Multimodal artificiell intelligens och online-inlärning inom ungas psykiska hälsa: en scopingöversikt

Varför detta är viktigt för unga och familjer

Psykiska hälsoproblem bland unga ökar globalt, men många barn och tonåringar får aldrig snabb hjälp. Samtidigt lämnar unga kontinuerligt digitala spår — från smartphones, wearables, skolplattformar och sociala medier — som kan ge ledtrådar om hur de egentligen mår. Denna översikt undersöker hur nya typer av artificiell intelligens (AI) som lär sig från flera datatyper och kontinuerligt uppdateras över tid en dag skulle kunna hjälpa till att upptäcka stress, depression och andra problem tidigare, samt stödja mer personaliserad vård för unga.

Nya verktyg för en växande kris inom ungas psykiska hälsa

Globala data visar att psykiska problem berör en stor andel barn och ungdomar, och att dessa problem förvärrades under och efter COVID-19-pandemin. Akutbesök för psykiska störningar och distansbesök med läkare ökade, särskilt bland tonårsflickor. Trots detta är vårdtillgången ofta begränsad, och många unga faller mellan stolarna, särskilt när de åldersmässigt lämnar barn- och ungdomsvården men inte blir fullt integrerade i vuxenvården. Eftersom de flesta livslånga psykiska störningar börjar före 25 års ålder, menar författarna att bättre sätt att upptäcka och övervaka problem under detta fönster kan ge långsiktiga fördelar för individer, familjer och vårdsystem.

Hur smartare maskiner kan hjälpa

AI-system kan lära sig mönster i data och använda dem för att upptäcka eller förutsäga utfall, till exempel tecken på stress eller nedstämdhet. Traditionella modeller förlitar sig ofta på en enda datakälla — såsom text, en hjärnavbildning eller ett frågeformulär — och tränas en gång på en fast dataset. Översikten fokuserar på två framsteg som är särskilt lovande för unga. Det första är multimodal AI, som kombinerar flera typer av information, till exempel hjärtsignaler från wearables, sömn och rörelse från telefoner, röst eller ansiktsuttryck samt skrivna inlägg eller enkät­svar. Det andra är online-inlärning, där modeller inte förblir statiska utan fortsätter att uppdateras när nya data kommer in, vilket gör att de kan anpassa sig när en ung persons liv, beteende eller omgivning förändras.

Vad aktuell forskning faktiskt gör

Författarna sökte systematiskt i stora medicinska och ingenjörsvetenskapliga databaser efter studier sedan 2015 som använde AI på data från unga (upp till 25 år) för att upptäcka, övervaka eller behandla problem relaterade till psykisk hälsa. Av mer än 500 artiklar uppfyllde endast 24 deras kriterier, och bara ett fåtal kombinerade flera datatyper och online-inlärning. Majoriteten riktade in sig på tidiga varningstecken såsom stress, känslomässigt tillstånd eller kognitiv belastning snarare än formella diagnoser. Till exempel använde flera projekt bärbara sensorer för att mäta hjärtaktivitet eller hudkonduktans medan studenter utförde stressande uppgifter, för att sedan träna neurala nätverk att känna igen stress och förfina sina prognoser i takt med att mer data kom in. Andra analyserade smartphone- och sömnmönster över en termin för att gruppera studenter med liknande stressprofiler och anpassa modeller till nya användare med mycket lite data.

Löften men viktiga luckor

Bland de studier som använde någon form av kontinuerlig uppdatering blev modellerna i allmänhet mer precisa och bättre anpassade till individer än system som bara tränades en gång. Online-inlärning hjälpte till att följa skiftande känslomässiga tillstånd från hjärnaktivitet och justera stressdetektion för varje användare. Författarna noterar ändå att många artiklar som kallades ”online” egentligen använde lösare former av inkrementell reträning snarare än verklig, realtidsanpassning till flöden av data. De flesta studier byggde på små, snäva urval — ofta högskole- eller forskarstuderande — och testade sällan modeller på oberoende datamängder. Etiska och praktiska frågor är omfattande: insamling av detaljerade fysiologiska och beteendemässiga data från minderåriga väcker känsliga frågor kring samtycke, integritet, långtidslagring och vem som kontrollerar löpande uppdateringar av modeller som kan påverka vårdbeslut.

Vart fältet behöver gå härnäst

Översikten slutar i att AI för ungas psykiska hälsa är ett snabbt växande men fortfarande tidigt stadium. För att gå från labbprototyper till verktyg som säkert kan stödja verklig vård behöver forskare större och mer diversifierade dataset, tydligare rapportering av ålder och bakgrund samt standardiserade metoder för att samla in och dela multimodala ungdomsdata. Modeller måste testas över tid och i olika miljöer för att säkerställa att de förblir tillförlitliga när förhållanden förändras. Framtida arbete bör sträcka sig bortom stress- och stämningsupptäckt för att inkludera ett bredare spektrum av kliniskt erkända störningar och, avgörande, studera hur AI kan bistå faktiska interventioner snarare än enbart flagga problem. När konversationella system och stora språkmodeller blir vanligare kommer noggrann utvärdering av deras fördelar och risker för unga användare att vara nödvändig. För närvarande erbjuder multimodal, kontinuerligt lärande AI en lovande väg — men en som kräver starka säkerhetsåtgärder, öppenhet och nära samarbete mellan teknologer, kliniker, unga och deras familjer.

Citering: 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

Nyckelord: ungdomars psykiska hälsa, multimodal AI, online-inlärning, stressdetektion, bärbara sensorer