En ny AI‑driven plattform, MoodMon, har utvecklats för att identifiera och följa upp affektiva störningar såsom depression och bipolär sjukdom. Systemet kombinerar patientrapporter, fysiologiska sensordata och maskininlärningsalgoritmer för att producera en riskbedömning i realtid. I en multicenterstudie med över 1 200 deltagare uppvisade MoodMon en sensitivitet på 87 % och en specificitet på 82 % jämfört med traditionella kliniska bedömningar. Algoritmen tränades på en diversifierad dataset från både primärvård och specialistklinik, vilket minskar risken för bias. Resultaten visar att MoodMon kan stödja tidig upptäckt, förbättra behandlingsuppföljning och avlasta kliniker genom automatiserad dataanalys.

Studien betonar vikten av kontinuerlig validering och transparens i algoritmens beslutsprocesser, samt behovet av integrering med befintliga journalsystem för att möjliggöra smidig användning i vårdpraktiken.

Vad innebär detta för svensk vård? MoodMon kan bli ett verktyg för att tidigt identifiera psykisk ohälsa i primärvården, särskilt i regioner med brist på psykiatriker. Genom att kopplas till nationella journalsystem kan den ge vårdpersonal snabbare underlag för beslut, men kräver tydliga regelverk för dataskydd och klinisk ansvarsfördelning.