Digital transformation in psychiatry: is artificial intelligence changing approaches to diagnosis and treatment of mental disorders?

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The article examines achievements and prospects of artificial intelligence (AI) applications in psychiatry. Primary attention is given to its role in diagnosis, treatment, and prognosis prediction of mental disorders. Artificial intelligence demonstrates high efficacy in analyzing speech patterns, neuroimaging data, and predicting treatment response, opening new prospects for personalized medicine in psychiatry. However, implementing AI in clinical practice faces challenges including the need for standardized training data, algorithm transparency requirements, and patient privacy and data protection concerns. A significant limitation of AI in psychiatry remains its inability to demonstrate empathy, which reduces the effectiveness of these technologies in therapeutic processes. In the future, AI may become a key physician support tool by automating diagnostic processes, patient monitoring, and medication selection. Successful AI integration into clinical practice requires addressing existing technological and ethical limitations, improving digital literacy among specialists, and developing regulatory frameworks for medical AI applications.

About the authors

Vladimir D. Mendelevich

Kazan State Medical University

Email: mendelevich_vl@mail.ru
ORCID iD: 0000-0002-8476-6083
SPIN-code: 2302-2590

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Kazan

Genshat S. Galyautdinov

Kazan State Medical University

Email: galgen077@mail.ru
ORCID iD: 0000-0001-7403-0200
SPIN-code: 3626-0533

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Kazan

Alexandr G. Zhidyaevskij

Kazan State Medical University

Author for correspondence.
Email: alexandr.zhidyaevskij@kazangmu.ru
ORCID iD: 0000-0002-4245-5201
SPIN-code: 5865-6771

MD, Cand. Sci. (Medicine), Assistant Professor

Russian Federation, Kazan

Alexander A. Andrianov

Kazan State Medical University

Email: AANNDOIVR@yandex.ru
ORCID iD: 0009-0006-1917-5785
SPIN-code: 1403-9767
Russian Federation, Kazan

Sergey A. Kichatov

Kazan State Medical University

Email: ksa@kazangmu.ru
ORCID iD: 0009-0005-3427-8689
SPIN-code: 8831-4158
Russian Federation, Kazan

