本研究探讨了大规模语言模型（LLMs）在儿童抑郁症诊断中的应用，发现其在提取抑郁症状方面的效率比传统方法高60%。LLMs在识别罕见症状方面表现优异，显示出其在减少诊断错误和补充传统筛查中的重要价值。

一项研究发现，感染COVID-19的严重患者在认知和精神方面存在持续和显著的问题。感染COVID-19两到三年后，参与者在认知测试中的平均得分明显低于预期，相当于智商降低了10个点。部分人报告了严重的抑郁症状、焦虑症、疲劳症和记忆问题，这些症状随着时间恶化。研究结果强调了早期症状对后续问题的预测能力和及时治疗的重要性。超过四分之一的参与者表示换工作，原因与认知缺陷有关。这些发现对政策制定者和临床医生具有重要意义，有助于采取针对性的预防干预措施。

一项研究发现，饮食与大脑健康有关。高蛋白低纤维饮食与幸福感较低相关，食用更多蔬菜和水果与焦虑和抑郁症状较高相关。饮食均衡与心理健康和认知功能表现更好相关。

最新研究发现，通过识别抑郁症状可以建立更稳健的模型。eRisk倡议提出了一个新的排名任务，旨在开发搜索方法来找到与抑郁症状相关的句子。他们创建了DepreSym数据集，其中包含21580个句子，根据其与21个BDI-II症状的相关性进行了注释。他们还探讨了使用大型语言模型作为评估员的可行性。