Acceptability and implementation feasibility of a mobile application powered by generative artificial intelligence for mental health screening and referral in Uganda

技术摘要：生成式人工智能移动应用在乌干达心理健康领域的接受度与实施可行性研究

问题陈述

乌干达正面临严重的心理健康危机，估计有 1400 万人受到抑郁和焦虑障碍的影响。这一负担因专家极度匮乏（大约每百万人口仅有一名精神科医生）、资金有限（仅占国家卫生预算的 1%）以及普遍存在的污名化而进一步加剧。虽然数字健康工具和人工智能驱动的干预措施在全球范围内展现出潜力，但关于其在低收入非洲环境下的接受度和实施可行性的证据仍然缺乏。现有的 AI 心理健康工具主要针对高收入、英语背景的西方人群开发，这引发了对文化适应性、算法偏见以及在当地语言环境下表现能力的担忧。此外，基础设施方面的约束，如不稳定的互联网连接、高昂的数据成本以及有限的智能手机普及率，威胁着公平获取资源的可能。

研究方法

本研究采用了一种混合方法概念验证设计，于 2026 年 1 月至 5 月期间在乌干达坎帕拉进行。

• 参与者： 通过目的抽样招募了 50 名参与者，包括 25 名普通公众和 25 名医务工作者（包括精神科医生、精神科临床医生、护士和内科医生）。
• 干预措施： 本研究评估了一款用于心理健康筛查、自我护理和转诊的生成式人工智能驱动的移动应用程序。
  • 技术架构： 该应用利用大语言模型（LLM）并结合了经过验证的筛查工具：患者健康问卷（PHQ-4、PHQ-9）和广泛性焦虑障碍量表（GAD-7）。
  • AI 机制： 与传统的基于规则的聊天机器人不同，该系统使用基于文档的知识系统。它检索并解释预设的方案信息（PHQ/GAD 指南），以生成动态、情境化且符合自然语言逻辑的响应。虽然该系统旨在基于一组精选文件构建响应，而非依赖互联网生成文本本身，但应用程序仍需通过互联网进行数据传输和交互，这一依赖关系被明确识别为主要的实施障碍。
  • 安全功能： 该应用包含自动转诊逻辑，用于处理严重症状，包括在出现自杀倾向时自动拨打附近医疗机构的电话功能。它明确规定并非诊断或处方工具。
  • 安全性： 数据通过传输层安全性协议（TLS 1.2+）和 AES-256 静态加密进行保护。用户身份识别被降至最低，使用手机号码作为唯一标识符，并提供可选的姓名注册功能。
• 数据收集： 研究采用了实施前后的评估方法。
  • 定量研究： 基线和终点调查测量了感知、接受度和使用模式。
  • 定性研究： 通过关键信息访谈（KII）和开放式反馈来探索用户体验及障碍。
• 分析框架：
  • 接受度： 使用**技术接受模型（TAM）**进行评估，重点关注感知有用性（PU）和感知易用性（PEOU）。
  • 可行性： 使用 Bowen 可行性框架进行评估，涵盖五个领域：需求、实施、实用性、整合和扩展。

关键结果

研究表明，尽管存在显著的基础设施障碍，但该工具具有高度的接受度和可行性。

1. 接受度（TAM 研究结果）：

• 感知有用性： 在实施后，95.6% 的普通公众参与者认为相关信息符合其需求，90.9% 的人表示会推荐该应用。医务工作者（HCWs）将该工具视为一种有价值的决策支持机制，能够减轻工作量并提高非专科人员的诊断准确性。
• 感知易用性： 90.9% 的人同意其功能易于使用，77.3% 的人可以在没有第三方协助的情况下使用该应用。然而，技术故障（重复提问）和语言障碍（仅限英语界面）被视为摩擦点。

2. 可行性（Bowen 框架研究结果）：

• 需求： 存在显著的潜在需求；100% 的基线参与者表达了使用该应用的意愿。实施后，56.7% 的普通公众在第一个月内使用该应用进行筛查或自我护理。
• 实施： 主要障碍包括互联网依赖、高额移动数据成本以及缺乏多语言功能。40% 的终点参与者将数据成本列为主要障碍。
• 实用性： 该应用被认为在临床和社区环境中具有实用性，45.45% 的用户在 5-10 分钟内完成了一次筛查环节。
• 整合： 96% 的参与者在基线时更倾向于将该应用与医疗机构挂钩。在终点时，36.4% 的用户根据应用建议进行了后续随访。
• 扩展： 100% 的参与者愿意向他人推荐该应用。然而，76% 的基线参与者表示，双语功能（英语 + 当地语言）对于扩大覆盖范围至关重要。

核心贡献

• 语境验证： 这是首个专门在乌干达背景下评估生成式人工智能心理健康工具的研究，为此类技术在低资源环境下具有接受度和可行性提供了证据。
• 生成式 AI 应用： 研究展示了 LLM 在提供结构化、基于方案的心理健康筛查（PHQ/GAD）方面的效用，同时具备自然语言对话的灵活性，超越了僵化的决策树聊天机器人。
• 任务分享支持： 研究结果表明，该工具可以通过赋能非专科提供者和普通公众进行初步筛查和自我护理，从而有效地支持“任务分享”（task-sharing），潜在地缓解稀缺专家资源的压力。
• 实施洞察： 研究识别了在撒哈拉以南非洲地区实现规模化应用的具体、可操作的障碍，即对离线功能、零费率数据接入和本地语言化需求的需求。

重要性与主张

本文主张，生成式人工智能驱动的移动应用是乌干达心理健康筛查、自我护理和转诊的一种可行且高度可接受的解决方案。作者断言，该应用在以下方面展现出前景：

• 减轻污名化： 通过提供匿名性和隐私性，该工具鼓励那些不愿进行面对面诊疗的人群进行自我披露。
• 改善获取途径： 它解决了交通成本、等待时间以及专家短缺等结构性障碍。
• 强化非专科护理： 它作为一种能力建设资源，为医务工作者提供结构化指导，并减轻认知负担。

然而，作者对规模化持谨慎态度。他们总结道，虽然概念验证是成功的，但规模化的成功取决于解决与互联网连接、数据成本、语言可及性和智能手机拥有量相关的结构性障碍。论文明确指出，在进行大规模全国推广之前，需要开展更大规模的研究，以评估该工具的长期有效性、成本效益以及与常规卫生系统的整合情况。