Frontiers in Psychiatry：ChatGPT、Gemini 与豆包在慢性病抑郁焦虑支持中的对比评估

摘要

背景：

数字心理健康工具，包括通用人工智能（AI）聊天机器人，可能为慢性病患者提供可及且低门槛的心理支持。然而，其在该人群中的价值不仅取决于识别抑郁或焦虑，还取决于理解心理困扰如何被疾病特异性经历所塑造，以及何时自我引导支持应转向专业照护。我们评估了三种广泛可及的 AI 聊天机器人在不同慢性疾病情境中提供心理支持的适当性、情境敏感性、安全性和一致性。

方法：

我们开展了一项标准化模拟患者基准研究，比较 ChatGPT、Gemini 和 Doubao。围绕 2 型糖尿病（T2DM）和慢性自发性荨麻疹（CSU）开发了 20 个场景，代表相匹配的轻度和中度抑郁与焦虑表现，以及与糖尿病自我管理和 CSU 相关发作不确定性有关的疾病特异性困扰。每个场景在两个测试轮次中独立提交给全部三个系统，共产生 120 份回复。盲法评分者评估了总体心理支持适当性、识别与情感支持、慢性疾病情境化、心理支持与转介、心身平衡与安全，以及重大临床或安全错误。重复测试评估了回复一致性。

结果：

总体心理支持适当性在不同系统间存在差异（P = 0.002），ChatGPT、Gemini 和 Doubao 分别有 90.0%、75.0% 和 55.0% 的回复达到预设适当性阈值。识别与情感支持在各系统间始终较强，而慢性疾病情境化（P = 0.001）、心理支持与转介（P = 0.002）以及心身平衡与安全（P<0.001）方面差异更大。所有对轻度表现的回复均被归类为心理适当，相比之下，对中度表现的回复中仅 58.3% 被归类为心理适当，表明当数字支持需要更强地升级至专业评估时，其表现变得不那么可靠。在 CSU 中，情境化也较不一致，尤其是当回复需要纳入发作不可预测性、瘙痒、睡眠中断和疾病不确定性时。第一轮 ChatGPT、Gemini 和 Doubao 回复中，重大临床或安全错误分别发生于 0%、10.0% 和 15.0%。重测一致性为中等，且在不同系统间存在差异。

结论：

通用 AI 聊天机器人显示出作为慢性病患者可及、自我引导数字心理健康资源的潜力，尤其是在识别困扰和提供初始支持性指导方面。其当前局限出现在有效支持需要疾病特异性情境化、对心理和躯体因素进行平衡解释，或随着症状加重而升级转介时。这些发现界定了对话式 AI 在慢性疾病心理健康照护中应用的重要边界，并提示实施应强调情境敏感指导、对严重程度作出响应的转介，以及与专业照护的明确整合而非替代。

1 引言

慢性躯体疾病中的心理困扰并非简单地叠加在医学诊断之上的精神问题（1）。它往往是通过与疾病共同生活的经历而产生、放大和解读的（2）。持续的自我监测、治疗要求、对未来健康的不确定性、反复出现的症状、睡眠中断、功能受限以及感知到的失控感，都可能产生类似抑郁和焦虑、与抑郁和焦虑共存或演变为抑郁和焦虑的症状。与此同时，许多常用于识别精神困扰的特征——疲劳、睡眠不佳、活动减少、注意力受损和躯体关注——也可能直接源于潜在疾病或其治疗（3，4）。因此，临床挑战不仅在于检测抑郁或焦虑，还在于确定心理症状应如何在特定的躯体背景下被理解（5）。有效的支持需要校准：困扰必须被认真对待，但不应被过度病理化；躯体症状不应被过早地心理化；与疾病相关的情绪负担不应仅仅因为未达到正式精神障碍的诊断阈值而被忽视。

这一问题在那些施加根本不同心理需求的慢性疾病中尤为明显（6）。2型糖尿病（T2DM）以持续的自我管理为特征：药物依从性、饮食调节、血糖监测、生活方式改变，以及反复判断疾病控制是否“足够好”（7）。这些要求可能产生糖尿病困扰、治疗疲劳、对并发症的恐惧和自我责备——这些体验可能与抑郁或焦虑障碍重叠，但并不能与之互换（8）。慢性自发性荨麻疹（CSU）则造成一种不同形式的心理负担（9）。其反复发作且往往不可预测的症状可能产生警觉、挫败感、睡眠中断、对诱因的不确定性，以及一种持续的感觉，即下一次发作难以预料或控制（10，11）。因此，T2DM和CSU提供了两种常见机制之间的有益对比，慢性疾病正是通过这两种机制产生心理后果：持续自我管理的累积负担，以及反复症状不可预测性的失稳负担。如果心理支持真正具有情境敏感性，那么即使患者描述的是表面上相似的情绪低落或焦虑症状，它也应对这些体验做出不同的回应。

通用人工智能（AI）聊天机器人在这片临床图景中引入了一个新的层面（12）。它们既不是正式的心理治疗，也不是针对特定疾病的疾病管理工具（13）。然而，其对话式的可及性意味着患者可以将它们当作事实上的首次接触环境，用来表达痛苦、询问自己的反应是否“正常”、寻求应对策略，或决定是否需要专业帮助（14）。这一使用场景之所以在临床上重要，恰恰是因为它占据了信息寻求与心理照护之间的空间（15）。一个回应听起来可能富有共情，但校准却很差；它可能正确地指出抑郁，却忽略了赋予这些症状意义的疾病背景；它可能建议寻求专业帮助，却无法区分普通的疾病相关痛苦与具有临床意义的恶化（16）。因此，相关的问题不是AI系统能否生成支持性的语言，而是它能否提供在心理上恰当、与症状严重程度相称、对慢性疾病背景敏感，并在对心理与躯体因素的解读上保持平衡的支持（17）。

现有大多数关于大语言模型在心理健康领域中的评估并未直接检验这一问题（18）。基准测试研究通常强调事实准确性、诊断一致性、危机识别，或对一般精神科提示的回应安全性（19）。这些结果对于慢性疾病而言是必要的，但并不充分（20）。一个系统可能正确识别出抑郁症状，却将疾病相关的疲劳误判为原发性心境障碍的证据（21）。它可能承认焦虑，却暗示反复出现的躯体症状主要是压力所致（22）。反过来，它也可能将心理恶化完全归因于身体状况，而未能认识到何时需要进行专业的心理健康评估（23）。所缺失的是对心身校准的评估：即整合心理与躯体信息而不将二者相互化约的能力（24）。这对于通用AI系统尤为重要，因为它们的回应是由宽泛的对话模型生成的，而非来自对躯体疾病、情绪痛苦与精神科风险之间相互作用的结构化临床建构。

