Retrieval-Augmented Generation in Mental Health: A Systematic Review

Technische Samenvatting: Retrieval-Augmented Generation in de Geestelijke Gezondheidszorg: Een Systematische Review

Probleemstelling
Large Language Models (LLM's) worden steeds vaker toegepast in contexten van de geestelijke gezondheidszorg, waaronder counseling, screening en psycho-educatie. Onbeperkte generatie brengt echter aanzienlijke risico's met zich mee wat betreft hallucinaties en veiligheid. Hoewel Retrieval-Augmented Generation (RAG) is aangetoond de output van LLM's te funderen in externe kennis en de feitelijke consistentie in algemene biomedische omgevingen te verbeteren, blijft de specifieke toepassing, de architecturale variaties en de evaluatiestandaarden binnen de geestelijke gezondheidszorg ondergesynthetiseerd. Bestaande systematische reviews richtten zich ofwel op algemene RAG in de gezondheidszorg, generatieve AI in de geestelijke gezondheidszorg breed, of specifieke multimodale stromen (bijv. VR, wearables) zonder deze te koppelen aan de RAG-architectuur. Er is een gebrek aan een systematische review die expliciet RAG-specifieke inclusiecriteria toepast om primaire studies in de geestelijke gezondheidszorg te synthetiseren onder de PRISMA 2020-richtlijnen.

Methodologie
Deze review houdt zich aan de PRISMA 2020-rapportage-richtlijnen. De zoektocht werd uitgevoerd op 4 juli 2026, waarbij PubMed werd bevraagd (met 56 records) en equivalente termen werden gezocht in IEEE Xplore, ACM Digital Library, Scopus en Web of Science (4–15 juni 2026). Forward en backward citation tracking van geïncludeerde studies en benchmark-reviews identificeerde een aanvullende 38 records.

• Geschiktheid: Inclusiecriteria vereisten peer-reviewed artikelen, conferentieverslagen of preprints die empirische RAG of retrieval-augmented LLM-systemen rapporteren die specifiek worden toegepast op de geestelijke gezondheid, stress, angst, depressie, psychologische beoordeling of digitale therapieën. Exclusies omvatten reviews, pure LLM/fine-tuning zonder retrieval, algemene biomedische RAG zonder toepassing in de geestelijke gezondheidszorg, en niet-empirische rapporten.
• Selectieproces: Na deduplicatie (23 verwijderd), ondergingen 71 unieke records screening van titel/abstract, gevolgd door een volledige tekstbeoordeling van 22 rapporten. Vijftien studies voldeden aan de uiteindelijke inclusiecriteria (gepubliceerd 2022–2026).
• Data-extractie & Kwaliteitscontrole: Een enkele reviewer (E.F.) voerde de screening en data-extractie uit. Kwaliteitscontrole steunde op reproduceerbare query-verificatie, kruiscontrole met primaire publicaties/DOIs en interne consistentiecontroles. Onafhankelijke duplicatie-screening werd niet uitgevoerd, wat als een beperking wordt vermeld.
• Taxonomie: Systemen werden in drie architecturale categorieën geclassificeerd op basis van primaire publicatiebeschrijvingen:
  • Naïeve RAG: Single-pass retrieval en generatie.
  • Geavanceerde RAG: Hybride retrieval, reranking, query-expansie of adaptieve retrieval.
  • Modulaire RAG: Multi-component pipelines met afzonderlijke retrieval-, routing- of veiligheidsmodules.
• Synthese: Vanwege heterogene uitkomstmaten (bijv. accuratesse, F1, Hit@k, ICC, empathie-scores) en een gebrek aan vergelijkbare rapportage van effectgroottes, werd er geen kwantitatieve meta-analyse uitgevoerd. De synthese was kwalitatief en narratief.

Belangrijkste Resultaten

• Studiekenmerken: Vijftien studies werden geïncludeerd. De architecturale verdeling was: 5 Naïeve, 7 Geavanceerde en 3 Modulaire. De meest voorkomende aandoeningen waren depressie en algemene psychologische nood.
• Prestaties: Zes studies rapporteerden directe RAG-versus-baseline vergelijkingen. In elk geval presteerden RAG of kennis-geaugmenteerde configuraties beter dan de genoemde comparator op de primaire gerapporteerde uitkomst van de studie. Specifieke voorbeelden zijn:
  • Tural et al. (2025): Vector RAG behaalde een Hit@5 van 78,9% vergeleken met 50,4% voor lexicale zoekopdrachten.
  • Kafi et al. (2026): Een gefinetuned model met RAG behaalde een empathie-score van 3,72 versus 3,26 voor een generalistisch model.
  • Xie et al. (2026): Een Qwen3+RAG configuratie behaalde een depressie F1-score van 0,9107, wat een toename van ongeveer 0,15 vertegenwoordigt ten opzichte van non-RAG baselines.
• Veiligheid en Validatie: Crisisbeheersingsprotocollen werden slechts in twee studies gedocumenteerd (Vakayil et al.; Campellone et al.). Bronvermelding en human-in-the-loop toezicht werden inconsistent gerapporteerd. Slechts twee studies (Guo et al.; Campellone et al.) rapporteerden exploratieve randomized controlled trials (RCT) of within-subject klinische ontwerpen met gevalideerde instrumenten; de meerderheid waren technische evaluaties.
• Retrieval Context: Alle 15 geïncludeerde studies maakten uitsluitend gebruik van tekstgebaseerde retrieval. Geen enkele studie indexeerde multimodale gedrags-, VR- of draagbare fysiologische stresssignalen als retrievable context, ondanks dat aangrenzende literatuur de levensvatbaarheid van dergelijke integratie suggereert.

Betekenis en Claims
Het artikel beweert de eerste systematische review te zijn die expliciet RAG-specifieke inclusiecriteria toepast om primaire studies in de geestelijke gezondheidszorg te synthetiseren onder PRISMA 2020. De primaire bijdrage is de identificatie en architecturale mapping van 15 empirische studies, die een groeiende trend van RAG-adoptie in toepassingen voor de geestelijke gezondheidszorg aantonen.

De review benadrukt dat hoewel RAG-configuraties consequent beter presteren dan baselines in de gerapporteerde studies, het vakgebied lijdt onder:

1. Heterogene evaluatiemethoden die kwantitatieve pooling verhinderen.
2. Schaarse veiligheidsrapportage met betrekking tot crisisbeheersing en menselijk toezicht.
3. Een kloof in multimodale integratie, aangezien geen enkele geïncludeerde studie fysiologische of gedragsmatige signalen gebruikte voor retrieval, ondanks hun relevantie in aangrenzende literatuur over stressmonitoring.

De auteurs concluderen dat hoewel RAG steeds vaker wordt gerapporteerd, gestandaardiseerde klinische evaluatie en robuuste veiligheidsdocumentatie nog beperkt zijn. De review claimt geen klinische effectiviteit te bewijzen, maar brengt eerder het huidige technische landschap in kaart en identificeert specifieke hiaten in retrieval-bronnen en veiligheidsgovernance.