المعلوماتية الطبية الحيوية

تمثل المعلوماتية الطبية الحيوية (Biomedical Informatics) حجر الزاوية في التحول المعرفي والتقني الذي يشهده الطب الحديث والعلوم السلوكية المعاصرة؛ إذ تُعنى بدراسة كيفية توليد البيانات والمعلومات والمعرفة الطبية واسترجاعها وتطبيقها لتحسين الرعاية الصحية ورفاهية الإنسان. وفي سياق الصحة النفسية والعلوم المعرفية، تشكل هذه الحقلية منصة تكاملية حاسمة تتيح فهم البنى المعقدة للاضطرابات العقلية والسلوكية عبر دمج النماذج البيولوجية بالحوسبة المتقدمة. يهدف هذا المدخل المعجمي إلى تفكيك هذا التخصص المتشعب، واستعراض أبعاده التاريخية، والنظرية، والتطبيقية، مع التركيز على تقاطعاته الجوهرية مع العلوم النفسية والسريرية الحديثة.

المفهوم والمدخل الاصطلاحي والمعرفي

تُعرّف الجمعية الأمريكية للمعلوماتية الطبية (AMIA) المعلوماتية الطبية الحيوية بأنها التخصص العلمي البيني الذي يسعى إلى الاستخدام الفعّال للمعلومات والبيانات والمعرفة الطبية الحيوية بغرض الاستقصاء العلمي، وحل المشكلات، واتخاذ القرارات السريرية، بهدف تعزيز صحة البشرية. لا يقتصر هذا الحقل على مجرد استخدام تقنيات الحاسوب في المستشفيات، بل هو علم تأسيسي يتقاطع مع علوم الحاسوب، وعلوم المعلومات، والعلوم المعرفية، وعلم النفس الإدراكي، والطب السريري، والبيولوجيا الجزيئية. يُعنى التخصص بدراسة طبيعة البيانات الصحية ذاتها، وكيفية تحويل الإشارات الحيوية والملاحظات السلوكية إلى معرفة قابلة للتنفيذ.

في الفضاء النفسي والطب النفسي السريري، تبرز المعلوماتية الطبية الحيوية بوصفها الإطار النظري والتطبيقي القادر على ردم الهوة بين المؤشرات الحيوية المعقدة، مثل المسوح الدماغية الجزيئية، والظواهر السلوكية الذاتية التي يبلغ عنها المرضى. تتعامل المعلوماتية مع التحدي الإبستمولوجي المتمثل في كيفية تحويل السرديات النفسية، والأعراض الوصفية، والتقييمات السيكومترية إلى بنيات بيانات قابلة للتحليل الإحصائي والحسابي دون فقدان عمق السياق الإنساني والسلوكي. ويتطلب ذلك فهماً عميقاً لكيفية معالجة العقل البشري للمعلومة، مما يجعل علم النفس المعرفي ركيزة لا غنى عنها في تصميم الأنظمة المعلوماتية الطبية.

تقوم المعلوماتية الطبية الحيوية على هرمية معرفية جوهرية تُعرف بنموذج (DIKW): البيانات (Data)، والمعلومات (Information)، والمعرفة (Knowledge)، والحكمة (Wisdom). فالبيانات تمثل القيم الخام غير المنظمة مثل قياس مستوى النواقل العصبية أو تقييم خام على مقاس بيك للاكتئاب. وعند وضع هذه البيانات في سياق تشخيصي منظم، تتحول إلى معلومات، مثل وجود مؤشرات تدل على نوبة اكتئاب حادة. ومن خلال دمج هذه المعلومات مع القواعد السريرية والأبحاث السابقة، تنشأ المعرفة التي توجه المعالج إلى آلية التدخل، وصولاً إلى الحكمة السريرية في تخصيص العلاج بما يتناسب مع الحالة النفسية والظروف الحياتية الخاصة بالمريض المعني.

التطور التاريخي والنشأة المعرفية

تعود الجذور الأولى للمعلوماتية الطبية إلى أواخر الخمسينيات من القرن العشرين، عندما نُشرت مقالات رائدة تناقش أسس التفكير المنطقي والاستدلال التشخيصي بواسطة الآلات، مثل أبحاث ليدلي ولاستيد عام 1959 حول الأسس الرياضية للمنطق الطبي. كانت تلك المرحلة محكومة بالبحث عن أدوات قادرة على محاكاة التفكير الطبي البشري، مما أدى لاحقاً إلى ظهور النظم الخبيرة الطبية القائمة على قواعد المنطق الاستنتاجي خلال السبعينيات، مثل نظام MYCIN الذي استند إلى استراتيجيات الاستدلال المعرفي المستعارة من علم النفس الاستعرافي.