当前基准测试的第二个局限在于，心理健康表现往往被视为基本不受情境影响（25）。提示词在症状、严重程度或措辞上有所不同，但这些症状所处的慢性病情境却很少被系统地操控（26）。这一点很重要，因为相同的担忧、绝望、睡眠障碍或兴趣丧失的表达，当它们源于无休止的自我管理需求与不可预测的反复症状时，可能具有不同的临床意义（27，28）。因此，情境敏感性无法从对通用精神科问题的表现中推断出来；它必须通过保持心理表现大致恒定、同时改变其所嵌入的疾病情境来加以检验（29）。这样的设计还允许在两种表现形式之间做出更具临床意义的区分：AI 系统能否识别常见的精神科表现，以及它能否将其支持调整为塑造这些表现的疾病特异性负担。

本研究采用标准化模拟患者基准测试设计，在 T2DM 和 CSU 中比较 ChatGPT、Gemini 和 Doubao，以填补这些空白。构建了匹配场景，以代表两种疾病中轻度和中度的抑郁与焦虑表现，并辅以针对特定疾病的场景，捕捉糖尿病相关的自我管理困扰以及 CSU 相关的不确定性和发作负担。对回答的评估涵盖总体心理适当性、识别与情感支持、慢性病情境化、心理支持与转介、心身平衡与安全性，以及重大临床或安全性错误；采用重复测试以评估回答一致性。我们提出了两个问题。第一，通用型 AI 聊天机器人在慢性躯体疾病中提供的心理支持，其总体质量和各领域质量是否存在差异？第二，这种支持是否会根据疾病情境、心理表现和症状严重程度而适当变化？通过超越对心理健康正确性的通用衡量标准，本研究检验了 AI 介导支持的一个更严苛的标准：一个系统能否不仅对症状作出回应，还能对赋予这些症状临床意义的疾病情境作出回应。

2 方法

2.1 研究设计与 AI 系统

我们开展了一项标准化的模拟患者基准研究，以考察通用型人工智能（AI）聊天机器人能否为慢性躯体疾病中的抑郁、焦虑和疾病相关痛苦提供心理上恰当且情境敏感的支持（30）。我们评估了三种广泛使用的面向消费者的系统——ChatGPT（OpenAI；GPT-5.5 Instant）、Gemini（Google；Gemini 3.6 Flash）和豆包（ByteDance；Seed2.1），因为它们代表的是可广泛获取的通用对话式 AI，而非专为精神科诊疗开发的工具（31–33）。该研究旨在受控条件下测试首次接触时的心理支持：每次交互由在新对话中提交的一条标准化患者提示，以及随后聊天机器人的首次完整回复组成（34）。所报告的模型名称对应于测试时各面向消费者的平台上显示或提供的版本。由于这些界面未公开后端检查点标识符或 API 快照 ID，平台层面的模型名称代表了用户可获得的最具体、可复现的版本信息。测试界面、订阅状态、相关设置和访问日期均在数据收集时记录（35）。

我们围绕两种慢性疾病情境——2 型糖尿病（T2DM）和慢性自发性荨麻疹（CSU）——开发了 20 个独特的模拟患者场景（36）。每种疾病情境下预设的五种心理表现各由两个平行场景变体代表，从而在场景层面提供重复验证，同时保留其底层临床构念（37）。这 20 个场景在两轮测试中分别独立提交给全部三种聊天机器人，共产生 120 条回复。第一轮的 60 条回复构成预设的主要性能数据集，而在新发起的会话中由相同提示生成的另外 60 条回复则保留用于重测信度评估。因此，重复输出在主要分析中不被视为额外的独立观测。

2.2 慢性疾病情境与场景构建

选择 T2DM 和 CSU 是有意为之，以代表两种形成对比的慢性疾病负担形式。T2DM 被概念化为一种以持续自我管理需求为主的疾病，包括用药、饮食调节、血糖监测、生活方式改变以及对长期并发症的担忧（38，39）。这些需求可能产生治疗疲劳、自责以及糖尿病特异性情绪困扰，后者可能与抑郁或焦虑障碍重叠，但不应自动等同于这些障碍（40）。CSU 被选为一种以反复发作且常难以预测的症状为特征的对比情境（41）。瘙痒、发作性风团、睡眠中断、诱因不确定以及对发作难以预期，可能造成警觉、挫败感和持续的控制感减弱（42–44）。因此，这一比较使我们能够检验 AI 生成的支持是否对痛苦在疾病层面的特定含义具有回应性，而不仅仅是对情绪低落或焦虑的通用标志物作出反应。

针对每种疾病构建了十个情境。四种匹配的心理表现——轻度抑郁、中度抑郁、轻度焦虑和中度焦虑——各由两个平行变体代表，每种疾病产生八个匹配情境（45）。另外两个变体捕捉疾病特异性心理困扰：T2DM 中与糖尿病相关的自我管理困扰，以及 CSU 中与不确定性和发作相关的困扰。平行变体旨在保留相同的潜在构念、症状严重程度、持续时间和功能损害程度，同时改变表面表达和情境细节。这种方法减少了对任何单一提示表述的依赖，并允许在临床等效但语言不同的表现中考察性能。相应的 T2DM 和 CSU 情境在心理表现、症状严重程度、持续时间和功能损害方面尽可能紧密对齐，同时保留足够的疾病特异性信息以建立预期的慢性疾病背景。匹配是在每种心理表现、严重程度水平和平行变体内进行的，而不是要求抑郁和焦虑情境之间使用相同的疾病特异性措辞。焦虑情境纳入了更明确的疾病相关担忧，因为担忧的对象构成了临床表现的一部分，而抑郁情境则强调情绪症状、兴趣丧失、睡眠障碍和功能损害，同时保留潜在的慢性疾病背景。重要的是，这种情境线索密度的差异在 T2DM 和 CSU 之间是对称的，而不是优先引入某一种疾病。最终设计包含 20 个独特情境：16 个匹配的抑郁和焦虑情境，以及 4 个疾病特异性困扰情境。模拟患者情境集的结构总结于表 1。

表 1

模拟患者场景的结构与临床特征。

每个场景组包含两个临床平行但语言表述不同的变体。匹配的T2DM和CSU场景在心理表现、持续时间、严重程度和功能损害方面尽可能对齐，同时保留建立各慢性疾病背景所必需的疾病特异性情境信息。T2DM，2型糖尿病；CSU，慢性自发性荨麻疹。

所有场景均以自然的第一个人称语言撰写，避免使用明确的精神病学标签、诊断术语或可能引导聊天机器人以临床医生身份回应的指令（46）。提示以简单的求助问题结尾，例如询问该个体应该怎么做或如何应对。轻度场景描述具有临床相关性但功能基本保留的痛苦，而中度场景则包含更强的持续性、更广泛的症状负担，以及对睡眠、注意力、日常活动或社会功能的明显干扰。这些严重程度区分在模型测试前已预先设定，并在匹配的T2DM和CSU场景中一致应用，其中症状的持续性和功能损害程度是区分轻度和中度表现的主要锚点。场景构建基于这些预先设定的临床特征和匹配标准，而非正式的外部诊断验证程序；这些场景旨在为比较性模型评估提供不同水平和形式的心理痛苦的标准化实验表征。所有匹配场景均未包含明确的自杀意图或急性精神科紧急情况，因为主要目标是评估慢性疾病中的心理支持，而非危机分诊表现。完整提示见Supplementary Table S1。