References

  1. Elizarova MI, Urazova KM, Ermashov SN, Pronkin NN. Artificial intelligence in medicine. International Journal of Professional Science. 2021;(5):81–85. EDN: OWACLC
  2. Amisha, Malik P, Pathania M, Rathaur VK. Overview of artificial intelligence in medicine. J Family Med Prim Care. 2019;8(7):2328–2331. doi: 10.4103/jfmpc.jfmpc_440_19
  3. Morris MX, Fiocco D, Caneva T, et al. Current and future applications of artificial intelligence in surgery: implications for clinical practice and research. Front Surg. 2024;11:1393898. doi: 10.3389/fsurg.2024.1393898
  4. Morozov DYu, Omelyanovskiy VV. Is artificial intelligence necessary for healthcare system? Medical Technologies. Assessment and Choice. 2024;4:40–48. doi: 10.17116/medtech20244604140 EDN: EERDPO
  5. Li Y, Wu A, Zhou HY. EVEscape: Revealing potential escape sites based on the viral variation landscape. Biophys Rep. 2024;10(2):133–134. doi: 10.52601/bpr.2024.240902
  6. Berkinblit M.B. Neural networks. Moscow: MIROS i VZMSh RAO; 1993. 96 р. ISBN: 5-7084-0026-9
  7. Lekun Ya. How the car learns. A revolution in neural networks and deep learning. Moscow: Alpina Non-fiction; 2021. 351 р. ISBN: 978-5-907470-52-5
  8. Morales ЕА, Jair НЕ. A brief introduction to supervised, unsupervised, and reinforcement learning. In: Biosignal processing and classification using computational learning and intelligence. New York: Academic Press; 2022. Р. 111–129.
  9. Vasenkov D.V. Methods of training artificial neural networks. Computer Tools in Education Journal. 2007;(1):20–29. (In Russ.) EDN: KVMOUR
  10. Arumugam R, Shanmugamani R. Hands-On Natural Language Processing with Python: A practical guide to applying deep learning architectures to your NLP applications. Birmingham: Packt Publishing Ltd; 2018. 312 р. ISBN: 1789135915
  11. Anmella G, De Prisco M, Joyce JB, et al. Automated speech analysis in bipolar disorder: the caliber study protocol and preliminary results. J Clin Med. 2024;13(17):4997. doi: 10.3390/jcm13174997
  12. Nour MM, McNamee DC, Liu Y, Dolan RJ. Trajectories through semantic spaces in schizophrenia and the relationship to ripple bursts. Proc Natl Acad Sci USA. 2023;120(42):e2305290120. doi: 10.1073/pnas.2305290120
  13. Miotto R, Li L, Kidd B, Dudley JT. Deep patient: an unsupervised representation to predict the future of patients from the electronic health records. Sci Rep. 2016;6:26094. doi: 10.1038/srep26094
  14. Ramos-Lima LF, Waikamp V, Antonelli-Salgado T, et al. The use of machine learning techniques in trauma-related disorders: a systematic review. J Psychiatr Res. 2020;121:159–172. doi: 10.1016/j.jpsychires.2019.12.001
  15. Li R, Huang Y, Wang Y, et al. MRI-based deep learning for differentiating between bipolar and major depressive disorders. Psychiatry Res Neuroimaging. 2024;345:111907. doi: 10.1016/j.pscychresns.2024.111907
  16. Huang W, Yan H, Wang C, et al. Deep natural image reconstruction from human brain activity based on conditional progressively growing generative adversarial networks. Neurosci Bull. 2021;37(3):369–379. doi: 10.1007/s12264-020-00613-4
  17. Chang B, Choi Y, Jeon M, et al. ARPNet: antidepressant response prediction network for major depressive disorder. Genes (Basel). 2019;10(11):907. doi: 10.3390/genes10110907
  18. Mak KK, Lee K, Park C. Applications of machine learning in addiction studies: A systematic review. Psychiatry Res. 2019;275:53–60. doi: 10.1016/j.psychres.2019.03.001
  19. Schmaal L, Marquand AF, Rhebergen D, et al. Predicting the naturalistic course of major depressive disorder using clinical and multimodal neuroimaging information: a multivariate pattern recognition study. Biol Psychiatry. 2015;78(4):278–286. doi: 10.1016/j.biopsych.2014.11.018
  20. Ballard ED, Gilbert JR, Wusinich C, Zarate CA Jr. New methods for assessing rapid changes in suicide risk. Front Psychiatry. 2021;12:598434. doi: 10.3389/fpsyt.2021.598434
  21. Lejeune A, Le Glaz A, Perron PA, et al. Artificial intelligence and suicide prevention: a systematic review. Eur Psychiatry. 2022;65(1):1–22. doi: 10.1192/j.eurpsy.2022.8
