Salud Mental Digital a Través de una Lente Interseccional: Una Revisión Narrativa

Área de la Ciencia:

• Salud mental digital
• Inteligencia artificial en la atención médica
• Equidad en salud

Sus antecedentes:

• Las personas con enfermedades mentales que enfrentan marginación experimentan discriminación y atención inadecuada agravadas.
• Las aplicaciones de salud mental digital (DMHA) aprovechan la IA y el aprendizaje automático, pero pueden perpetuar el sesgo.
• El sesgo algorítmico en las DMHA exacerba las inequidades para las poblaciones en riesgo y marginadas.

Objetivo del estudio:

• Analizar la literatura actual sobre salud mental digital utilizando un marco interseccional.
• Identificar estrategias culturalmente receptivas para una IA equitativa en la atención de la salud mental.
• Abordar los desafíos desproporcionados de salud mental que enfrentan las personas marginadas.

Principales métodos:

• Revisión narrativa de la literatura.
• Aplicación de un marco interseccional para analizar la salud mental digital.
• Evaluación de los modelos de entrenamiento de IA y su representación de poblaciones marginadas.

Principales resultados:

• Las DMHA pueden identificar marcadores de angustia y resiliencia, pero corren el riesgo de sesgo algorítmico.
• Las poblaciones marginadas enfrentan barreras significativas para la atención de salud mental digital culturalmente competente.
• Un enfoque interseccional revela la necesidad de modelos de IA que reflejen diversas experiencias vividas.

Conclusiones:

• Las soluciones equitativas de salud mental digital requieren datos de entrenamiento de IA que representen a las comunidades marginadas.
• Las estrategias culturalmente receptivas son cruciales para mitigar el sesgo, el daño y la exclusión en las DMHA.
• La incorporación de experiencias vividas en el desarrollo de la IA promueve la equidad y mejora los resultados para todos.