其负面影响的双赢策略。