  22. Peddle M, Bearman M, Nestel D. Virtual patients and nontechnical skills in undergraduate health professional education: an integrative review. Clinical Simulation in Nursing. 2016;12(9):400–410. doi: 10.1016/j.ecns.2016.04.004
  23. Zhu Y. Revolutionizing simulation-based clinical training with AI: Integrating FASSLING for enhanced emotional intelligence and therapeutic competency in clinical psychology education. Journal of Clinical Technology and Theory. 2025;2(1):38–54. doi: 10.54254/3049-5458/2025.21247
  24. Bryzgalina EV, Gumarova AN, Shkomova EM. Key problems, risks and restrictions of using artificial intelligence in medicine and education. Moscow University BulletiN. Series 7. Philosophy. 2022;(6):93–108. EDN: GXUYWB
  25. Alikperova NV. Artificial intelligence in healthcare: risks and opportunities. City Healthcare. 2023;4(3):41–49. doi: 10.47619/2713-2617.zm.2023.v.4i3;41-49
  26. Medvedeva EI. Artificial intelligence: opportunities, risks, action program. Moscow medicine. 2024;(1):94–96. EDN: QNQCEM
  27. Imameeva RD. The risks of creation and functioning of artificial intelligence in medicine. Journal of Legal Sciences. 2021;(1):33–40. doi: 10.21777/2587-9472-2021-1-33-40 EDN: AUOAIL
  28. Wójcik MA. Algorithmic discrimination in health care: An EU law perspective. Health Hum Rights. 2022;24(1):93–103.
  29. Varona D, Suárez JL. Discrimination, bias, fairness, and trustworthy AI. Appl Sci. 2022;12(12):5826. doi: 10.3390/app12125826
  30. Chen Y, Clayton EW, Novak LL, et al. Human-centered design to address biases in artificial intelligence. J Med Internet Res. 2023;25:e43251. doi: 10.2196/43251
  31. Xie F, Chakraborty B, Ong MEH, et al. AutoScore: a machine learning-based automatic clinical score generator and its application to mortality prediction using electronic health records. JMIR Med Inform. 2020;8(10):e21798. doi: 10.2196/21798
  32. Wanyan T, Honarvar H, Azad A, et al. Deep learning with heterogeneous graph embeddings for mortality prediction from electronic health records. Data Intelligence. 2021;3(3):1–13. doi: 10.1162/dint_a_00097
  33. Mendelevich VD. Overdiagnosis of schizophrenia as a cognitive distortion of the process of knowledge of clinical reality. Neurology Bulletin. 2023;55(1):5–14. doi: 10.17816/nb160308 EDN: ZWAXRT
  34. Eitel F, Schulz MA, Seiler M, et al. Promises and pitfalls of deep neural networks in neuroimaging-based psychiatric research. Exp Neurol. 2021;339:113608. doi: 10.1016/j.expneurol.2021.113608
  35. Szegedy C, Zaremba W, Sutskever I, et al. Intriguing properties of neural networks. Paper presented at 2nd International Conference on Learning Representations, ICLR 2014, Banff, Canada.
  36. Lapuschkin S, Waldchen S, Binder A, et al. Unmasking clever hans predictors and assessing what machines really learn. Nat Commun. 2019;10(1):1096. doi: 10.1038/s41467-019-08987-4
  37. Ienca M, Ignatiadis K. Artificial intelligence in clinical neuroscience: methodological and ethical challenges. AJOB Neurosci. 2020;11(2):77–87. doi: 10.1080/21507740.2020.1740352
  38. Fuchs T. Subjectivity and intersubjectivity in psychiatric diagnosis. Psychopathology. 2010;43(4):268–274. doi: 10.1159/000315126
  39. Mirowsky J. Subjective boundaries and combinations in psychiatric diagnoses. The Journal of Mind and Behavior. 1990;11(3/4):407–423.
  40. Cath C, Wachter S, Mittelstadt B, et al. artificial intelligence and the 'Good Society': the US, EU, and UK approach. Sci Eng Ethics. 2018;24(2):505–528. doi: 10.1007/s11948-017-9901-7
  41. Meszaros J, Ho C. AI research and data protection: Can the same rules apply for commercial and academic research under the GDPR? Computer Law & Security Review. 2021;41:105532. doi: 10.1016/j.clsr.2021.105532
  42. Montemayor C, Halpern J, Fairweather A. In principle obstacles for empathic AI: why we can't replace human empathy in healthcare. AI Soc. 2022;37(4):1353–1359. doi: 10.1007/s00146-021-01230-z

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Machine learning.

Download (113KB)
Indexing metadata
3. Fig. 2. Natural language processing (NLP).

Download (281KB)
Indexing metadata
4. Fig. 3. Integration of artificial intelligence (AI) into psychiatry.

Download (167KB)
Indexing metadata

Copyright (c) 2025 Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».