مع بداية الثمانينيات والتسعينيات، شهد الحقل تحولاً نوعياً بفضل التوسع الهائل في استخدام الحواسيب الشخصية وتأسيس السجلات الصحية الإلكترونية (EHRs). بدأ الباحثون يدركون أن العقبة الأساسية في الأنظمة الطبية لم تكن عتاد الحوسبة، بل تعقيد المعرفة الطبية الطبيعية وتداخل العوامل النفسية والاجتماعية في ممارسات التوثيق والتشخيص. تطلب ذلك صياغة أنطولوجيات طبية موحدة وأنظمة تصنيف معيارية للمفاهيم السريرية، ما أسس لظهور المعلوماتية بوصفها فرعاً أكاديمياً مستقلاً عن علوم الحاسوب التقليدية.

شهد القرن الحادي والعشرون انفجاراً في توليد البيانات الضخمة نتيجة لظهور التسلسل الجينومي عالي الإنتاجية، وتقنيات التصوير العصبي الوظيفي المتقدمة، والأجهزة الاستشعارية القابلة للارتداء. في هذا العصر الجديد، تحولت المعلوماتية الطبية الحيوية نحو معالجة وتكامل تدفقات البيانات الضخمة ومتعددة الأبعاد، مفسحة المجال لبروز مفاهيم رائدة مثل الطب النفسي الدقيق، والنمذجة التنبؤية للسلوك البشري، والأنماط الظاهرية الرقمية القائمة على رصد نشاط الأفراد وتفاعلاتهم الرقمية اليومية.

المبادئ الأساسية والأطر النظرية للمعلوماتية الطبية الحيوية

تستند المعلوماتية الطبية الحيوية إلى منظومة متكاملة من الأطر النظرية المستمدة من نظرية النظم العامة، ونظرية المعلومات، والهندسة المعرفية، وعلم المصطلحات والأنطولوجيا. تهدف هذه الأطر إلى تفسير التفاعل المعقد بين الأنظمة التقنية، والمستخدمين البشريين سواء كانوا معالجين أو مرضى، والمعطيات البيولوجية المعقدة، لضمان تصميم أنظمة صحية آمنة وفعالة تعزز جودة الرعاية وتقلل الأخطاء التشخيصية والسريرية.

1. الهندسة المعرفية وسهولة الاستخدام السريري

تعتمد هندسة المعلومات السريرية اعتماداً عميقاً على مبادئ علم النفس المعرفي والإرجونوميا الإدراكية. يجب أن تُصمم واجهات المستخدم والأنظمة المعلوماتية بطريقة تحترم حدود الحمل المعرفي (Cognitive Load) للمعالج أو الطبيب النفسي؛ فالأنظمة التي تفشل في ذلك تؤدي إلى إجهاد الانتباه ووقوع أخطاء خطيرة في اتخاذ القرارات العلاجية. يركز هذا المبدأ على دراسة كيفية إدراك الممارس الصحي للمعلومات المعقدة، وطرائق تمثيل الرسوم البيانية، واستخدام آليات التغذية الراجعة البصرية المعرفية لتقليل التشتت أثناء الفحص والتشخيص.

علاوة على ذلك، تعالج الهندسة المعرفية ظاهرة “إرهاق التنبيهات” (Alert Fatigue)، وهي حالة نفسية وسلوكية شائعة يتجاهل فيها الممارس السريري التنبيهات الإلكترونية التلقائية الناتجة عن أنظمة دعم القرار نتيجة كثرتها وتكرارها دون فائدة مباشرة. تبحث المعلوماتية الطبية في كيفية مواءمة التنبيهات مع السياق العقلي والمهمة الإكلينيكية الحالية للطبيب، باستخدام النماذج التكيفية التي تحاكي أولويات الإدراك البشري وتدعم التركيز السريري الدقيق.

