Multimodale kunstmatige intelligentie en online leren bij jeugdige geestelijke gezondheid: een verkennende review

Waarom dit belangrijk is voor jongeren en gezinnen

Geestelijke gezondheidsproblemen bij jongeren nemen wereldwijd toe, terwijl veel kinderen en tieners nooit tijdig hulp krijgen. Tegelijkertijd laten jonge mensen voortdurend digitale sporen achter — via smartphones, wearables, schoolplatforms en sociale media — die kunnen aangeven hoe het echt met hen gaat. Deze review onderzoekt hoe nieuwe vormen van kunstmatige intelligentie (AI) die leren van meerdere datatypen en zich in de loop van de tijd blijven bijwerken, mogelijk eerder stress, depressie en andere problemen kunnen signaleren en meer gepersonaliseerde zorg voor jongeren kunnen ondersteunen.

Nieuwe hulpmiddelen voor een groeiende crisis in jeugdige geestelijke gezondheid

Wereldwijde gegevens tonen dat geestelijke gezondheidsproblemen een groot deel van kinderen en adolescenten treffen en dat deze problemen verslechterden tijdens en na de COVID-19-pandemie. Spoedbezoeken voor psychische aandoeningen en consulten op afstand met artsen namen toe, vooral bij tienermeisjes. Toch blijven diensten moeilijk toegankelijk en vallen veel jongeren tussen wal en schip, met name wanneer ze de leeftijdsgrens van jeugdvoorzieningen bereiken maar niet goed geïntegreerd raken in de volwassenenzorg. Omdat de meeste levenslange psychische aandoeningen beginnen vóór het 25e levensjaar, stellen de auteurs dat betere manieren om problemen in deze periode te detecteren en te monitoren langdurige voordelen kunnen opleveren voor individuen, gezinnen en zorgsystemen.

Hoe slimmere machines kunnen helpen

AI-systemen kunnen patronen uit data leren en gebruiken om uitkomsten te detecteren of voorspellen, zoals signalen van stress of somberheid. Traditionele modellen vertrouwen meestal op één enkele gegevensbron — zoals tekst, een hersenscan of een vragenlijst — en worden éénmaal getraind op een vaste dataset. De review richt zich op twee ontwikkelingen die bijzonder veelbelovend zijn voor jongeren. Ten eerste multimodale AI, die verschillende soorten informatie combineert, bijvoorbeeld hartsignalen van wearables, slaap- en bewegingsgegevens van telefoons, stem of gezichtsuitdrukkingen en geschreven berichten of enquêteantwoorden. Ten tweede online leren, waarbij modellen niet bevroren blijven maar zich blijven bijwerken zodra nieuwe data binnenkomen, waardoor ze zich kunnen aanpassen wanneer het leven, gedrag of de omgeving van een jongere verandert.

Wat huidig onderzoek daadwerkelijk doet

De auteurs doorzochten systematisch grote medische en technische databases naar studies sinds 2015 die AI gebruikten op gegevens van jongeren (tot 25 jaar) om geestelijke gezondheidsgerelateerde problemen te detecteren, monitoren of behandelen. Van meer dan 500 artikelen voldeden slechts 24 aan hun criteria, en slechts een handvol combineerde meerdere datatypes en online leren. Het merendeel van het werk richtte zich op vroege waarschuwingssignalen zoals stress, emotionele toestand of cognitieve belasting, in plaats van formele diagnoses. Zo gebruikten meerdere projecten draagbare sensoren om hartactiviteit of huidgeleiding te meten terwijl studenten stressvolle taken uitvoerden, waarna neurale netwerken werden getraind om stress te herkennen en hun voorspellingen te verfijnen naarmate er meer data binnenkwamen. Andere studies analyseerden smartphone- en slaappatronen over een semester om studenten met vergelijkbare stressprofielen te groeperen en modellen aan te passen aan nieuwe gebruikers met zeer weinig data.

Veelbelovende resultaten, maar belangrijke hiaten

In de onderzoeken die enige vorm van continue bijstelling toepasten, werden modellen over het algemeen accurater en beter afgestemd op individuen dan systemen die maar één keer getraind waren. Online leren hielp om verschuivende emotionele toestanden te volgen op basis van hersenactiviteit en de stressdetectie per gebruiker aan te passen. De auteurs merken echter op dat veel artikelen die als “online” werden aangeduid, in werkelijkheid lossere vormen van incrementele retraining gebruikten in plaats van echte realtimeadaptatie op datastromen. De meeste studies vertrouwden op kleine, beperkte steekproeven — vaak studenten aan hogescholen of universiteiten — en testten zelden modellen op onafhankelijke datasets. Ethische en praktische vragen zijn groot: het verzamelen van gedetailleerde fysiologische en gedragsgegevens van minderjarigen roept gevoelige kwesties op rond toestemming, privacy, langdurige opslag en wie controle heeft over voortdurende updates van modellen die zorgbeslissingen kunnen beïnvloeden.

Waar dit vakgebied naartoe moet

De review concludeert dat AI voor jeugdige geestelijke gezondheid snel opkomt maar nog in een vroeg stadium verkeert. Om van laboratoriumprototypes naar tools te gaan die veilig echte zorg kunnen ondersteunen, hebben onderzoekers grotere en meer diverse datasets nodig, duidelijkere rapportage over leeftijd en achtergrond, en gestandaardiseerde methoden om multimodale jeugddata te verzamelen en te delen. Modellen moeten over tijd en in verschillende settings worden getest om te waarborgen dat ze betrouwbaar blijven naarmate omstandigheden veranderen. Toekomstig werk moet verder gaan dan stress- en sfeerherkenning en een breder scala aan klinisch erkende stoornissen omvatten en, cruciaal, bestuderen hoe AI daadwerkelijke interventies kan ondersteunen in plaats van alleen problemen te signaleren. Naarmate conversatiesystemen en grootschalige taalmodellen vaker worden gebruikt, zal zorgvuldige evaluatie van hun voordelen en risico’s voor jonge gebruikers essentieel zijn. Vooralsnog biedt multimodale, continu lerende AI een veelbelovende richting — maar een die sterke waarborgen, transparantie en nauwe samenwerking tussen technici, clinici, jongeren en hun gezinnen vereist.

Bronvermelding: Ramirez Campos, M.S., Barati, K., Samavi, R. et al. Multimodal artificial intelligence and online learning in youth mental health: a scoping review. npj Mental Health Res 5, 26 (2026). https://doi.org/10.1038/s44184-026-00207-4

Trefwoorden: jeugdige geestelijke gezondheid, multimodale AI, online leren, stressdetectie, draagbare sensoren