英國和歐洲的公眾心理健康問題是一項嚴峻且尚未得到充分解決的社會需求。據2025年10月《柳葉刀》雜誌報道，世界衛生組織歐洲區域約有17%的人口（約1.4億人）患有某種精神障礙，但其中三分之一的人未能獲得所需治療。持續的經濟危機與氣候危機進一步加劇了這一困境。
世界衛生組織2026年1月的報告指出，這些精神障礙對日常生活的影響程度輕重不一。每年有超過12萬人死於自殺，四分之一的精神病患者完全未接受任何正式治療或護理。儘管各國已採取一定舉措，但現有應對措施仍遠遠不夠。
在這一領域，法國初創公司Callyope專注於心理健康護理，致力於開發基於AI的心理健康狀況監測與管理解決方案。該公司的平台利用語音技術分析聲學與語言模式，為心理健康從業者提供持續的症狀監測與支持。
為深入了解這家公司，pharmaphorum專訪了Callyope首席執行官兼聯合創始人Martin Denais。
歐洲在心理健康領域的支出與實際效果之間的差距
pharmaphorum：歐洲在心理健康領域的支出接近6000億歐元，但治療效果仍不理想。您認為造成這一差距的根本原因是什麼？
Martin Denais：歐洲心理健康體系的資金分配不均，且在早期干預方面的結構設計存在明顯缺陷。6000億歐元的支出規模反映了問題的嚴峻程度，但其中大部分資金集中用於住院治療、危機響應和長期殘障管理等下游環節。
核心問題在於，現有的護理體系仍處於被動應對模式。干預通常發生在危機爆發之後，而非在病情出現早期惡化跡象、更易於管理的階段。事實上，心理健康狀況是持續演變的，但現行體系仍依賴間歇性、主觀性的評估方式。
與此同時，臨床醫生在時間和精力上受到極大限制，缺乏在兩次就診之間對患者進行持續監測的工具。最終結果是，整個體系將大量資源消耗在管理病情復發上，而非預防復發。要改變這一現狀，需要從間歇式護理轉向持續護理，從被動干預轉向以客觀數據支撐的早期檢測。
AI如何降低高復發住院率
pharmaphorum：再住院率極高，終生復發率高達90%。AI能如何切實幫助專業人員改變這一趨勢？
Martin Denais：再住院問題往往源於對早期預警信號的忽視。細微的認知和行為變化可能在復發前數周甚至數月出現，但在傳統護理模式下，這些變化很難被及時、準確地識別。
AI引入了一種根本不同的方法。通過持續分析患者信號（包括語音），AI能夠比傳統方式更早地檢測到與病情惡化相關的規律。通過為臨床醫生提供更頻繁、更客觀的臨床評估，AI可以幫助他們在危機出現之前採取行動。這將干預時機從危機爆發點前移至早期緩解階段。即便是微小的時機改善，也能對降低復發率、穩定患者狀態、最終減少再住院產生顯著影響。
AI在心理健康實踐中的主要應用障礙
pharmaphorum：目前AI在心理健康實踐中推廣應用面臨哪些主要障礙？
Martin Denais：首先是信任問題。心理健康護理涉及高度敏感的個人數據，臨床醫生在將AI納入決策流程之前，需要有充分的臨床驗證。與此同時，歐洲醫療行業在治理層面已走在大多數行業前列——36%的機構已制定正式的AI戰略，在數據和負責任AI框架的應用方面也明顯高於跨行業平均水平。這表明該行業正在認真對待AI，而非僅僅進行試探性探索。
其次是集成問題。臨床醫生本已承受巨大壓力，任何新系統都必須能夠無縫融入現有工作流程，而不增加額外負擔。
此外還有碎片化問題。歐洲各地的心理健康體系差異顯著，不同的監管和數據框架大大減緩了大規模推廣的速度。這些是生態系統層面的挑戰，而非技術本身的問題。重要的是，這些挑戰可以通過循證研究、精心設計和多方協作來解決。歸根結底，AI的目標不是取代臨床醫生，而是增強其能力——減少判斷盲區，實現更及時、更有依據的決策。
30秒語音能揭示什麼
pharmaphorum：Callyope的AI僅分析30秒語音。這能揭示出精神分裂症、雙相情感障礙或抑鬱症等疾病的哪些資訊？
Martin Denais：語音是心理健康狀態中資訊量最豐富、也最易獲取的指標之一。Callyope已證明，約30秒的語音樣本足以評估與精神病、焦慮、抑鬱和認知衰退相關的症狀。
系統不僅分析說了什麼，還評估說話的方式，包括連貫性、結構、語速和節奏——這些維度會因不同病症而呈現出各自獨特的變化規律。在精神分裂症中，話語可能變得混亂且難以理解；在雙相情感障礙中，語音模式可能發生顯著變化——躁狂期語速加快、更具緊迫感，抑鬱期則變得遲緩；在抑鬱症中，語音往往變慢、變平、變化幅度減小。
這些信號為臨床醫生提供了可量化的參考依據，作為傳統評估的補充，幫助更客觀地追蹤患者隨時間發生的變化。
語音標記的臨床可靠性
pharmaphorum：話語混亂和語音模式變化這些標記在臨床上的可靠性如何？
Martin Denais：話語混亂已被公認為核心臨床症狀，尤其在精神分裂症的診斷中尤為突出。傳統上，這一症狀通過臨床訪談進行主觀評估。