2. الأنطولوجيات الطبية ونمذجة المعرفة السريرية

تعتبر النمذجة الدلالية للغة الطبية والظواهر النفسية من أعمق الأسس النظرية للمعلوماتية؛ فاللغة السريرية حافلة بالغموض، والترادف، والمجاز، مما يجعل معالجتها حاسوبياً أمراً في غاية التعقيد. تستعين المعلوماتية بالأنطولوجيات، مثل النظام الموحد للمصطلحات الطبية (UMLS)، والأنطولوجيا الطبية الدولية المنظمة (SNOMED-CT)، والدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM)، لإنشاء صلات دلالية بين الأعراض، والتشخيصات، ومسارات العلاج، والمحددات النفسية الاجتماعية.

تسمح هذه الأنطولوجيات للأنظمة الحاسوبية بفهم أن “انخفاض المزاج”، و”فقدان التلذذ”، و”الفتور الشعوري” تمثل مفاهيم مترابطة دلالياً ضمن طيف الاضطرابات الاكتئابية، وأنها قد تترافق مع أنماط حيوية أو مؤشرات عصبية معينة. إن التمثيل الدلالي للمعرفة يزيل اللبس التفسيري، ويسمح بالربط الآلي بين مخرجات البحوث السيكولوجية والجينومية والبيانات السريرية للمرضى عبر منصات متوافقة تشغيلياً.

3. أنظمة دعم القرار السريري ونظرية المنطق التوافقي

تستند أنظمة دعم القرار السريري (CDSS) إلى نظريات اتخاذ القرار في علم النفس السلوكي، وتحديداً دراسات كانمان وتفيرسكي حول التحيزات المعرفية والاستدلالات الإرشادية السريعة (Heuristics). تهدف هذه الأنظمة المعلوماتية إلى تقديم إرشادات علاجية مؤتمتة وقائمة على الأدلة في نقطة الرعاية الطبية، لمواجهة النزوع البشري للوقوع في أخطاء التثبيت المعرفي، أو التحيز التأكيدي، أو إغفال التداخلات الدوائية النفسية المعقدة.

تستخدم أنظمة دعم القرار مزيجاً من المنطق القائم على القواعد الصريحة والشبكات البايزية الاحتمالية لنمذجة عدم اليقين السريري. وفي ممارسات الطب النفسي وعلم النفس العصبي، تُسهم هذه الأدوات في مساعدة المتخصص على الموازنة بين الفوائد المحتملة لمضادات الاكتئاب أو مضادات الذهان مقابل أعراضها الجانبية ومخاطرها المحتملة، مع مراعاة المتغيرات الجينية والفردية الفريدة لكل مريض.

الفروع التخصصية للمعلوماتية الطبية الحيوية

تضم المعلوماتية الطبية الحيوية طيفاً واسعاً من التخصصات الفرعية المترابطة، والتي يخدم كل منها مستوىً محدداً من التنظيم البيولوجي، والسريري، والمجتمعي. يشكل هذا التقسيم المعرفي أفقاً شمولياً تتكامل فيه البيانات من مستوى النانو والجزيئات الحيوية وحتى النظم المجتمعية الكبرى:

• المعلوماتية الحيوية (Bioinformatics): تُعنى بتحليل البيانات الجزيئية والجينومية والبروتيومية. وفي حقل علم الأعصاب النفسي، تُستخدم لدراسة الأسس الوراثية للاضطرابات النفسية وتحديد التفاعلات الجينية البيئية المساهمة في تطور حالات مثل الفصام واضطراب ثنائي القطب.
• المعلوماتية السريرية (Clinical Informatics): تركز على تحسين تقديم الرعاية المباشرة وتطبيق تكنولوجيا المعلومات داخل المستشفيات والعيادات. يغطي هذا الفرع توثيق الحالة النفسية، وإدارة السجلات الطبية، ومسارات العلاج السريري الموحدة.
• معلوماتية صحة المستهلك (Consumer Health Informatics): تستهدف تمكين المرضى أنفسهم من خلال تطبيقات الصحة النفسية الرقمية، ومواقع الدعم المجتمعي، والبوابات الإلكترونية، وتدعم العلاج الذاتي والتدخلات السلوكية الرقمية مثل العلاج المعرفي السلوكي الموجه حاسوبياً (iCBT).
• معلوماتية الصحة العامة (Public Health Informatics): تُعنى برصد الصحة المجتمعية، والمراقبة الوبائية للأمراض، ودراسة المحددات الاجتماعية للصحة النفسية، والتنبؤ بمعدلات الانتحار، أو تفشي اضطرابات الإدمان عبر تحليل بيانات السكان ومنصات التواصل الاجتماعي.