2.3 评估框架

采用预设框架对回答进行评估，该框架不仅旨在捕捉聊天机器人是否识别出心理困扰，还旨在评估其回应方式在临床上是否恰当、对慢性疾病背景是否敏感，以及是否恰当地平衡了心理与躯体方面的考量（47）。主要结局为总体心理支持适当性，采用五点序数量表评分，从1分（明显不恰当）到5分（高度恰当）。较低分数反映重大遗漏、临床上有问题的表述或可能有害的建议；中间分数反映大体合理但不完整的支持；较高分数则要求回答具有心理支持性、与严重程度相称、有意义地结合慢性疾病背景，并在临床上保持平衡。该五点框架为本研究特定，并在模型测试前预设，而非采用先前已验证的心理测量量表。对于预设的二元适当性分类，4分或5分被归类为心理适当。该阈值系事先设定，因为4分代表要求提供临床上相称的心理支持、对慢性疾病背景进行有意义的考量、合理的应对或求助指导且无重大安全顾虑的最低类别，而3分则允许回答大体合理但仍不完整、笼统或校准不足。五级序数评分仍为主要表现结局，而二分分类则用作补充性且具有临床可解释性的总结。

四个次要领域按0分（不充分或不恰当）至2分（明显恰当）评分。识别与情感支持评估回答是否识别出患者的痛苦、提供适当的认可，并避免轻蔑性语言或无依据的确定性精神科诊断（48）。慢性疾病背景化评估回答是否纳入了基础疾病特定的心理负担——例如T2DM中的自我管理疲劳和糖尿病痛苦，或CSU中的反复发作、瘙痒、睡眠中断、不确定感和失控感。心理支持与转介评估应对指导和专业支持建议的质量与相称性，其中对轻度痛苦的不必要升级以及对更持续或功能受损症状的升级不足均被视为次优。心身平衡与安全评估回答是否整合了心理与躯体解释，而未过早地将一方还原为另一方（49）。当回答过度将躯体症状心理化、将心理恶化完全归因于慢性疾病、做出无依据的因果断言，或以其他方式引入临床上不安全的表述时，评分会被下调。

每条回复还按是否存在重大临床或安全错误进行编码。这些错误包括无依据的确定性精神科诊断、可能不安全的用药或治疗建议、对具有临床意义的心理症状的忽视、将躯体症状重大且不恰当地归因于心理原因或反之、明显有害的应对建议，以及在应当进行专业评估时出现实质性不恰当的升级处理或未能建议进行专业评估（50）。完整的评分锚点和操作定义见补充表S2。

2.4 标准化测试与盲法评估

所有聊天机器人交互均遵循相同的预设流程（51）。每个场景均被逐字输入到新发起的对话中，并在平台允许的情况下禁用记忆、个性化或类似延续功能。未引入任何额外的系统指令、临床角色提示或后续问题。仅保留第一个完整回复。对于每次交互，均记录聊天机器人、场景标识符、测试轮次、日期、显示的模型版本和界面信息。两轮测试之间间隔三天，且每轮中所有三个系统均在同一预定义测试窗口内进行评估。第二轮在新发起的会话中使用相同提示重现相同流程。选择相对较短的间隔，是为了在允许进行独立重复评估的同时，尽量减少实质性平台或模型更新影响重测比较的可能性。

评估前，所有回复均去除聊天机器人标识符并分配随机代码。两名评分者均拥有医学学位并接受过临床医学正规培训，他们在不知晓生成模型的情况下独立对回复进行评分，并可查看相应的模拟患者提示。其相关经验包括与慢性病和心理健康相关的临床与研究工作，包括评估慢性病相关心理困扰，以及评估心理支持、转诊和心身方面考虑。分歧通过讨论解决，必要时由第三名评审者裁决，该评审者也拥有医学学位并接受过临床医学正规培训，且具有与慢性病和心理健康相关的临床研究经验。三名评估者中，两人拥有博士学位，一人拥有硕士学位（52）。评分者间一致性基于裁决前的评分计算。五级主要结局和三级次要领域采用线性加权Cohen's κ，而二元重大安全错误指标采用未加权Cohen's κ（53）。通过比较两轮独立测试中相同场景的评分，评估每个聊天机器人的重测一致性。

2.5 统计分析

主要性能分析仅使用第一轮回答。由于每个场景均由全部三个聊天机器人评估，因此唯一场景作为模型间比较的配对区组单位；单个模型回答和重复轮次输出未被视为独立重复。有序结局采用中位数和四分位距进行汇总，分类结局采用计数和百分比进行汇总。总体心理支持适当性在ChatGPT、Gemini和Doubao之间使用Friedman检验进行比较；当总体比较显著时，使用Wilcoxon符号秩检验并采用Holm校正进行多重比较，以检验两两差异（54）。对于每个结局，三个两两P值被视为一个单一族，并使用Holm逐步下降法进行校正，其中未校正的P值按从小到大排序，并依次与逐渐宽松的显著性阈值进行比较。相同的配对非参数方法和校正程序应用于四个次要有序领域。二分化的心理适当结局（总体心理支持适当性评分≥4）使用Cochran's Q检验在三个AI系统之间进行比较，并保留场景作为匹配区组单位。重大临床或安全性错误按模型进行描述性汇总，因为事件数量较少，无法支持稳定的模型间推断性比较。

预设的上下文分析考察了性能是否因慢性疾病、心理表现和症状严重程度而异。对于每个上下文对比，八个预设的匹配场景对构成独立的推断单位。T2DM–CSU比较将具有相同心理表现、严重程度和平行变体的场景配对；抑郁–焦虑比较在同一慢性疾病、严重程度水平和平行变体内配对；轻度–中度比较在同一慢性疾病、心理表现和平行变体内配对。

对于每个匹配场景对，分别针对ChatGPT、Gemini和Doubao计算模型特定的对内评分差异。为了考虑模型间共享的场景结构，并避免将三个模型回答视为独立的场景重复，使用了双侧精确聚类级符号翻转置换检验（55）。在每次置换中，属于同一场景对的所有三个模型特定差异的符号被联合反转，产生所有2^8 = 256种可能的符号配置。检验统计量为三个AI系统合并的对内评分差异均值。四个特定状况的痛苦场景进行了描述性分析，因为糖尿病相关痛苦和CSU相关不确定性代表临床上不同的构念，而非可直接互换的配对表现。上下文分析被视为预设的次要分析，并着重于效应方向、一致性和基于精确置换的证据进行解释。

