Кобякова Ольга Сергеевна, доктор медицинских наук, профессор, член-корреспондент РАН, директор,
ул. Добролюбова, д. 11, г. Москва, 127254.
Оlga S. Kobyakova, Doctor of Sciences in Medicine, Professor, Corresponding Member of the RAS, Director,
11, Dobrolyubova Street, Moscow, 127206.
Канев Александр Федорович, кандидат медицинских наук, аналитик 1 категории отдела аналитики и мониторинга,
ул. Добролюбова, д. 11, г. Москва, 127254.
Aleksandr F. Kanev, Candidate of Sciences in Medicine, analyst of the 1st category, Analyst at the department of analysis and monitoring,
11, Dobrolyubova Street, Moscow, 127206.
Куракова Наталия Глебовна, доктор биологических наук, заведующая отделом аналитики и мониторинга,
ул. Добролюбова, д. 11, г. Москва, 127254
Natalya G. Kurakova, Doctor of Sciences in Biology, Head of the department of analysis and monitoring,
11, Dobrolyubova Street, Moscow, 127206.
Кармина Раиса Леонидовна, заведующая научно-техническим и редакционным отделом,
ул. Добролюбова, д. 11, г. Москва, 127254.
Raisa L. Karmina, Head of the Scientific, Technical and Editorial Department,
11, Dobrolyubova Street, Moscow, 127206.
Введение . В условиях возрастающего уровня тревожности особое значение приобретает внедрение цифровых технологий с акцентом на искусственный интеллект как ключевых инструментов, способствующих улучшению ситуации путем повышения эффективности диагностики и контроля лечения ментальных заболеваний. Цель исследования : систематизация данных о современном состоянии, перспективах и ограничениях применимости ИИ-систем в рамках диагностики психических расстройств, в первую очередь, депрессивных состояний, и оценка зрелости существующих технологий с целью их внедрения в реальную клиническую практику. Материалы и методы . Поиск литературы проводился в базе данных PubMed (MEDLINE). В систематический обзор включены 74 оригинальные статьи, опубликованные на английском языке в период с января 2021 по март 2026 г. Использовались тематические блоки поисковых запросов, ориентированные на выявление публикаций, исследующих возможности диагностики депрессии с помощью анализа речи, голоса, акустики, выражения лица и компьютерного зрения. Статьи подверглись многоэтапному отбору: исключение повторов, предварительный экспресс-анализ по названиям и аннотациям, подробное изучение избранных публикаций. Результаты . Настоящее исследование продемонстрировало перспективность применения искусственного интеллекта, особенно мультимодальных подходов, в области выявления психических расстройств, в том числе депрессивных состояний. Вместе с тем был обнаружен ряд критических ограничений, препятствующих широкому клиническому внедрению данной технологии. К ним относятся дефицит исследований, выполненных в условиях реальной клинической практики, потенциальная предвзятость алгоритмов в отношении различных половозрастных и этнических групп, сложность интерпретации рекомендаций искусственного интеллекта и недостаток прямых сравнений с профессиональной оценкой квалифицированных специалистов. Необходимо также учитывать географическую концентрацию исследований в азиатском регионе, что подчеркивает важность проведения дальнейших исследований с более репрезентативными выборками с целью обеспечения обобщаемости результатов. Заключение . Перспективным направлением представляется разработка гибридных моделей, интегрирующих возможности искусственного интеллекта с опытом и знаниями клиницистов. Успешное решение этих задач позволит реализовать потенциал искусственного интеллекта для раннего выявления заболеваний, персонализации терапии и улучшения качества жизни пациентов с депрессией.
Introduction. In the context of increasing levels of anxiety, the introduction of digital technologies with an emphasis on artificial intelligence as key tools to improve the situation by increasing the effectiveness of diagnosis and control of treatment of mental illnesses is of particular importance. The purpose of the study is to systematize data on the current state, prospects and limitations of the applicability of AI systems in the diagnosis of mental disorders, primarily depressive states, and to assess the maturity of existing technologies in order to implement them in real clinical practice. Materials and methods. The literature was searched in the PubMed (MEDLINE) database. The systematic review includes 74 original articles published in English between January 2021 and March 2026. Thematic blocks of search queries were used to identify publications exploring the possibilities of diagnosing depression using speech, voice, acoustics, facial expressions, and computer vision. The articles were subjected to a multi-stage selection: elimination of repetitions, preliminary rapid analysis by titles and annotations, and a detailed study of selected articles. Results. The conducted research demonstrates the prospects of using AI, especially multimodal approaches, in the field of detecting mental disorders, including depressive states. At the same time, a number of critical limitations have been identified that hinder the widespread clinical implementation of this technology. These include: the lack of research performed in real-world clinical practice, the potential bias of algorithms against different gender, age and ethnic groups, the difficulty in interpreting AI recommendations, and the lack of direct comparisons with the professional assessment of qualified specialists. It is also necessary to take into account the geographical concentration of research in the Asian region, which underlines the importance of conducting further research with more representative samples in order to ensure generalizability of the results. Conclusion. A promising direction is the development of hybrid models that integrate AI capabilities with the experience and knowledge of clinicians. Successful solution of these tasks will allow us to realize the potential of AI for early detection of diseases, personalization of therapy and improvement of the quality of life of patients with depression.
The authors declare that there are no conflicts of interest present.