المعلوماتية العصبية والمعلوماتية النفسية: الجسر بين السلوك والبيولوجيا

يعد تخصص المعلوماتية العصبية (Neuroinformatics) وتخصص المعلوماتية النفسية (Psychiatric Informatics) من أرقى نقاط التلاقي بين المعلوماتية الطبية وعلوم النفس والأعصاب؛ إذ تواجه دراسة الدماغ البشري تحدياً فريداً يتمثل في الطبيعة الهائلة والمتعددة المستويات للبيانات الناتجة عن تقنيات التخطيط الدماغي، والرنين المغناطيسي الوظيفي، وتتبع مسارات المسالك البيضاء، والتحليلات الجينية السلوكية.

تعمل المعلوماتية العصبية على بناء قواعد بيانات دولية مفتوحة، مثل مشروع الموصل العصبي البشري (Human Connectome Project)، وتطوير خوارزميات محاكاة قادرة على دمج مليارات التشابكات العصبية في نماذج حسابية متماسكة. هذا التكامل الرقمي يمكن علماء النفس والأعصاب من استكشاف كيفية انبثاق الوظائف المعرفية العليا، مثل الذاكرة والانتباه والتنظيم الانفعالي، من الشبكات العصبية الحيوية، وكيف يؤدي اختلال هذه الشبكات إلى الاضطرابات العقلية والسلوكية.

في المقابل، تبرز المعلوماتية النفسية وسيلةً لتطبيق أدوات النمط الظاهري الرقمي (Digital Phenotyping). يشمل هذا النهج جمع البيانات السلوكية غير المباشرة والمتولدة باستمرار عبر الهواتف الذكية والأجهزة الذكية، كأنماط استخدام لوحة المفاتيح، والسرعة الحركية، وجودة النوم، ودرجة العزلة الاجتماعية من خلال سجلات الاتصال. توفر هذه المؤشرات الرقمية قياسات موضوعية وسياقية مستمرة للحالة المزاجية والنفسية، متجاوزة قيود الاعتماد الحصري على جلسات التقييم الدوري التقليدية التي تعاني غالباً من تحيز التذكر والتزييف العفوي للأعراض.

تسهم هذه المقاربات في بناء ما يُعرف بالطب النفسي الحسابي (Computational Psychiatry)، حيث يتم اختبار فرضيات السلوك النفسي المرضي بواسطة نماذج رياضية دقيقة، مثل نماذج التعلم المعزز ونماذج الترميز التنبئي. يتيح ذلك للباحثين الكشف عن الاضطراب في آليات معالجة الدماغ للمكافأة أو الخطأ الإدراكي قبل أن تتبدى هذه الاختلالات سريرياً كأعراض اكتئابية أو أفكار اضطهادية ذهانية، ما يمهد السبيل لتدخلات علاجية وقائية بالغة الدقة والتخصيص.

المنهجيات الحسابية والتقنيات التحليلية

تعتمد المعلوماتية الطبية الحيوية المعاصرة على ترسانة متطورة من أدوات الحوسبة الذكية؛ وفي مقدمتها خوارزميات الذكاء الاصطناعي، والتعلم الآلي (Machine Learning)، والتعلم العميق، ومعالجة اللغات الطبيعية (NLP). تُوظف هذه المنهجيات لاستخراج المعرفة الكامنة من المحيط الواسع للبيانات السريرية غير المنظمة، والتي تمثل أكثر من 80% من مجمل البيانات الطبية اليومية في المشافي والعيادات.

1. معالجة اللغات الطبيعية واستخراج النصوص السريرية

تزخر ملاحظات المعالجين النفسيين والأطباء السريريين بمضامين بالغة الأهمية مسجلة بلغة نصية حرة تصف التاريخ النفسي والاجتماعي للمريض وأفكاره وهلاوسه وتعبيراته العاطفية. تستخدم تقنيات معالجة اللغات الطبيعية الحديثة نماذج لغوية متقدمة قادرة على قراءة الملاحظات التمريضية والتقارير النفسية وتصنيفها وتحليل المشاعر الكامنة فيها واستخراج دلالات الخطر، كوجود إشارات صريحة أو ضمنية تشير إلى الرغبة في إيذاء الذات أو الانتحار.