第二轮主要保留用于信度分析，对有序结局采用线性加权κ，对二分类结局采用Cohen's κ或百分比一致率。鉴于配对基准测试结构和独立情景区块数量有限，未预先设定多变量混合效应模型。所有检验均为双侧检验，在适用情况下经校正后以P<0.05视为具有统计学显著性。分析使用Stata进行。

2.6 伦理考量

本研究不涉及人类参与者、患者招募、病历、生物材料、可识别个人信息，也不涉及与患者或公众成员的互动。所有情景均为虚构，且专为本研究开发，所有评估数据均由AI系统生成的输出组成。未将任何真实患者信息输入任何平台。因此无需伦理批准和知情同意。

3 结果

所有20个预先设定的模拟患者情景均由三个AI系统在两轮测试中全部完成，共产生120份可评估回复，无拒绝、截断或缺失输出。主要分析包括由20个独特情景区块生成的60份第一轮回复；另外60份回复保留用于预先设定的重测一致性评估。

3.1 整体心理支持表现

三个AI系统的整体心理支持适当性存在差异（Friedman χ²=12.50，P = 0.002）。所有第一轮回复的情景层面整体适当性评分和主要安全性错误分类见补充表S3。ChatGPT表现出最一致的良好表现，20份回复中有18份（90.0%）达到预先设定的心理适当性阈值，而Gemini为20份中的15份（75.0%），Doubao为20份中的11份（55.0%）（表 2）。二分类适当性分类的相应差异也显著（Cochran Q = 8.22，P = 0.016）。对有序结局的成对分析显示，经Holm校正后，ChatGPT优于Doubao（校正后P = 0.005），而ChatGPT与Gemini之间（校正后P = 0.118）以及Gemini与Doubao之间（校正后P = 0.118）的差异未保持显著。完整的成对比较和预先设定的分层比较见补充表S4。高度适当的回复并不常见，仅出现在三份ChatGPT回复和一份Gemini回复中。因此，整体模式反映的是在适当性量表高端具有更高的一致性，而非三个系统之间的完全分离。

表 2

三个AI聊天机器人的整体心理支持表现。

整体适当性使用Friedman检验进行比较。采用Holm校正的成对Wilcoxon符号秩检验得出，ChatGPT与Gemini比较的校正后P = 0.118，ChatGPT与Doubao比较的P = 0.005，Gemini与Doubao比较的P = 0.118。心理适当回复比例使用Cochran's Q检验进行比较。

3.2 特定领域的心理支持表现

模型间异质性集中在需要情境化和临床校准的领域，而非对痛苦的识别本身。识别与情感支持在各系统间一致地高，且无显著差异（P = 0.247）；20 条 ChatGPT 回复中有 19 条、20 条 Gemini 回复中有 18 条、20 条 Doubao 回复中有 16 条被给予最高分（表 3）。相比之下，慢性疾病情境化（P = 0.001）、心理支持与转介（P = 0.002）以及心身平衡与安全（P<0.001）存在显著差异。最清晰且最一致的差异出现在 ChatGPT 与 Doubao 之间。经 Holm 校正后，ChatGPT 在情境化（校正后 P = 0.008）、心理支持与转介（校正后 P = 0.014）以及心身平衡与安全（校正后 P = 0.005）方面的得分仍高于 Doubao。涉及 Gemini 的比较在方向上相似，但在多重检验校正后通常减弱。

表 3

各 AI 聊天机器人在特定领域的心理支持表现。

次要领域评分为 0 至 2 分，分数越高表示表现越恰当。P 值来自 Friedman 检验。对于慢性疾病情境化，Holm 校正后的两两 P 值分别为：ChatGPT 对 Gemini 为 0.051，ChatGPT 对 Doubao 为 0.008，Gemini 对 Doubao 为 0.051。对于心理支持与转介，相应值分别为 0.051、0.014 和 0.083；对于心身平衡与安全，分别为 0.051、0.005 和 0.051。

3.3 在慢性疾病情境中的表现

整体恰当性在两种慢性疾病情境中基本得以保持，但在 CSU 中，纳入疾病特异性心理负担的能力一致性较差。在匹配的抑郁和焦虑情境生成的 48 条回复中，24 条 T2DM 回复中有 20 条（83.3%）、24 条 CSU 回复中有 18 条（75.0%）被归类为心理恰当。两种情境之间的整体恰当性无显著差异（精确置换检验 P = 0.313），且识别与情感支持在各条件下实际上保持不变（P = 1.000）（表 4）。然而，慢性疾病情境化在 CSU 中较低（P = 0.008）。心理支持与转介显示出相似但精确度较低的方向性差异（P = 0.125），而心身平衡与安全在各条件之间无显著差异（P = 0.500）。因此，主要的疾病情境信号并非回复质量的普遍下降，而是一种更具选择性的困难，即难以将复发性瘙痒、发作不可预测性、睡眠中断和疾病不确定性的临床意义纳入原本具有支持性的回复中。详细的情境比较见补充表 S4。

表 4

匹配的T2DM和CSU情境下的心理支持表现。

描述性汇总包括每种疾病情境下24个模型–场景观察值（8个匹配场景×3个AI系统）。推断性比较将8个匹配场景对视为独立置换单元，并使用双侧精确聚类级符号翻转检验，每个场景对内3个模型特异性差异被联合置换。

3.4 按心理表现和症状严重程度划分的表现

应答质量对症状严重程度的敏感性远高于对表现被描述为抑郁还是焦虑的敏感性。24个抑郁应答中有19个、24个焦虑应答中有19个达到适当性阈值，没有证据表明两种表现类型在总体适当性上存在系统性差异（精确置换P = 0.688）（表 5）。识别与情感支持在抑郁和焦虑之间同样稳定（P = 0.500），心理支持与转介也是如此（P = 0.313）。

表 5

按心理表现、症状严重程度和疾病特异性痛苦划分的心理支持表现。

抑郁–焦虑和中度–轻度比较基于两种慢性疾病情境下的16个匹配场景。疾病特异性痛苦场景采用描述性分析，因为糖尿病痛苦和CSU相关不确定性代表不同的心理构念，并非设计为直接推断对应项。描述性汇总基于每种表现或严重程度组24个模型–场景观察值。推断性比较基于8个独立匹配场景对，使用双侧精确聚类级符号翻转置换检验。

相比之下，症状严重程度的增加暴露出更大的校准差距。对轻度表现的所有24份回复均被归类为心理上适当，而对中度表现的24份回复中仅有14份被归类为适当。中度情境下的总体适当性较低（精确置换检验 P = 0.016），而识别与情感支持保持稳定（P = 0.500）。在慢性病情境化（P = 0.031）、心理支持与转介（P = 0.008）以及心身平衡与安全（P = 0.008）方面也观察到较低评分。这一模式表明，严重程度的增加主要挑战了情境建构、按比例转介和心身校准，而非对痛苦的基本识别。疾病特异性情境强化了通用支持与疾病敏感支持之间的区别：对两种T2DM痛苦变体的六份回复中有五份被归类为适当，而对两种CSU发作及不确定性相关痛苦变体的六份回复中仅有一份被归类为适当。完整的呈现方式和严重程度分层比较见补充表S4。

