作者主张精神病学大数据需转向理论驱动、个体内密集采样与生成式AI整合，以弥补当前无理论预测研究的不足
核心概要
这篇评论在回应Stein等人关于精神病学大数据批判性综述的基础上，提出精神病学已从“全是理论没有数据”摆向“全是数据没有理论”，并主张三条改进方向：在使用大数据时更多考虑理论、发展个体内（idiographic）精神病学、以及将生成式人工智能整合进精神科研究与临床实践。
深度剖析
作者指出精神病学大数据研究当前以无理论的预测为主，理论与模型被置于次要位置。 相对于Stein等人对大数据使用的批判性综述，本文进一步把问题概括为从“全是理论没有数据”转向“全是数据没有理论”，并以此作为提出改进方向的前提。 属于评论性论证，依据是对领域现状的描述与举例，而非新的实证数据。
作者主张应更多用大数据来检验和丰富精神障碍理论，并以自杀风险预测为例说明现有模型的局限。 文中举例称，使用电子健康记录中数值化ICD编码的预测模型可帮助识别医疗系统中自杀未遂风险最高的患者，但无法说明自杀想法与行为如何、为何或何时出现，也无法指导最佳治疗。 以已有研究（Nock等，JAMA Netw Open 2022）为例进行论证，属于观点性引用而非本文新数据。
作者主张发展个体内（idiographic）精神病学，利用深度数字表型对个体进行密集纵向研究。 文中回顾早期实验心理学家（Ebbinghaus、Pavlov、Wundt）的个体化方法，并指出深度数字表型为强化此类设计提供了前所未有的机会，强调应主动规划能回答具体问题的数据采集，而非默认使用全部可用数据流。 属于历史回顾与方法学论证，引用多项已有工作支持，但本文未提供新的个体内数据结果。
作者主张系统研究如何将生成式AI安全有效地用于精神科，涵盖理解人类、辅助临床决策和直接帮助患者三个方向。 文中提出需要关注人在回路中的位置与时机，并指出生成式AI可帮助满足患者未被满足的照护需求，同时必须确保安全有效。 属于前瞻性观点，引用Torous等（World Psychiatry 2025）等文献支持，但本文未报告AI干预的实证效果。
启示与展望
本文面向精神病学研究者、临床医生与AI开发者，适用于讨论大数据研究设计、个体内监测与生成式AI在精神科的应用方向。其主张的落地需要能够主动规划数据采集的研究环境，以及具备数字表型与AI部署条件的临床或研究机构。
本文为评论性文章，未提供新的实证数据或系统评价，因此三条方向的实际效果仍需后续研究检验。此外，所加载文本为不完整阅读范围，缺少图表与完整参考文献细节，可能影响对部分论证背景的完整理解。