علاوة على ذلك، تُطبَّق تقنيات استخلاص النصوص لتحليل التواصل اللغوي للمرضى أنفسهم؛ إذ كشفت دراسات لغوية نفسية أن استخدام ضمائر المتكلم المفرد والكلمات المشحونة سلباً يرتبط ارتباطاً وثيقاً بنوبات الاكتئاب، بينما يعكس التفكك الدلالي وانخفاض التماسك النحوي في النصوص علامات مبكرة على اضطرابات طيف الفصام والتدهور الإدراكي، ما يمنح المعلوماتية الطبية دوراً تشخيصياً بارزاً يعتمد على التحليل الموضوعي لأساليب الكلام.

2. نماذج التعلم الآلي والشبكات العميقة للتنبؤ السريري

تُستخدم خوارزميات التعلم الآلي الخاضعة للإشراف وغير الخاضعة للإشراف لبناء نماذج تنبؤية تساعد في تشخيص الأمراض وتقييم مآلاتها. على سبيل المثال، تُستخدم الغابات العشوائية (Random Forests) وآلات المتجهات الداعمة (SVM) في معالجة مصفوفات البيانات الضخمة التي تدمج السجلات البيوكيميائية، والقياسات النفسية، والأنماط المعيشية للتنبؤ باحتمالية استجابة مريض الاكتئاب لنوع محدد من مضادات الاكتئاب كبديل عن أسلوب التجربة والخطأ المعمول به تقليدياً في الممارسات السريرية.

أما الشبكات العصبية العميقة، وخاصة الشبكات الالتفافية (CNNs)، فتثبت فاعلية استثنائية في تحليل بيانات التصوير العصبي وتخطيط كهربائية الدماغ، حيث تكتشف تغيرات مجهرية في المادة الرمادية أو مسارات الربط العصبي قد تعجز العين البشرية عن ملاحظتها. تسهم هذه الخوارزميات في تصنيف مراحل الاضطرابات النمائية العصبية مثل اضطراب طيف التوحد وفرط الحركة وتشتت الانتباه بناءً على التواقيع الحيوية الرقمية المستخرجة من الإشارات الدماغية.

التحديات الأخلاقية، الإبستمولوجية، والسريرية

يثير التداخل المتسارع بين الحوسبة المتقدمة والطب النفسي والسلوكي جملة من التحديات الأخلاقية والمعرفية المعقدة التي تتطلب دراسة متأنية. تأتي قضية خصوصية البيانات وسريتها في مقدمة هذه المخاوف؛ فالبيانات النفسية والسلوكية تتميز بطبيعة شديدة الحساسية، وأي تسريب أو سوء استخدام لها قد يعرض المريض للوصمة الاجتماعية، أو التمييز الوظيفي، أو التبعات القانونية المرهقة.

علاوة على ذلك، تواجه خوارزميات الذكاء الاصطناعي معضلة “التحيز الحسابي” (Algorithmic Bias). فإذا دُرِّبت النماذج التنبؤية على مجموعات بيانات تمثيلية غير متوازنة ديموغرافياً أو متأثرة بتحيزات تشخيصية سابقة ضد أقليات عرقية أو فئات اجتماعية محددة، فإن الخوارزميات ستكرر هذه التحيزات وتضخمها، مما يؤدي إلى تشخيصات غير دقيقة أو توزيع غير عادل للموارد العلاجية النفسية، مهددة بذلك مبدأ العدالة الطبية والإنسانية الأساسي.

يطرح استخدام “نماذج الصندوق الأسود” (Black-Box Models) في التعلم العميق تحدياً إبستمولوجياً بارزاً؛ إذ يصعب على الطبيب أو المعالج النفسي فهم المسار المنطقي الداخلي الذي قاد الخوارزمية إلى التنبؤ بخطر سلوكي معين كاحتمال الانتحار. يفرض هذا الغموض صعوبات جسيمة تتعلق بالمسؤولية الأخلاقية والقانونية عند اتخاذ قرارات مصيرية كالحجز الإجباري أو التعديل الدوائي الجذري، مما أدى إلى تصاعد المطالبات بتطوير “الذكاء الاصطناعي القابل للتفسير” (Explainable AI) في الرعاية النفسية لضمان الشفافية وقابلية التدقيق العلمي.