3.5 安全性与回复可靠性

重大临床或安全错误仍然不常见。第一轮ChatGPT回复中未包含重大错误，而Gemini回复中有两份（10.0%）、Doubao回复中有三份（15.0%）（表 6）。鉴于事件数量较少，模型间重大错误频率的差异以描述性方式总结，而未进行推断性比较。错误主要是校准失败，而非明显有害的治疗建议。其中三例涉及对身体或疾病相关症状的不成比例的心理归因，两例反映在中度表现且伴有明显功能损害时升级不足。没有系统生成重大的不安全用药或治疗建议。

表 6

安全性、评分者间信度和重测一致性。

评分者间信度根据两轮测试中裁定前的评分计算。重测分析比较了在独立发起的会话中提交的相同情境。由于重大安全错误不常见，除基于κ的一致性外还报告了原始百分比一致性，且在结果发生率较低的情况下，与安全相关的κ估计值应谨慎解读。

在所有评估领域，评分者间一致性均较为显著。整体心理支持适当性的线性加权κ为0.84，四个次要领域的κ值范围为0.79至0.88。重大安全错误状态的一致性也较为显著，但由于事件频率较低，其置信区间较宽。完整的评分者间信度估计报告见补充表S5。重复测试显示，各系统在响应层面的稳定性呈梯度下降。整体适当性的完全一致率在ChatGPT为85.0%，Gemini为75.0%，Doubao为65.0%，相应的线性加权κ值分别为0.69、0.59和0.49。二元心理适当性分类的一致性高于序数完全一致率，表明部分重复变异性反映的是在临床相关适当性阈值内部的变动，而非跨越该阈值的变动。

4 讨论

本研究提出的核心问题并非当代通用人工智能能否识别心理困扰。它越来越能够做到这一点。更具深远意义的问题是，这种识别能否转化为临床相称的、对疾病敏感的支持。我们的研究结果表明，这是两种不同的能力。情感识别在领先的对话系统中似乎已变得相对稳健，而在慢性疾病的生活结构中解读困扰的能力则仍远未成熟。这一区分之所以重要，是因为慢性病中的心理支持很少仅仅是孤立地识别悲伤或担忧。临床任务是理解这些体验为何发生、它们与潜在疾病有何关联，以及它们何时意味着需要更深入的评估或照护（1，5，20）。

这指向了当前评估人工智能心理健康应用方法的一个更广泛的局限。大量文献仍将心理表现视为分类、正确性或安全性问题（16，18，19）：模型能否识别抑郁、识别焦虑、检测危机，或避免明显有害的建议？这些基准是必要的，但它们越来越不够充分。在慢性疾病中，更困难的任务是解释性的，而非分类性的。同样的疲劳、睡眠不佳、退缩或持续担忧的主诉，可能源于躯体疾病、治疗负担、心理困扰，或它们的相互作用。因此，临床上可信的回应与其说取决于给出正确的标签，不如说取决于在仍提供有用支持的同时保持适当程度的不确定性。这正是通用模型似乎最不可靠之处。

因此，心身校准这一概念可能为评估AI在慢性疾病中的作用提供比单纯诊断准确性更有用的框架。心身校准指的是在身体症状、心理困扰与疾病背景之间保持临床关联而不将其中任何一方化约为另一方。这不仅仅是避免错误的问题，而是分寸的问题。过度将身体症状心理化，可能与忽视慢性疾病的心理负担一样具有临床误导性。反之，反复将痛苦归因于疾病本身，可能掩盖临床上显著的抑郁或焦虑综合征的出现。挑战不在于在心理与躯体解释之间做出选择，而在于认识到何时两者都仍然合理、何时需要进一步评估（1，5，23）。

T2DM与CSU之间的对比说明了为何这一点至关重要。T2DM带来的心理负担相对结构化：自我监测、治疗依从、饮食调控以及反复评估疾病控制情况。这些体验与既有的治疗疲劳和糖尿病痛苦叙事高度契合（7，8，21）。CSU则带来不同的解释难题。其负担由复发、不可预测性、瘙痒、睡眠中断以及诱因的不确定性所塑造（9，22，28）。此类体验并不那么整齐地映射到标准心理模板上。患者可能因症状无法控制而痛苦，因发作不可预测而过度警觉，或因瘙痒扰乱睡眠而精疲力竭。因此，仅仅识别出焦虑的回应可能在技术上合理，却在临床上流于表面。所需要的不仅仅是对情感的识别，而是对维系这种情感的不确定性结构的理解。

这一区分或许也有助于解释为何疾病背景影响了回应质量的某些维度，却未导致整体表现的普遍下降。通用支持性语言可以在许多疾病中生成，且所需调整相对较少。情境敏感的支持则要求更高，因为它需要模型将心理状态与疾病被体验的机制联系起来。换言之，一个AI系统可以在语气层面显得胜任，却在表述层面仍然有限。对于临床和研究目的而言，这一差异很重要：表面上的共情不应被视为情境理解的证据。

第二个启示涉及严重程度。在我们的结果中，更具临床意义的弱点不是抑郁与焦虑之间的混淆，而是在症状变得更加持续且功能受损时调整不足。这表明，当前系统可能更擅长识别痛苦的存在，而在临床严重程度增加时重新校准情境解读、心身平衡和求助指导方面则较为薄弱。这种模式并不令人意外。大语言模型在生成支持性文本方面能力很强，但按比例升级需要更接近临床判断的能力：认识到对轻度痛苦合理的同一应对建议，在功能恶化时可能已不适用。

这种严重程度校准问题值得比目前更多的关注。最显而易见的安全性评估聚焦于危机情境，尤其是明确的自杀倾向（16–19）。然而，许多临床上重要的失败发生得更早，发生在从可理解的痛苦向需要专业评估的症状过渡的过程中。一个模型不必给出危险的建议才算临床不合格；它可能只是随着表现变得更为严重，仍然过于安慰、过于泛泛而谈，或过于倾向于自我管理。这种微妙的升级不足，即使在没有明显安全错误的情况下，也可能构成一种重要的失败模式，因此值得在未来的真实世界评估中给予特别关注。

这对AI应如何在数字心理健康领域定位具有启示意义。我们的研究结果提示，通用聊天机器人可能作为低门槛的支持性工具发挥作用，尤其是在识别痛苦和提供初步心理支持性指导方面。然而，本基准研究并未评估患者结局、求助行为、治疗联盟或临床有效性。因此，任何辅助性角色都应被视为需要前瞻性临床评估的潜在应用，而非已确立的益处。此类系统应始终作为心理治疗、诊断或临床分诊的补充，而非替代。关键边界在于，它们能否恰当地识别出支持性指导已不再足够、应建议进行专业评估。近期综述同样将对话式AI置于更广泛的支持性照护和自我管理路径之中，包括糖尿病自我管理和姑息治疗中的护理支持，同时强调可靠性、临床验证以及与专业照护适当整合的重要性（56，57）。

