多伦多大学Venkat Bhat：AI智能体如何安全接管心理健康临床工作流

一句话结论

多伦多大学 AI 心理健康项目负责人、精神科临床科学家 Venkat Bhat 用四组已发表成果证明智能体可以安全进入临床工作流：DSM 诊断访谈拆成提问、监督、跳转逻辑、编排诊断四个智能体角色并已在医院站点进入临床试验；环境式 AI 文书从非结构化对话自动生成 PHQ/GAD-7 量表并主动提醒医生补采；模拟病人与模拟医生互练帮助住院医提前获得问诊胜任力；系统综述流水线在特定环节自动化而不做端到端。所有系统的共同设计底线是：机器人在沙箱里扮演患者先验证有效，人在回路不可拆，临床试验是唯一准入标准。

讲者背景与方法论基石

Venkat Bhat 是多伦多大学精神科医生兼临床科学家，领导该校 AI 心理健康项目，同时担任全国 AI 医学中心（Temerty 中心）心理健康社区实践负责人，把全国各大学的对应力量组织在一起。他的研究兴趣有个特别的来路：AI 的很多发展本身就借鉴了人脑——深度学习对应皮层表征，强化学习对应皮层下结构——他项目里三分之一的工作是反向工程这些系统，而占三分之二的主体工作，是把临床工作流自动化，这也是本演讲的全部内容。

他的研究范式非常稳定，四域案例全部沿同一条路径展开：先锁定一个可能自动化的临床工作流，开发单智能体或多智能体系统，然后让机器人扮演终端用户，在沙箱环境和模拟中验证系统有效，最后进入临床试验。他反复强调自己的身份底色是临床试验主义者，默认立场是怀疑——「大多数这类东西不会按我们想象的方式起作用，但少数起作用的会带来变革性影响」。这句话是整场演讲的价值锚点。

三四年前的核心思考框架至今未变：把 AI 能力分为辅助式、协作式和半自主式三档，每一档都明确人在回路中的具体位置。这个「协作辅助半自主智能体」的定位是他所有系统的基石概念，后续每个案例都能回溯到这个分档。

临床诊疗：从AI文书到DSM诊断访谈

第一个落地案例直接改造讲者自己的日常门诊。心理健康领域的「测量式护理」相当于糖尿病之于血糖、高血压之于血压——医生需要患者定期完成 PHQ-9、GAD-7 等量表来跟踪病情，但二十多年来这些量表的执行率一直很低，病人和医生都嫌繁琐。团队的解法是让环境式 AI 文书（类似诊疗记录助手）从非结构化的问诊对话中直接生成量表分数，并在医生漏采关键信息时主动提醒补采。该系统已在合作医院站点通过 Epic 系统推进试验——选 Epic 这个载体说明它走的是真实临床信息系统的通道，不是实验室演示。

更复杂的是 DSM 诊断访谈自动化。团队把操作化的 DSM 标准（SCID 结构化临床访谈工具）拆成一个多智能体系统：一个智能体负责提问，一个监督智能体控制流程、不允许在模块未完成时跳到下一模块，一个处理 DSM 结构里的跳转逻辑，最后由编排/诊断智能体汇总判断。验证方式很硬核——让机器人扮演携带各种复杂 DSM 诊断的患者与系统对练，覆盖刁钻的共病组合，结果显示系统表现相当好。目前已进入临床试验，明确定位在轻中度症状人群，因为重度精神病、重度抑郁或阿尔茨海默患者无法有效使用这类工具——这是少见的、在设计阶段就写清楚适用边界的 AI 医疗系统。

医学教育：模拟病人训练问诊技能

第二个域解决住院医培养的老问题：临床问诊是医生的核心技能，只能通过反复练习和上级反馈获得，而真实练习机会稀缺、成本高。团队构建的多智能体系统里，机器人分别扮演患者、临床医生和需要学习问诊技能的住院医，完整模拟训练闭环。团队正在推动七个最大的临床培训项目部署该系统，采用对照设计：一臂按现行方式训练，另一臂增加 AI 模拟训练，验证住院医能否把五年培训压缩到三四年获得同等胜任力——用讲者的话说，这是在测「能力获取速度」本身。

同一套方法还有心理治疗训练变体：认知行为疗法和动机式访谈都能在框架内练习，像面对真实患者一样完成一次结构化心理治疗访谈。对教育资源紧张的中国医学院体系，这个模式有直接的参照价值：标准化病人（SP）培训的人力瓶颈，理论上可以由多智能体模拟大幅放宽。

科研与质量改进：系统综述与文献流水线

第三、第四个域面向研究者自身的工作流。系统综述与元分析目前要花研究助理数周时间逐篇比对文献数据、核对录入错误，团队没有追求端到端自动化，而是在流水线的特定环节（量化数据比对、质性主题分析）嵌入自动化，并用生成式 AI 的输出与人工金标准对照验证。结论有两条：在特定复杂度以内、特定工作流节点上的自动化是可靠的；这个结论在旧版 GPT 上成立，在新模型上同样成立——模型升级没有改变「哪些环节适合自动化」的边界。EEG 脑电数据处理也有对应的自动化探索，同样采用环节级嵌入而非整体替换。

质量改进案例来自疫情时期：针对临床医生的倦怠，团队用同一框架在机构层面做工作流自动化。讲者特别指出一个容易被技术团队忽略的点：工具在单个工作流上非劣效于人类还不够——变革管理、服务重设计、成本效益分析这些生态因素决定工具能否真正被采纳。所以他们的验证一律采用混合方法，把组织因素纳入评估。这一条对任何在企业里推 AI 工具的人都是提醒：你在流程上赢了，不等于你在组织里赢了。

给跨行业实践者的迁移框架

这套临床方法论对任何高风险行业的 AI 落地都适用，可以压缩成一个四步框架：先分档——辅助/协作/半自主，明确人在哪里介入，分档决定验收标准；再沙箱——用机器人扮演用户先验证，不直接上真人，心理健康场景里这个纪律尤其严格；后试验——用对照组证明有效再推广，接受「大多数会失败」的默认预期；全流程保底——人在回路不可拆，因为「非劣效」不等于「可采纳」，组织因素和临床效力同权重。讲者的诚实值得记录：他明确说这些系统大多数不会按想象起作用，但验证体系保证了少数有效者能被识别出来并放大——这比「AI 会颠覆医疗」的口号有用得多。

原文信息

• 原视频标题：Venkat Bhat - Agentic AI Applications for Mental Health: From Chatbots to Clinical Orchestration
• 频道：Berkeley RDI
• 讲者：Venkat Bhat（多伦多大学精神科医生、AI 心理健康项目负责人）
• 发布日期：2026-08-12
• 视频时长：约 13 分钟