الآفاق المستقبلية والاتجاهات الحديثة

يتجه مستقبل المعلوماتية الطبية الحيوية نحو تعزيز نماذج الرعاية المتكاملة والشخصية للغاية. يُتوقع أن تلعب التوائم الرقمية (Digital Twins) دوراً بارزاً؛ حيث يُنشأ نموذج رقمي ديناميكي يحاكي فيزيولوجيا المريض الفردي وحالته النفسية والعصبية في الزمن الحقيقي، مما يسمح للأطباء بمحاكاة التأثيرات النفسية والبيولوجية لأدوية متعددة أو تدابير سلوكية معينة على النموذج الافتراضي قبل تطبيقها فعلياً على المريض البشري.

كما تشهد البيئة السريرية دخول تقنيات الذكاء الاصطناعي التوليدي والواجهات اللغوية السريرية المحيطية (Ambient Clinical Intelligence)، وهي أنظمة استشعار ذكية تستمع باحترام وموافقة مسبقة إلى الحوار السريري التفاعلي بين المعالج والمريض، وتعمل تلقائياً على استخلاص الأبعاد النفسية، وتدوين الملاحظات السريرية، وتحديث السجل الطبي الموحد دون أن يضطر المعالج للانشغال بالشاشة عن التواصل البصري والإنساني العميق مع المريض.

سيعزز هذا التحول الرقمي من التكامل بين أبحاث المختبر والممارسة السريرية ضمن ما يُعرف بـ “أنظمة الصحة التعلمية” (Learning Health Systems)، حيث تصبح كل تجربة علاجية للمريض مصدراً فورياً لبيانات تسهم في تحديث المعرفة الطبية الشاملة وتغذية أدلة الممارسة الموجهة للمرضى المستقبليين، مؤذنة ببزوغ عهد جديد تتناغم فيه التكنولوجيا الحوسبية مع أسمى غايات الاستشفاء الإنساني والنفسي.

خاتمة

تثبت المعلوماتية الطبية الحيوية أنها ليست أداة تقنية مساعدة فحسب، بل هي إعادة صياغة إبستمولوجية ومنهجية لكيفية استيعاب الظاهرة المرضية وإدارة الرعاية الإنسانية بأكملها. من خلال قدرتها المتفردة على دمج المعطيات الجينومية والعصبية المعقدة مع الأنماط السلوكية والاجتماعية في أطر حسابية موحدة، تفتح المعلوماتية آفاقاً غير مسبوقة لفهم الطبيعة الإنسانية وعلاج اضطراباتها النفسية والعضوية على حد سواء. ومع تزايد التطور التكنولوجي، يظل التحدي الجوهري كامناً في تسخير هذه القدرات الحاسوبية الفائقة لخدمة الأبعاد الإنسانية والأخلاقية، وضمان أن تبقى كرامة المريض وسلامته النفسية غاية تتكامل مع دقة البيانات وروعة الخوارزميات.

المراجع

• Shortliffe, E. H., & Cimino, J. J. (Eds.). (2021). Biomedical informatics: Computer applications in health care and biomedicine (5th ed.). Springer Nature. https://doi.org/10.1007/978-3-030-58721-5
• Insel, T. R. (2017). Digital phenotyping: Technology for a new science of behavior. JAMA, 318(13), 1215–1216. https://doi.org/10.1001/jama.2017.11295
• Patel, V. L., & Kannampallil, T. G. (2014). Cognitive informatics in biomedicine and healthcare. Journal of Biomedical Informatics, 51, 1–2. https://doi.org/10.1016/j.jbi.2014.07.016
• Torous, J., Kiang, M. V., Lorme, J., & Onnela, J. P. (2016). New tools for new research in psychiatry: A scalable and customizable platform to empower data driven smartphone research. JMIR Mental Health, 3(2), e16. https://doi.org/10.2196/mental.5165
• Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
• Wang, L., Wang, Y., de Vos, S., & Hu, X. (2022). Natural language processing for mental health: A systematic review. ACM Computing Surveys, 55(4), 1–35. https://doi.org/10.1145/3524300