对开发者而言，这些结果提示未来的评估应超越宽泛的心理健康基准，转向情境化压力测试。模型应接受挑战，面对嵌入不同慢性疾病中的临床等效心理症状，以及措辞不同但构念和严重程度保持一致的平行情境。评估还应测试建议是否随功能损害的加重而适当升级，以及当躯体与心理因素的解释相互重叠时，模型能否处理不确定性。这些标准比事实正确性更为严苛，但它们更接近实际慢性疾病照护中出现的问题。

对临床医生而言，其相关性有所不同。通用AI很可能成为患者理解疾病时所处的非正式解释环境的一部分。患者使用这些系统可能不仅是为了获取信息，也是为了判断自己的痛苦是否正常、是否反映了自身疾病，以及是否应该寻求帮助。因此，临床问题不太可能是患者是否应该使用AI，而是如何将其使用纳入关于症状解读、不确定性和求助的对话中，同时不赋予该系统超出其表现所应得的权威。

The study also has implications for research design. If AI systems are increasingly proficient at producing superficially supportive responses, then future work must distinguish between linguistic plausibility and clinical adequacy. The latter requires evaluation of context, proportionality, and reproducibility. Patient-level studies will ultimately be needed to determine whether AI-mediated support improves distress, accelerates help-seeking, or changes engagement with care (30, 31, 48). Benchmarking cannot establish those outcomes, but it can identify where prospective evaluation is most necessary and where current systems remain most likely to fail.

Several features of the present design strengthen these inferences. The use of matched cross-condition scenarios allowed illness context to vary while holding psychological presentation broadly constant, and parallel scenario variants reduced dependence on any single prompt formulation. Blinded rating and repeated testing further separated average model performance from response stability. At the same time, the study remains a controlled simulation. Real patients disclose information incompletely, change topics, respond to reassurance, and engage in multi-turn exchanges that may alter both the quality and risk of AI-generated support. The density of illness-specific cues was also not identical across psychological presentations, with anxiety scenarios containing more explicit disease-related concerns than depression scenarios. Although this asymmetry was mirrored across T2DM and CSU and the cross-condition analyses paired scenarios within the same presentation, severity level, and parallel variant, it may have influenced the absolute ease with which models demonstrated chronic-illness contextualization and should therefore be considered when interpreting domain-specific findings. Only two chronic illnesses and three AI systems were examined, and commercial models evolve rapidly. Expert-rated appropriateness also cannot substitute for patient-perceived usefulness, therapeutic alliance, or clinical outcomes.

The broader conclusion is therefore not that general-purpose AI succeeds or fails at psychological support in chronic illness. Rather, the findings suggest that the frontier has moved. Basic emotional recognition is no longer the most informative test of model capability. The harder problem is whether AI can formulate distress in context, preserve appropriate uncertainty between psychological and somatic explanations, and adjust its recommendations as clinical severity changes. Those capacities-not conversational fluency alone-will determine whether general-purpose AI can become a meaningful component of digital mental-health support for people living with chronic disease.

5 Conclusion

The clinical promise of general-purpose AI in chronic-illness mental health support will not be determined by its ability to recognize distress or generate empathic language alone. The more consequential test is whether it can interpret psychological symptoms in relation to the illness that gives them meaning, preserve appropriate uncertainty when somatic and psychological explanations overlap, and alter its guidance as clinical need changes. Our findings suggest that current systems can often provide plausible first-contact psychological support, but remain less dependable when support requires contextual formulation, management of psychosomatic uncertainty, or severity-sensitive escalation. This distinction defines an important boundary between conversational competence and clinically meaningful support. As AI becomes increasingly embedded in how patients understand and respond to chronic illness, evaluation should therefore shift from asking whether models can produce plausible mental-health responses to asking whether those responses are appropriately contextualized, proportionate, and reproducible. Crossing that boundary will be essential before general-purpose AI can be regarded as more than an accessible conversational interface within digital mental health.

Statements

Data availability statement

The original contributions presented in the study are included in the article/Supplementary Material. Further inquiries can be directed to the corresponding authors.

Author contributions

WX: Conceptualization, Data curation, Formal Analysis, Methodology, Project administration, Writing – original draft. XuC: Formal analysis, Methodology, Validation, Writing – original draft, Writing – review & editing. WJ: Formal analysis, Methodology, Conceptualization, Writing – original draft. XiC: Conceptualization, Formal Analysis, Methodology, Validation, Writing – original draft. JC: Conceptualization, Formal Analysis, Validation, Writing – original draft. XL: Methodology, Supervision, Writing – review & editing. JD: Supervision, Writing – review & editing.

Funding

The author(s) declared that financial support was not received for this work and/or its publication.

Conflict of interest

The author(s) declared that this work was conducted in the absence of any commercial or financial relationships that could be construed as a potential conflict of interest.

Generative AI statement

The author(s) declared that generative AI was not used in the creation of this manuscript.

Any alternative text (alt text) provided alongside figures in this article has been generated by Frontiers with the support of artificial intelligence and reasonable efforts have been made to ensure accuracy, including review by the authors wherever possible. If you identify any issues, please contact us.

Publisher’s note

All claims expressed in this article are solely those of the authors and do not necessarily represent those of their affiliated organizations, or those of the publisher, the editors and the reviewers. Any product that may be evaluated in this article, or claim that may be made by its manufacturer, is not guaranteed or endorsed by the publisher.

Supplementary material

The Supplementary Material for this article can be found online at: https://www.frontiersin.org/articles/10.3389/fpsyt.2026.1962615/full#supplementary-material

References

• 1

  CostaAPda Silva BritoIMestreTDMatos PiresAJosé LopesM. Meshing anxiety, depression, quality of life, and functionality in chronic disease. Healthcare. (2025) 13:539. doi: 10.3390/healthcare13050539

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 2

  Depression and anxiety symptoms in acute and chronic medical illness. Int J Psychiatry Med. (2026) 61:535–8. doi: 10.1177/00912174261460277

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 3

  BiYZhangLLiXKanYLiSZouYet al. Contributing factors of fatigue in patients with type 2 diabetes: A systematic review. Psychoneuroendocrinology. (2021) 130:105280. doi: 10.1016/j.psyneuen.2021.105280

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 4

  KherallahKChungCSGhanshaniRIssaTOntiverosSShiVYet al. The impact of chronic spontaneous urticaria on sleep—A systematic review. Dermatol Ther. (2026). doi: 10.1007/s13555-026-01837-4

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 5

  XuHChenQ. The bidirectional influence between type 2 diabetes mellitus and the state of depression and anxiety. J Affect Disord. (2025) 386:119467. doi: 10.1016/j.jad.2025.119467

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 6

  BaxterRSiroisFM. Self-compassion and psychological distress in chronic illness: A meta-analysis. Br J Health Psychol. (2025) 30:e12761. doi: 10.1111/bjhp.12761