Callyope的方法通過AI對語音模式進行分析，將其轉化為可量化的信號。系統的可靠性來自對多種語音特徵的綜合分析，而非依賴單一指標。相關模型經過臨床數據集訓練，並在不同患者群體中進行驗證，從而提升其一致性和臨床相關性。
這一工具的目的不是取代臨床醫生的判斷，而是通過提供客觀、可重複的測量結果來增強其決策能力，支持更有依據的診斷。
患者的日常使用體驗
pharmaphorum：語音日記和遠程監測在患者日常使用中是如何運作的？如何確保患者的持續參與？
Martin Denais：整體體驗設計力求簡潔、低負擔。患者通過智慧型手機應用記錄簡短的語音條目、回應提示，或在與護理人員互動時接受被動語音分析。這些輸入數據經過分析後生成持續的症狀追蹤記錄，讓臨床醫生能夠在兩次就診之間監測病情進展，而不必僅依賴定期複診。系統的靈活性允許根據每位患者的情況調整監測頻率和問卷內容，從而提供更個性化的體驗。
用戶參與度的提升源於操作的便捷性和清晰的價值感知。交互簡短直觀，當患者看到自己的數據直接影響到護理方案和臨床決策時，依從性會顯著提高。
語音AI對製藥研發的意義
pharmaphorum：中樞神經系統（CNS）藥物開發長期受制於臨床終點的主觀性和可變性。Callyope的語音AI能否在這方面發揮作用？對製藥行業意味著什麼？
Martin Denais：CNS藥物開發長期以來受到傳統終點局限性的制約。HAM-D、MADRS或PANSS等量表依賴於不頻繁的院內評估，容易受到評分者差異和回憶偏差的影響，這導致安慰劑響應率偏高、療效信號噪聲較大，許多失敗的試驗並不真正反映所研究分子的實際效果。
語音提供了一種本質上不同的方法：它是客觀的，可以頻繁、遠程地採集，並且對臨床醫生正在評估的多個維度高度敏感，包括話語混亂、情感表達、精神運動遲緩和認知變化。
對於製藥研發而言，這開闢了多個具體應用方向：作為傳統量表補充的數字化終點、更精細的訪視間治療響應追蹤、入組時更精準的患者分層，以及更早地檢測到療效信號和認知不良反應。這意味著試驗靈敏度更高、樣本量可能更小、分子有效性的決策速度更快。
未來的臨床"超級助手"願景
pharmaphorum：您曾提出希望成為臨床醫生"超級助手"的願景。在未來幾年的日常精神科護理中，這將如何具體呈現？
Martin Denais：實際上，"超級助手"代表著從間歇式護理到持續支持的根本轉變。當前的精神科診療體系主要依賴間隔數周的不頻繁會診，臨床醫生必須根據患者的記憶、自我報告和有限觀察來重建其病情狀態。這不可避免地產生盲區，在症狀快速波動的病症中尤為明顯。
超級助手通過在兩次就診之間引入持續的洞察層來改變這一動態。對患者而言，這帶來了更具響應性和個性化的體驗——他們的日常狀態變得可見，並實質性地影響護理決策，有助於提升參與度和治療效果。
最終，必須強調的是，超級助手並不取代臨床醫生，而是增強其能力，使其能夠在規模化場景下提供及時、以數據為依據的護理。最終結果是一個更主動、更精準、更善於預防復發而非被動響應復發的醫療體系。
關於受訪者
Martin Denais是Callyope的首席執行官兼聯合創始人。Callyope是一家利用AI改善歐洲心理健康護理的健康科技初創公司。在從事七年金融行業工作後，他選擇轉型，投身於更具社會影響力的事業。他與工程學院的舊日同學Rachid Riad重新攜手，後者的博士研究將AI應用於神經科學領域。兩人與聯合創始人Xuan-Nga共同創立了Callyope。
Q&A
Q1：Callyope的AI語音分析技術能檢測哪些心理健康狀況？
A：Callyope的AI通過分析約30秒的語音樣本，可評估與精神病、焦慮、抑鬱和認知衰退相關的症狀。系統不僅分析說話內容，還評估連貫性、結構、語速和節奏等維度。例如，精神分裂症患者的話語可能變得混亂，雙相情感障礙患者的語速在躁狂期加快、抑鬱期減慢，抑鬱症患者的語音則趨於遲緩、平淡。這些信號作為客觀補充依據，幫助臨床醫生更準確地追蹤患者病情變化。
Q2：Callyope平台患者在日常中如何使用？
A：患者通過智慧型手機應用記錄簡短語音條目、回應系統提示，或在與護理人員互動時接受被動語音分析。這些數據經處理後生成持續的症狀追蹤記錄，供臨床醫生在兩次就診之間監測病情進展。系統的監測頻率和問卷內容可根據每位患者情況靈活調整，交互設計簡短直觀，患者看到數據直接影響自身護理決策後，參與積極性會顯著提升。
Q3：AI語音分析技術對CNS藥物研發有什麼幫助？
A：傳統CNS臨床試驗依賴HAM-D、MADRS等量表進行主觀評估，容易受評分者差異和回憶偏差影響，導致安慰劑響應率高、療效信號不穩定。語音AI提供客觀、可頻繁遠程採集的數字化終點，可作為傳統量表的補充。具體應用包括：更精細地追蹤訪視間治療響應、入組時更精準地分層患者、更早發現療效信號或認知不良反應，有助於提高試驗靈敏度、縮小樣本量並加快研發決策效率。