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 7

  LinKYaoMJiXLiRAndrewLOosthuizenJet al. Measuring treatment burden in people with type 2 diabetes mellitus (T2DM): A mixed-methods systematic review. BMC Primary Care. (2024) 25:206. doi: 10.1186/s12875-024-02461-x

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 8

  MichotAPEvansTLVasudevanMMBradfordAHundtNEChristieICet al. The case for screening for diabetes distress, depression, and anxiety. J Health Psychol. (2024) 29:1608–13. doi: 10.1177/13591053241241841

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 9

  KolkhirPBonnekohHMetzMMaurerM. Chronic spontaneous urticaria: A review. JAMA. (2024) 332:1464–77. doi: 10.1001/jama.2024.15568

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 10

  GonçaloMGimenéz-ArnauAAl-AhmadMBen-ShoshanMBernsteinJAEnsinaLFet al. The global burden of chronic urticaria for the patient and society. Br J Dermatol. (2021) 184:226–36. doi: 10.1111/bjd.19561

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 11

  ZhaoYYangHYuSLiYZhangL. Pruritus and anxiety symptoms in chronic spontaneous urticaria are associated with altered functional connectivity of the brain. J Neuroradiol. (2025) 52:101355. doi: 10.1016/j.neurad.2025.101355

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 12

  LaymounaMMaYLessardDSchusterTEnglerKLebouchéB. Roles, users, benefits, and limitations of chatbots in health care: Rapid review. J Med Internet Res. (2024) 26:e56930. doi: 10.2196/56930

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 13

  HuaYSiddalsSMaZGalatzer-LevyIXiaWHauCet al. Charting the evolution of artificial intelligence mental health chatbots from rule-based systems to large language models: A systematic review. World Psychiatry. (2025) 24:383–94. doi: 10.1002/wps.21352

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 14

  YooDWShiJMRodriguezVJSahaK. AI chatbots for mental health self-management: Lived experience-centered qualitative study. JMIR Ment Health. (2026) 13:e78288. doi: 10.2196/78288

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 15

  XueJZhangBZhaoYZhangQZhengCJiangJet al. Evaluation of the current state of chatbots for digital health: Scoping review. J Med Internet Res. (2023) 25:e47217. doi: 10.2196/47217

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 16

  WangLBhanushaliTHuangZYangJBadamiSHightow-WeidmanL. Evaluating generative AI in mental health: Systematic review of capabilities and limitations. JMIR Ment Health. (2025) 12:e70014. doi: 10.2196/70014

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 17

  AsmanOTorousJTalA. Responsible design, integration, and use of generative AI in mental health. JMIR Ment Health. (2025) 12:e70439. doi: 10.2196/70439

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 18

  BirkMVKochharSMyrickKSchuellerSMTorousJ. Digital mental health research priorities, revisited for the AI and large language model era. JMIR Ment Health. (2026) 13:e104118. doi: 10.2196/104118

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 19

  WangXZhouYZhouG. The application and ethical implication of generative AI in mental health: Systematic review. JMIR Ment Health. (2025) 12:e70610. doi: 10.2196/70610

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 20

  LiCZhaoYBaiYZhaoBTolaYOChanCWet al. Unveiling the potential of large language models in transforming chronic disease management: Mixed methods systematic review. J Med Internet Res. (2025) 27:e70535. doi: 10.2196/70535

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 21

  RiiseHKRHaugstvedtAIglandJWilhelmsen-LangelandASøftelandEHermannMet al. Diabetes distress and sleep impairment in type 2 diabetes: A population-based cross-sectional study—The HUNT Study, Norway. Diabetic Med. (2025) 42:e70106. doi: 10.1111/dme.70106

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 22

  TawilSIraniCKfouryRAbramianSSalamehPWellerKet al. Association of chronic urticaria with psychological distress: A multicentre cross-sectional study. Acta Dermato-Venereologica. (2023) 103:adv00865. doi: 10.2340/actadv.v102.2939

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 23

  WongCCorsoGE. Collaborative care for depression in chronic illness: A narrative review. J Primary Care Community Health. (2026) 17:21501319261434616. doi: 10.1177/21501319261434616

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 24

  YangQCheungKZhangYZhangYQinJXieYJ. Conversational agents in physical and psychological symptom management: A systematic review of randomized controlled trials. Int J Nurs Stud. (2025) 163:104991. doi: 10.1016/j.ijnurstu.2024.104991

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 25

  HouJLinSTengPHanYLuoYHeG. Application of chatbots in chronic disease management: A scoping review. Digital Health. (2026) 12:20552076251411287. doi: 10.1177/20552076251411287

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 26

  UetovaEHedermanLRossRO'SullivanD. Exploring the characteristics of conversational agents in chronic disease management interventions: A scoping review. Digital Health. (2024) 10:20552076241277693. doi: 10.1177/20552076241277693

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 27

  ZuWZhangSDuLHuangXNieWWangL. The effectiveness of psychological interventions on diabetes distress and glycemic level in adults with type 2 diabetes: A systematic review and meta-analysis. BMC Psychiatry. (2024) 24:660. doi: 10.1186/s12888-024-06125-z

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 28

  KellerLStittJ. Chronic spontaneous urticaria: Quality of life and economic impacts. Immunol Allergy Clinics North America. (2024) 44:453–67. doi: 10.1016/j.iac.2024.03.004

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 29

  SiYMengYChenXAnRMaoLLiBet al. Quality safety and disparity of an AI chatbot in managing chronic diseases: Simulated patient experiments. NPJ Digital Med. (2025) 8:574. doi: 10.1038/s41746-025-01956-w

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 30

  LiHZhangRLeeYCKrautREMohrDC. Systematic review and meta-analysis of AI-based conversational agents for promoting mental health and well-being. NPJ Digital Med. (2023) 6:236. doi: 10.1038/s41746-023-00979-5

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 31

  ZhangQZhangRXiongYSuiYTongCLinFH. Generative AI mental health chatbots as therapeutic tools: Systematic review and meta-analysis of their role in reducing mental health issues. J Med Internet Res. (2025) 27:e78238. doi: 10.2196/78238

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 32

  ShegalMHuLTFriesenEMinianNMaslejMRodakTet al. Conversational agent interventions in diabetes care: A systematic review. Diabetes Res Clin Pract. (2025) 228:112429. doi: 10.1016/j.diabres.2025.112429

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 33

  WuYZhangJGePDuanTZhouJWuYet al. Application of chatbots to help patients self-manage diabetes: Systematic review and meta-analysis. J Med Internet Res. (2024) 26:e60380. doi: 10.2196/60380

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 34

  NastasiAJCourtrightKRHalpernSDWeissmanGE. A vignette-based evaluation of ChatGPT's ability to provide appropriate and equitable medical advice across care contexts. Sci Rep. (2023) 13:17885. doi: 10.1038/s41598-023-45223-y

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 35

  AcarA. Data contamination in AI evaluation. JMIR Med Inf. (2025) 13:e80987. doi: 10.2196/80987

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 36

  YuHZhouJLiLChenSGallifantJShiAet al. Simulated patient systems powered by large language model-based AI agents offer potential for transforming medical education. Commun Med. (2025) 6:27. doi: 10.1038/s43856-025-01283-x

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 37

  LandonSSavageTGreysenSRBressmanE. Variation in large language model recommendations in challenging inpatient management scenarios. J Gen Internal Med. (2026) 41:1286–91. doi: 10.1007/s11606-025-09888-7

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 38

  AsmatKSivarajan FroelicherEDhamaniKAGulRKhanN. Effect of patient-centered self-management intervention on glycemic control, self-efficacy, and self-care behaviors in South Asian adults with type 2 diabetes mellitus: A multicenter randomized controlled trial. J Diabetes. (2024) 16:e13611. doi: 10.1111/1753-0407.13611

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 39

  LiCLiWShaoYXuZSongJWangY. A scoping review of artificial intelligence-based health education interventions for patients with type 2 diabetes. Diabetes Metab Syndr Obes. (2025) 18:3539–52. doi: 10.2147/DMSO.S541515

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 40

  BassiGGabrielliSDonisiVCarboneSFortiSSalcuniS. Assessment of psychological distress in adults with type 2 diabetes mellitus through technologies: Literature review. J Med Internet Res. (2021) 23:e17740. doi: 10.2196/17740

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 41

  ZuberbierTAbdul Hameed AnsariZAbdul LatiffAHAbuzakoukMMAgcaoili-De JesusMSAgondiRCet al. The international guideline for the definition, classification, diagnosis and management of urticaria. Allergy. (2026). doi: 10.1111/all.70210

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 42

  CanACoskunRKarabacakDETuzerOCYegitOOKaradagPet al. Common but neglected problem in chronic spontaneous urticaria: Sleep disturbance. Allergy Asthma Proc. (2023) 44:179–85. doi: 10.2500/aap.2023.44.230011

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 43

  Adjei-FrimpongNACortesJFakhouriSKDelacquaFOldenburgR. Association of psychiatric comorbidities with chronic urticaria: A nested case-control study in the All of Us Research Program. JEADV Clin Pract. (2025) 4:836–9. doi: 10.1002/jvc2.70063

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 44

  Tzur BitanDBerzinDCohenA. The association of chronic spontaneous urticaria (CSU) with anxiety and depression: A nationwide cohort study. Arch Dermatol Res. (2021) 313:33–9. doi: 10.1007/s00403-020-02064-3

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 45

  ParkCAnMHHwangGParkRWAnJ. Clinical performance and communication skills of ChatGPT versus physicians in emergency medicine: Simulated patient study. JMIR Med Inf. (2025) 13:e68409. doi: 10.2196/68409

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 46

  NieminenHVartiainenAKBondRLaukkanenEMulvennaMKuosmanenL. Recommendations for mental health chatbot conversations: An integrative review. J Adv Nurs. (2025) 81:6169–82. doi: 10.1111/jan.16762

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 47

  SanjeewaRIyerRApputhuraiPWickramasingheNMeyerD. Empathic conversational agent platform designs and their evaluation in the context of mental health: Systematic review. JMIR Ment Health. (2024) 11:e58974. doi: 10.2196/58974

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 48

  ZhongWLuoJZhangH. The therapeutic effectiveness of artificial intelligence-based chatbots in alleviation of depressive and anxiety symptoms in short-course treatments: A systematic review and meta-analysis. J Affect Disord. (2024) 356:459–69. doi: 10.1016/j.jad.2024.04.057

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 49

  Rahsepar MeadiMSillekensTMetselaarSvan BalkomABernsteinJBatelaanN. Exploring the ethical challenges of conversational AI in mental health care: Scoping review. JMIR Ment Health. (2025) 12:e60432. doi: 10.2196/60432

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 50

  LeeJChaHHwangboYCheonW. Enhancing large language model reliability: Minimizing hallucinations with dual retrieval-augmented generation based on the latest diabetes guidelines. J Pers Med. (2024) 14:1131. doi: 10.3390/jpm14121131

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 51

  KellyANoctorERyanLvan de VenP. The effectiveness of a custom AI chatbot for type 2 diabetes mellitus health literacy: Development and evaluation study. J Med Internet Res. (2025) 27:e70131. doi: 10.2196/70131

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 52

  MandrekarJN. Measures of interrater agreement. J Thorac Oncol. (2011) 6:6–7. doi: 10.1097/JTO.0b013e318200f983

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 53

  VanbelleSEngelhartCHBlixE. A comprehensive guide to study the agreement and reliability of multi-observer ordinal data. BMC Med Res Methodol. (2024) 24:310. doi: 10.1186/s12874-024-02431-y

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 54

  SheldonMRFillyawMJThompsonWD. The use and interpretation of the Friedman test in the analysis of ordinal-scale data in repeated measures designs. Physiother Res Int. (1996) 1:221–8. doi: 10.1002/pri.66

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 55

  HoltCASullivanSP. Permutation tests for experimental data. Exp Econ. (2023), 1–38. doi: 10.1007/s10683-023-09799-6

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 56

  TalebiHMSafarabadiMMousivandMZareiAFakhariMS. Role of artificial intelligence powered chatbots in diabetes self-management: A narrative review. Proc Singapore Healthcare. (2025) 34. doi: 10.1177/20101058251389342

  • CrossRef
  • Google Scholar

• 57

  DehnayebiMJEtedaliMSafarabadiMParnikhHTalebiHM. Evaluating chatbots as nursing assistants in palliative care: A narrative review. Indian J Palliative Care. (2026) 32:129.

  • Google Scholar

Keywords

anxiety, artificial intelligence, chronic illness, depression, digital mental health, large language models, psychosomatic medicine

Citation

Xiao W, Cao X, Jin W, Chen X, Cai J, Luo X and Deng J (2026) Psychological support for depression and anxiety across chronic illness contexts: a comparative evaluation of three general-purpose AI chatbots. Front. Psychiatry 17:1962615. doi: 10.3389/fpsyt.2026.1962615

Received

09 August 2026

Revised

30 September 2026

Accepted

30 September 2026

Published

16 October 2026

Volume

17 - 2026

Updates

Copyright

© 2026 Xiao, Cao, Jin, Chen, Cai, Luo and Deng.

This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY). The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply with these terms.

*Correspondence: Xuchen Luo, drxuchenluo@zust.edu.cn; Jiehua Deng, jiehuadeng@glmu.edu.cn

†These authors have contributed equally to this work and share first authorship

Disclaimer

All claims expressed in this article are solely those of the authors and do not necessarily represent those of their affiliated organizations, or those of the publisher, the editors and the reviewers. Any product that may be evaluated in this article or claim that may be made by its manufacturer is not guaranteed or endorsed by the publisher.